Najważniejsze wnioski w pigułce
Czym jest Nano SEO Lab
- Rozszerzenie do przeglądarki autorstwa Chrisa Greena, które działa jak warsztat technical SEO bezpośrednio na analizowanej stronie.
- Łączy deterministyczne testy SEO z lokalnym modelem językowym Gemini Nano. Opcjonalnie można podpiąć własne klucze API do OpenAI lub Gemini.
- Narzędzie jest we wczesnej fazie testów. Kod jest dostępny w repozytorium Git, a publikacja w Chrome Web Store czeka na akceptację.
Filozofia działania
- Najpierw fakty zaobserwowane na stronie, dopiero potem interpretacja modelu. AI ma wspierać specjalistę, a nie przejmować jego pracę.
- Każde ustalenie ma widoczne dowody: oryginalny i wyrenderowany URL, status odpowiedzi, docelowy adres przekierowania.
- Znalezisko można zamienić w gotowy szkic zgłoszenia w Jirze dla zespołu deweloperskiego.
Najciekawsze funkcje
- Porównanie HTML z serwera z wyrenderowanym DOM, z odfiltrowaniem szumu technicznego, np. identyfikatorów hydratacji, stanu i cache.
- Klasyfikacja roli linków (nawigacja, linki redakcyjne, CTA, linki produktowe) połączona ze sprawdzeniem odpowiedzi HTTP.
- Zestawienie sygnałów indeksowania: nagłówków HTTP, dyrektyw w HTML, robots.txt, canonicali i hreflangów.
Ograniczenia
- Nie zastępuje crawlera, analityki ani doświadczonego konsultanta.
- Gemini Nano ma ograniczone okno kontekstowe, dlatego dane są wysyłane do modelu w mniejszych paczkach.
Warsztat technical SEO w przeglądarce zamiast kolejnego agenta AI
Chris Green, konsultant SEO, udostępnił Nano SEO Lab, czyli rozszerzenie przeglądarki wspomagane przez AI. Sam opisuje je jako warsztat technical SEO działający wewnątrz przeglądarki. Celem jest ograniczenie sytuacji, w których specjalista musi opuścić stronę, uruchomić osobny crawler, wkleić dane do arkusza i otworzyć kolejną rozmowę z chatbotem, zanim w ogóle zacznie analizę. To część trzyczęściowej serii autora o lokalnym AI i o sztucznej inteligencji, która pomaga, a nie przejmuje całej pracy.
Narzędzie ma sprawdzać się w najbardziej żmudnych etapach pracy technicznej. Chodzi o QA, szczegółowe kontrole punktowe, przeglądy wdrożeń deweloperskich i sytuacje, w których coś na stronie „nie wygląda dobrze”. Po otwarciu rozszerzenia automatycznie uruchamia się zestaw testów obejmujących tytuły i nagłówki, sygnały canonical i indeksowalności, linki, obrazy, dane strukturalne, deklaracje adresów i wersji językowych oraz różnice między HTML z serwera a wyrenderowanym DOM. To w dużej mierze elementy, które znajdziesz w każdej dobrej checkliście technical SEO . Nowością jest to, że widzisz je w jednym miejscu, na żywej stronie.
Autor zaznacza, że nie chodzi o delegowanie wszystkiego agentowi AI i przyjmowanie wyników „na wiarę”. Punktem wyjścia ma być pytanie, co faktycznie można zaobserwować na danej stronie. Dopiero gdy fakty są zebrane, można poprosić model (Nano, Gemini lub OpenAI) o ocenę priorytetu problemu. Na koniec narzędzie przygotowuje szkic zgłoszenia w Jirze, gotowy do wklejenia.
Najpierw dowody, potem interpretacja modelu
Najważniejszym założeniem projektu jest to, że dowody źródłowe zawsze da się sprawdzić. Jeśli rozszerzenie wskazuje, że URL zmienił się po wyrenderowaniu, pokazuje zarówno adres pierwotny, jak i wyrenderowany. Jeśli link zwraca błąd 404 , widać żądany adres, kod odpowiedzi i miejsce docelowe. Wynik modelu ma być warstwą nałożoną na dowody, a nie ich zamiennikiem.
Takie podejście rozwiązuje jeden z największych problemów z AI w SEO: pewne siebie, ale niesprawdzalne wnioski. W przykładzie opisanym przez autora Gemini nie potrafił jednoznacznie ocenić problemu. Zamiast zgadywać, przedstawił szczegóły i zostawił decyzję człowiekowi. Tak powinno działać narzędzie, któremu specjalista może powierzyć część analizy bez utraty kontroli nad jakością.
Modele językowe są według autora najbardziej przydatne tam, gdzie fakty wymagają kontekstu. Dobrym przykładem jest porównanie DOM, w którym narzędzie odfiltrowuje szum implementacyjny, taki jak zmieniające się identyfikatory hydratacji czy cache, gdy znaczenie elementu się nie zmieniło. Pozostałe różnice trafiają do osobnych paczek do przeglądu. Wynika to z ograniczonego okna kontekstowego Gemini Nano, ale też z tego, że nie zawsze warto wysyłać modelowi wszystko naraz.
Pięć zakładek i co z nich realnie wyciągniesz
Zakładka Overview to punkt startowy. Zbiera wyniki testów w ustalenia, testy zaliczone i dowody. Dla każdego ustalenia można poprosić wybrany model o ocenę, a następnie wygenerować zgłoszenie dla deweloperów. Zaawansowane ustawienia pozwalają określić, ile linków, przykładów czy różnic DOM trafia do jednego zapytania, choć autor uważa, że domyślne wartości zwykle wystarczą.
Zakładka Page & intent odpowiada na pytanie, jakim typem strony jest analizowany adres, jaką intencję ma zaspokoić i czy te dwie rzeczy do siebie pasują. Funkcja Review alignment kolejno rozpoznaje typ strony, określa prawdopodobną intencję i ocenia ich zgodność. Ciekawą opcją jest wybór reprezentacji strony przekazywanej modelowi: ustrukturyzowany skrót, oczyszczony HTML, oczyszczony Markdown, widoczny tekst, wyrenderowany HTML albo wszystkie pięć jednocześnie. Porównanie wszystkich wariantów pokazuje, jak bardzo sam format danych wpływa na ocenę modelu. To cenna wskazówka dla każdego, kto dostaje od AI niespójne wyniki.
Zakładka Links idzie dalej niż zwykły crawler. Rozszerzenie klasyfikuje rolę linków: nawigacyjnych, redakcyjnych, produktowych, kategorii, CTA i użytkowych. Jednocześnie sprawdza odpowiedź HTTP adresów docelowych. Dzięki temu od razu widać, że np. wyeksponowane wezwanie do działania prowadzi przez łańcuch przekierowań albo kończy się błędem. Przy bardzo dużej liczbie linków warto zmniejszyć paczki, bo systemy zarządzania ruchem botów na CDN mogą zablokować masowe zapytania.
Porównanie DOM i sygnały indeksowania - najmocniejsza część narzędzia
W zakładce Technical znajdują się narzędzia do najgłębszej analizy. Porównanie HTML z serwera z wyrenderowanym DOM szczególnie przydaje się na stronach opartych na JavaScripcie. Pozwala sprawdzić, czy nagłówek zniknął lub zmienił się po wyrenderowaniu, czy zmienił się adres docelowy linku, czy treść została dodana lub usunięta i czy działający URL jest dostępny dopiero po wykonaniu skryptów. To dokładnie te problemy, które omawiamy w tekście o SEO dla stron JavaScript . Sam autor przyznaje, że ten moduł wymaga jeszcze najwięcej testów, bo interpretacja wpływu JavaScriptu na SEO i GEO bywa zdradliwa.
Osobna funkcja sprawdza sygnały indeksowania. Uruchamia się ją ręcznie, żeby zapytania sieciowe nie wykonywały się przy każdym otwarciu strony. Zestawia nagłówki HTTP, w tym X-Robots-Tag , dyrektywy w HTML z serwera i po wyrenderowaniu, plik robots.txt , docelowe adresy canonical oraz sygnały dostępu dla robotów. Kolejny moduł łączy canonicale i hreflangi, szukając sprzeczności. Walidacja hreflang jest deterministyczna, a model pomaga dopiero wtedy, gdy trzeba zinterpretować całość.
To bardzo praktyczne rozwiązanie dla trudnych przypadków, w których każdy pojedynczy tag wygląda poprawnie, ale razem opowiadają sprzeczne historie o tym, czym strona ma być. Zakładka History pozwala z kolei wrócić do wcześniejszych analiz, przejrzeć log wywołań modelu i wyeksportować dane w formacie JSON. Dzięki temu widać, jakie dokładnie dowody trafiły do AI, a nie tylko ostateczną odpowiedź.
Co to oznacza dla zespołów SEO w praktyce
Nano SEO Lab nie jest rewolucją, która zastąpi crawlery, narzędzia analityczne czy doświadczonego specjalistę. Autor mówi o tym otwarcie. Jego wartość leży w skróceniu drobnych, ale częstych czynności między większymi zadaniami. Chodzi o pytania w rodzaju: co naprawdę dzieje się na tej stronie, czy zmiana pojawia się dopiero po wyrenderowaniu, co się stanie po kliknięciu tych linków i czy dane ustalenie w ogóle warto analizować dalej.
Z perspektywy agencji najważniejsza jest tu filozofia, nie samo narzędzie. Lokalny model działający w przeglądarce oznacza, że dane klienta nie muszą za każdym razem trafiać do chmury. Z kolei rozdzielenie deterministycznych testów od oceny modelu chroni przed rekomendacjami opartymi na halucynacjach. To kierunek zgodny z tym, co obserwujemy w debacie SEO kontra GEO : AI zmienia sposób pracy, ale fundamenty technical SEO pozostają te same.
Warto też zwrócić uwagę na funkcję zamiany ustaleń w zgłoszenia dla deweloperów. W praktyce wiele problemów technicznych nie zostaje naprawionych dlatego, że rekomendacja SEO nie przekłada się na konkretne, zrozumiałe zadanie. Narzędzie, które od razu dołącza dowody i kontekst, skraca drogę od diagnozy do wdrożenia. Dla zespołów obsługujących wiele serwisów to realna oszczędność czasu.
Podsumowanie
Nano SEO Lab to ciekawy przykład rozsądnego wykorzystania AI w technical SEO: najpierw fakty i sprawdzalne dowody, potem interpretacja modelu tam, gdzie faktycznie pomaga. Narzędzie jest jeszcze we wczesnej fazie, ale już teraz może przyspieszyć kontrole punktowe, QA wdrożeń i analizę stron opartych na JavaScripcie. Nawet jeśli nie planujesz z niego korzystać, warto przenieść jego zasady do własnych procesów audytowych.
Źródło: Chris Green, „Introducing Nano SEO Lab - my AI-assisted SEO extension”, chrisgreenseo.substack.com
