schema-markup
von alirezarezvaniDer schema-markup Skill hilft Agenten, JSON-LD für Rich Results zu planen, zu schreiben, zu prüfen und zu validieren. Er eignet sich für Markup zu Article, FAQPage, HowTo, Product, LocalBusiness, Organization und BreadcrumbList und unterstützt Technical-SEO-Workflows mit Implementierungsmustern, Guidance zu Schema-Typen und einem Python-Validator-Script.
Dieser Skill erreicht 84/100 Punkte und ist damit ein solider Kandidat für Verzeichnisnutzer, die einen Agenten Schema-Markup implementieren, auditieren oder validieren lassen möchten – mit weniger Rätselraten als bei einem generischen SEO-Prompt. Das Repository bietet klare Aktivierungskriterien, wiederverwendbare Templates, Guidance zu Schema-Typen und ein Validator-Script. Die Einführung wäre jedoch einfacher mit expliziten Installationshinweisen und klareren Grenzen dazu, was der lokale Validator belegen kann und was nicht.
- Sehr klare Trigger-Hinweise im Frontmatter, inklusive positiver Auslöser wie strukturierte Daten, JSON-LD, Rich Results, FAQ/Product/HowTo Schema sowie Ausschlüsse für allgemeine SEO- oder Crawl-Audits.
- Umfangreiche operative Inhalte: SKILL.md definiert Kontextabfrage, Einsatzfälle für Implementierung, Audit und Validierung sowie Situationen, in denen vor Rückfragen Produktmarketing-Kontext geprüft werden sollte.
- Nützliche Begleitmaterialien mit Schema-Type-Guidance, direkt nutzbaren JSON-LD-Implementierungsmustern und einem Python-Script, das JSON-LD aus HTML extrahiert und validiert.
- Am Skill-Pfad gibt es keinen Installationsbefehl und kein README. Nutzer des Verzeichnisses müssen die Installation daher aus den allgemeinen Konventionen des Repository ableiten.
- Der enthaltene Validator bewertet lokal die Abdeckung erforderlicher und empfohlener Felder. Die Referenzen verweisen dennoch auf Tests in Google Rich Results; er ersetzt keine offizielle Rich-Result-Validierung.
Überblick über schema-markup skill
Was schema-markup leistet
Der schema-markup skill hilft einem AI agent dabei, strukturierte JSON-LD-Daten für Seiten zu planen, zu schreiben, zu prüfen und zu validieren, die bessere Voraussetzungen für Google Rich Results und einen klareren maschinenlesbaren Kontext für AI Search benötigen. Er ist für Technical Seo-Aufgaben gedacht, bei denen das Ergebnis kein breit angelegtes Audit ist, sondern konkretes Schema Markup: Article, BlogPosting, FAQPage, HowTo, Product, LocalBusiness, Organization, BreadcrumbList und verwandte schema.org-Typen.
Für wen sich dieser skill am besten eignet
Nutze diesen schema-markup skill, wenn Seitentyp oder Problem bereits klar sind: fehlendes FAQ-Schema, Fehler im Product-Markup, Rich-Result-Eignung für Article-Seiten, Structured-Data-Warnungen in Search Console oder der Bedarf, JSON-LD über ein CMS hinweg zu standardisieren. Besonders hilfreich ist er für Marketer, SEO-Fachleute, Entwickler und Content-Teams, die implementierungsreifes JSON-LD plus Validierungshinweise brauchen – nicht nur eine allgemeine Erklärung zu schema.org.
Was ihn von einem normalen Prompt unterscheidet
Das Repository enthält Praxisreferenzen, direkt nutzbare Implementierungsmuster und ein Python-Validator-Script. Das ist wichtig, weil Schema-Arbeit oft an Details scheitert: absolute Bild-URLs, Pflichtfelder, Übereinstimmung mit sichtbarem Seiteninhalt, Publisher-Logos, ISO-Datumsangaben und CMS-Grenzen bei der Einbindung. Der skill gibt dem agent einen strukturierten Intake-Prozess vor, bevor Markup erzeugt wird. Dadurch sinkt das Risiko für plausibles, aber ungültiges JSON-LD.
Wann du ihn nicht verwenden solltest
Installiere schema-markup nicht als Ersatz für einen vollständigen Technical Crawl, eine JavaScript-Rendering-Diagnose, eine Prüfung der internen Verlinkung oder ein Site-Architecture-Audit. Wenn das eigentliche Problem Indexierbarkeit, Canonicals, Crawl-Tiefe oder Template-Rendering ist, nutze zuerst einen breiteren SEO- oder Site-Architecture-Workflow. Kehre erst zu Schema zurück, wenn Zielseiten und Templates stabil sind.
So verwendest du schema-markup skill
schema-markup installieren und zuerst relevante Dateien prüfen
Installiere den skill mit:
npx skills add alirezarezvani/claude-skills --skill schema-markup
Lies nach der Installation zuerst marketing-skill/skills/schema-markup/SKILL.md, um die Trigger-Regeln und den Intake-Workflow zu verstehen. Prüfe danach references/schema-types-guide.md für Typauswahl und Pflichtfelder, references/implementation-patterns.md für JSON-LD-Beispiele und scripts/schema_validator.py, wenn du lokal einen Plausibilitätscheck gegen erforderliche und empfohlene Felder durchführen möchtest.
Welche Inputs der skill vor der JSON-LD-Erstellung braucht
Für eine gute Nutzung von schema-markup solltest du dem agent Fakten auf Seitenebene geben, nicht nur „Schema hinzufügen“. Gib unter anderem an:
- Page URL und canonical URL
- Seitentyp, zum Beispiel product, article, FAQ, local business, how-to oder category
- Sichtbarer Titel, Autor, Veröffentlichungs- und Änderungsdatum
- Primäre Bild-URL mit Abmessungen
- Organization-Name, Logo-URL und sameAs-Profile
- Product price, availability, SKU, reviews oder offers, sofern relevant
- CMS oder Implementierungsmethode, zum Beispiel WordPress plugin, Webflow custom code, Shopify theme oder direkter Zugriff auf
<head> - Vorhandene Search Console-Fehler oder Meldungen aus dem Rich Results Test
Ein schwacher Prompt wäre: „Create schema for this page.“
Ein stärkerer Prompt ist: „Use the schema-markup skill to create JSON-LD for this BlogPosting page. URL: https://example.com/blog/schema-guide. H1: Schema Markup Guide. Author: Jane Smith. Published: 2026-02-10. Modified: 2026-03-01. Image: https://example.com/images/schema-guide.jpg, 1200x630. Publisher logo: https://example.com/logo.png, 250x60. Match visible page content and flag any missing fields before writing final JSON-LD.“
Praktischer Workflow für die Implementierung
Beginne mit einem Audit des vorhandenen Markups. Sieh dir den Seitenquelltext an, prüfe die Structured-Data-Berichte in Search Console oder speichere das gerenderte HTML und führe python3 scripts/schema_validator.py page.html aus. Bitte den skill anschließend, den Seitentyp zu klassifizieren und den engsten gültigen Schema-Typ auszuwählen. Ein Blogbeitrag sollte zum Beispiel in der Regel BlogPosting verwenden, während eine transaktionale Produktseite Product mit offers benötigt.
Erzeuge danach JSON-LD, gleiche jede Property mit dem sichtbaren Seiteninhalt ab und teste sie vor dem Deployment im Google Rich Results Test. Teste nach dem Deployment erneut die Live-URL und beobachte Search Console. Der skill kann bei der Interpretation von Validierungsmeldungen helfen, aber er kann Rich Results nicht garantieren; die Eignung bei Google hängt von Content-Qualität, Richtlinienkonformität, Crawlability und Suchnachfrage ab.
Tipps für bessere Ergebnisse
Bitte um „implementation-ready JSON-LD plus missing-field notes“. So verhinderst du, dass der agent stillschweigend nicht vorhandene Daten erfindet. Für Templates solltest du nach einem wiederverwendbaren Muster mit Variablen fragen, etwa {{ product.title }} oder {{ article.published_at }}. Bei regulierten oder vertrauenskritischen Seiten empfiehlt sich eine konservative Version, die nur Inhalte auszeichnet, die sichtbar auf der Seite vorhanden sind. Bei Seiten mit mehreren Schema-Typen solltest du den skill bitten, Entitäten über stabile @id-Werte zu verbinden, damit Organization-, WebPage-, BreadcrumbList- und Article-Daten nicht unverbunden wirken.
schema-markup skill FAQ
Ist schema-markup einsteigerfreundlich?
Ja, sofern du Seitenfakten sammeln und die Ausgabe testen kannst. Die Referenzen erklären, was gängige Schema-Typen leisten, welche Felder wichtig sind und welche Fehler die Eignung für Rich Results verhindern. Einsteiger sollten mit einem Seitentyp beginnen, zum Beispiel Article oder FAQPage, ihn validieren und erst danach auf Templates ausweiten, wenn das Muster bewährt ist.
Kann er Structured-Data-Fehler in Search Console beheben?
Er kann bei der Interpretation und Korrektur vieler Structured-Data-Fehler helfen, insbesondere bei fehlenden Pflichtfeldern, fehlerhaftem JSON-LD, falschem Schema-Typ sowie unvollständigen Product- oder Article-Feldern. Er behebt jedoch keine Fehler, die durch nicht zugängliche Seiten, blockierte Scripts, defekte Templates oder Inhalte entstehen, die Google nicht rendern kann. In solchen Fällen muss zuerst das technische Problem gelöst werden.
Worin unterscheidet sich der skill von Schema-Plugins?
Plugins können Schema schnell einfügen, arbeiten aber häufig mit generischen Defaults, übersehen geschäftsspezifische Entity-Details oder erzeugen doppeltes Markup über Themes und Extensions hinweg. Der schema-markup skill ist besonders nützlich, wenn redaktionelle Einschätzung, individuelles JSON-LD, eine Template-Strategie oder ein Audit der bereits vom Plugin ausgegebenen Daten gefragt sind.
Ist schema-markup nur für Technical Seo-Teams gedacht?
Nein, aber am stärksten ist er in Technical Seo-Workflows, in denen strukturierte Daten korrekt, testbar und deploybar sein müssen. Content-Teams können ihn für die Planung von Article, FAQ und HowTo nutzen. Entwickler können freigegebenes Schema in Templates überführen. Ecommerce-Teams können Product-, Offer-, Availability- und Review-Markup vor dem Rollout prüfen.
So verbesserst du schema-markup skill
Belastbarere Quellnachweise bereitstellen
Der beste Weg, die Ergebnisse von schema-markup zu verbessern, ist dieselbe Evidenz bereitzustellen, die Google prüfen kann: gerenderte Seitentexte, sichtbare Überschriften, Produktdetails, Autorenseiten, Bilder, Datumsangaben, Breadcrumbs und Organization-Profile. Wenn ein Feld nicht sichtbar ist oder nicht verifiziert werden kann, weise den agent an, es als fehlend zu markieren, statt es zu erfinden.
Häufige Fehlerquellen bei schema-markup im Blick behalten
Typische Fehler sind relative Bild-URLs, FAQ-Markup für Fragen, die auf der Seite nicht sichtbar sind, Marketingtexte, die als Reviews ausgezeichnet werden, fehlende offers im Product-Schema, abweichende Autorennamen, ungültige Datumsformate und doppeltes JSON-LD durch mehrere Plugins. Ein weiteres häufiges Problem ist Over-Marking: Es werden zu viele mögliche Schema-Typen hinzugefügt, statt nur die wenigen zu verwenden, die die Seite tatsächlich korrekt beschreiben.
Nach der ersten Ausgabe iterieren
Bitte nach dem ersten JSON-LD-Entwurf um einen Validierungsdurchlauf: „Check required fields, recommended fields, visible-content alignment, Google rich result eligibility, and implementation risks.“ Führe danach das Validator-Script oder die Google-Testtools aus und gib die exakten Fehlermeldungen wieder an den agent zurück. Fehlerbezogene Iteration führt zu deutlich besseren Ergebnissen als die Bitte um eine allgemeine Überarbeitung.
Den skill an dein CMS und deine Templates anpassen
Für eine wiederholbare Nutzung solltest du eine validierte Seite in eine Implementierung auf Template-Ebene überführen. Bitte den skill, Schema-Felder CMS-Variablen zuzuordnen, Fallback-Verhalten für leere Felder zu definieren und festzulegen, wo JSON-LD eingefügt werden soll. Genau hier wird schema-markup wertvoller als ein einmaliger Prompt: Der skill kann helfen, einen kontrollierten Structured-Data-Workflow aufzubauen, den Redaktion, SEO und Entwicklung gemeinsam pflegen können.