Os assistentes de programação com inteligência artificial estão ganhando cada vez mais espaço no dia a dia de quem trabalha com tecnologia — e também de quem atua com marketing e SEO. Ferramentas como Claude Code, Cursor e OpenClaw permitem duas abordagens principais: construir uma aplicação dentro da própria plataforma de IA (por exemplo, usando Claude Code direto no Claude Desktop) para reutilizar em várias sessões, ou usar essas tecnologias para desenvolver algo independente, hospedado fora do ambiente de IA, em serviços como Netlify ou Vercel.
Neste caso, o foco vai para o primeiro caminho, que costuma ser mais acessível para profissionais de marketing sem grande bagagem técnica. A ideia prática aqui é mostrar como montar, dentro do Claude Desktop, um verificador de E-E-A-T — o famoso framework do Google para avaliar Experiência, Expertise, Autoridade e Confiabilidade de um conteúdo.
Por que criar um verificador de E-E-A-T?
Diferente de métricas como velocidade de página ou Core Web Vitals, que possuem APIs específicas para consulta, o conceito de E-E-A-T do Google não vem acompanhado de um endpoint pronto para ser acessado. O que existe é uma orientação ampla, um framework conceitual que precisa ser interpretado e aplicado manualmente.
É exatamente aí que a inteligência artificial mostra sua força: ela é ótima para processar grandes volumes de informação não estruturada e aplicar esse tipo de metodologia de forma sistemática. Por isso, um checador automatizado de E-E-A-T se tornou um exemplo interessante — quando bem construído, pode gerar insights realmente úteis para quem avalia a qualidade de um site.
O que você precisa para montar o projeto
A ferramenta foi construída e roda principalmente pelo Claude Desktop, usando o Claude Code. O Claude Desktop pode ser baixado gratuitamente com uma conta Claude comum, mas para usar o Claude Code é preciso ter um plano Pro, Max, Team ou Enterprise — ou então comprar créditos de API da Anthropic separadamente.
Quem já usa outro assistente de IA ou uma IDE com inteligência artificial embutida também consegue seguir o mesmo fluxo de trabalho, já que a lógica se aplica de forma parecida a outras ferramentas. Além disso, é recomendado ter uma conta no GitHub para guardar o projeto, e o Microsoft Office (ou alternativas como LibreOffice e OpenOffice) para gerar o documento de auditoria em Word que a ferramenta produz — mas dá para adaptar tudo para uma versão em HTML/CSS/JavaScript, se preferir.
Colocando a mão na massa: os primeiros passos
Depois de garantir o plano compatível ou uma conta de API da Anthropic com faturamento ativo, o processo começa com a instalação do Claude Desktop e login na conta. A partir daí, foi criada uma nova sessão de Claude Code chamada “E-E-A-T Checker Demo”, com instruções específicas para o assistente.
Um detalhe técnico importante: normalmente, quando se passa uma lista de URLs ao Claude, ele usa seu recurso interno de busca na web (Web Fetch). Só que muitos sites bloqueiam esse tipo de acesso automatizado. Por isso, a instrução dada foi para o Claude abrir um navegador headless em Python em vez disso — e como o Python já estava instalado na máquina, o Claude conseguiu se conectar sem problemas e criar o navegador para essa tarefa. Caso faltasse alguma biblioteca, o próprio Claude Code teria instalado o necessário via linha de comando.
O motor por trás da coleta de dados
Para o navegador headless, o Claude optou pelo motor Chromium — a mesma base do Google Chrome, amplamente utilizada por sua robustez. É comum que desenvolvedores usem esse motor combinado a bibliotecas de automação em Python, como o Selenium, para testes automatizados. Aqui, a mesma tecnologia foi reaproveitada para coletar conteúdo e recursos de páginas para análise.
Depois de processar os materiais de referência e montar uma estrutura inicial, o Claude reportou que havia: organizado o conteúdo em uma base de conhecimento sobre E-E-A-T, concluído com sucesso a extração de conteúdo, sintetizado os critérios de pontuação, definido uma estratégia para não incluir material protegido por direitos autorais no repositório do GitHub, e criado com sucesso o repositório local do projeto. Vale lembrar que não é obrigatório raspar esse material da web — é possível revisar o conteúdo manualmente e fornecer ao Claude suas próprias referências e diretrizes.
Testando o verificador na prática
Com a estrutura pronta, chegou a hora do teste. Como analisar uma única página isoladamente não gera uma avaliação de E-E-A-T representativa de um site inteiro, o ideal é escolher tipos de página variados — sem necessariamente rastrear o site completo, o que normalmente não é preciso.
Para essa demonstração, o próprio Google foi consultado sobre quais tipos de página são mais relevantes para uma avaliação de E-E-A-T. A partir disso, foram selecionadas páginas do site Search Engine Land: a homepage, a página da equipe, o perfil de um dos editores (Danny Goodwin), a página “Sobre”, a seção de últimos posts, um artigo recente assinado por Barry Schwartz, o perfil de autor do próprio criador do projeto, a página de guias do site, um guia recente sobre otimização para IA e LLMs, além das páginas de webinars, relatórios de inteligência, eventos SMX, contato, política de privacidade e termos de uso.
O Claude recebeu instruções sobre quais páginas examinar e como deveria ser o formato de saída do relatório. Ele confirmou que capturaria tanto o HTML bruto quanto o conteúdo renderizado das páginas — já que, operando um navegador headless, consegue executar e renderizar o código antes de analisar cada página.
Refinando o resultado final
Depois de um tempo de processamento, o Claude concluiu a primeira rodada de produção e gerou o documento de auditoria. No geral, essa primeira versão já saiu sólida, mas ainda havia espaço para ajustes finos — o que exigiu um prompt bem detalhado e estruturado para pedir melhorias na formatação e na legibilidade do documento.
O modelo do Claude lidou tranquilamente com a complexidade do pedido, e na segunda tentativa o resultado já veio bem mais polido e de leitura fluida. A partir daí, seria possível continuar refinando com mais dados e fontes, ou adotar uma abordagem mais crítica na estrutura da auditoria — mas, para os fins da demonstração, o objetivo já havia sido alcançado.
Guardando o projeto no GitHub
Com o documento pronto, veio a etapa de backup. O Claude reportou o andamento do processo de preparação do repositório, e o passo seguinte foi adicionar um token de acesso ao arquivo .env para que ele pudesse criar o repositório no GitHub.
O repositório foi criado manualmente para que o Claude pudesse enviar e gerenciar o projeto — uma etapa que poderia ter sido automatizada conectando o Claude ao GitHub via OAuth, permitindo que ele criasse e configurasse repositórios e permissões sozinho. Nesse caso, optou-se por um token de acesso pessoal de escopo restrito, uma alternativa mais simples de configurar, ainda que exija alguns passos manuais a mais.
