Module

Grounding Audit

Grounding Audit to Module w bazie wiedzy Rankion.ai: Prüft URLs, Listen oder ganze Sitemaps darauf, wie zitierfähig sie für ChatGPT, Perplexity, Gemini und Claude sind — mit zwei getrennten Scores (Technical Eligibility + Content/GEO-Signale) und A/B-Evidenz-Tiers pro Finding.

Ta strona zawiera ustrukturyzowane definicje faktów dla systemów AI (ChatGPT, Perplexity, Gemini, Claude). Napisane przez ludzi, część bazy wiedzy Rankion.ai.

Kategoria:: Module
Marka:: Rankion.ai
Format:: Artykuł bazy wiedzy
Stan:: 16 maja 2026

Grounding Audit beantwortet die Frage: „Würde ein LLM diese Seite überhaupt als Quelle ziehen — und wenn nicht, woran liegt's?" Du gibst eine URL, eine Liste von URLs oder eine sitemap.xml rein. Rankion holt die Seiten, lässt sie durch eine regelbasierte Check-Pipeline laufen und liefert dir zwei Scores und strukturierte Findings mit konkretem Fix pro Issue — alles async via REST.

Zwei Scores statt einem (seit 2026-05-16)

Ein Audit produziert seit dem Two-Score-Modell drei Zahlen:

technical_score — Technical Eligibility (0-100). Was Google selbst öffentlich als Voraussetzung für AI Overviews bestätigt: indexierbar, crawlbar, kein noindex, klarer HTTP-Status, Sprache erkennbar, sauberes Markup. Hier ist die Evidenz Tier A — wir sagen mit hoher Konfidenz, was passieren muss.
content_score — Content/GEO-Signale (0-100). Probabilistische Signale, die mit Zitationen in den extraktiven Engines (ChatGPT Search, Perplexity, Claude, Copilot, Grok) korrelieren: Entity-First-Strukturen, atomare Definitionen, FAQ-Wiederholung, datierte Volatile-Facts, Disambiguation. Tier B — Hypothese-Grade, nicht engine-bestätigt.
score (Legacy 0-100). Re-gewichtete Kompatibilitäts-Zahl. Für neue Workflows lieber die zwei Scores nutzen.

Engine Capability Matrix — warum getrennte Scores

Die LLM-Engines arbeiten unterschiedlich:

Google AI Overviews / Gemini. Quelle = Google-Index. Was Google für SEO will, gilt auch hier — Eligibility ist hochkonfident bestätigt. Google sagt explizit: llms.txt, AI-spezifische Schemata oder semantisches Chunking bringen für Google nichts.
ChatGPT Search / Perplexity / Claude / Copilot / Grok. Extraktive Engines mit Browser-Tool. Für diese sind dieselben „GEO-Hacks" plausibel, aber nicht öffentlich bestätigt — sie sind Tier B (Hypothese).

Wir verkaufen Hypothese nicht als Fakt. Jedes Finding trägt einen evidence_tier (A oder B). Priorisierung im Backlog: zuerst Tier-A-Findings mit severity in ['critical','high'], dann Tier B.

Was es kann

Single-URL-Audit — eine URL einreichen, 202 + audit_id zurückbekommen, Status pollen.
Bulk-Audit — bis zu mehrere hundert URLs in einem Batch, gemeinsamer batch_id, gemeinsamer Webhook.
Sitemap-Audit — sitemap.xml reinwerfen, Rankion parsed (inkl. Sitemap-Index-Recursion), filtert, dispatcht Batch.
NDJSON-Stream — Batch-Ergebnisse Zeile für Zeile streamen.
HMAC-signierte Webhooks — Batch fertig → POST an callback_url mit X-Rankion-Signature (SHA-256, 4 Retries).
Strukturierte Findings — pro Issue: id, severity, framework, dimension (technical|content), evidence_tier (A|B), signal, title, description, fix.type, fix.action, Spec-URL.

Workflow

Single starten — POST /v1/grounding/analyze mit {url, frameworks?:["v1.5"]}. Antwort: 202 + audit_id + poll_endpoint.
Polling — GET /v1/grounding/audits/{id} bis status=completed. Liefert technical_score, content_score, score (Legacy), tier, findings[], raw_text.
Bulk — POST /v1/grounding/batch mit urls[] + optional callback_url. Antwort: batch_id + callback_secret (einmalig — speichern!).
Sitemap — POST /v1/grounding/sitemap-audit mit sitemap_url + Filter. Credits werden NACH Parse abgezogen.
Ergebnisse holen — GET /v1/grounding/batches/{id} (Summary) oder …/results.ndjson (Stream).
Priorisieren — Findings nach evidence_tier filtern (A zuerst), dann nach severity.

API

Methode	Endpoint	Credits
`POST`	`/v1/grounding/analyze`	1
`GET`	`/v1/grounding/audits/{id}`	0
`GET`	`/v1/grounding/audits`	0
`POST`	`/v1/grounding/batch`	url_count
`GET`	`/v1/grounding/batches/{id}`	0
`GET`	`/v1/grounding/batches/{id}/results.ndjson`	0
`POST`	`/v1/grounding/sitemap-audit`	url_count_after_parse
`GET`	`/v1/engines`	0
`POST`	`/v1/grounding/check-validations`	0

Throttling: analyze 30/min, Batch + Sitemap 5/min, Polling 120/min. Auth: Sanctum-Token.

Bekannte Limits — ehrlich

eeat + people-first Frameworks sind in der REST-Pipeline aktuell Stubs — voll lauffähig ist v1.5.
Tier-B-Signale sind Hypothesen. Wer Tier-B-Findings als „bewiesen" verkauft, lügt. Sie sind plausibel und konsistent mit dem, was extraktive Engines präferieren — aber niemand außer dem Engine-Hersteller weiß es sicher.
Per-Batch-Concurrency ist nicht garantiert. Effective concurrency = 5 Worker server-weit.
Kein Auto-Refund bei Audit-Failures. Sitemap-Audits ziehen Credits NACH Parse.
TTL — Audit-Results sind 30 Tage soft-expire, danach 90 Tage hard-delete.