pSEO 页面上线之前，能不能让 AI 先做 Quality Gate？设计你的模拟评估员 Agent

结论先行：在代码部署流水线中接入模拟 Google 质量评估员的 AI Quality Gate，能在批量页面上线前拦截绝大多数潜在的低质风险。实现该机制的核心铁律是裁判与选手绝对隔离：严禁使用生成正文的同一个模型与上下文去打分。必须引入基于 QRG 3.0~8.0 与 13.0~14.0 标准定制的独立 Agent，依照“八维协议”（目的性、劳动量、独创性、证据链、真实信任、意图对齐、需求满足度、模板漂移度）进行逆向审问，分数未达标的批次直接阻断部署。

出海开发者在跑完 pSEO 数据生成脚本后，往往面临一个两难困境：
全量上线 50,000 个页面，人工抽样 50 个根本看不出统计学意义上的内容缺陷；
如果不加质检直接推向生产环境，一旦其中某个数据源字段存在空值、乱码或 AI 幻觉，整个集群就会变成 Googlebot 眼中的 Scaled Content 灾难现场。

使用传统的脚本做质检（如检查 HTML 是否超过 1000 字节、是否包含 <h1> 标签），只能检查语法完整性，无法判断页面是否在“一本正经地说废话”。

解法是将 Google 官方的 Quality Rater Guidelines 转化为具体的 Prompt 评测协议，让另一个独立的大语言模型充当冷酷的“线上质检员”。

1. 为什么“裁判与选手隔离”是唯一可行的前置条件

许多团队曾尝试让撰写内容的 AI 在生成时附带自我打分，结果毫无例外全都给出了 95 分以上的虚高评价。

这是因为 LLM 天生倾向于迎合自身的生成逻辑。要让 Quality Gate 真正具备防御力，架构设计上必须恪守三大隔离原则：

模型与上下文隔离：生成正文如果使用 Claude 3.5 Sonnet，质检 Agent 建议切换为 GPT-4o 或 DeepSeek-V3；并且质检输入仅包含最终渲染出的纯文本与元数据，抹除一切最初的生成 Prompt。
逆向审查立场：质检 Agent 的 System Prompt 不能设定为“请帮我润色这篇文章”，而必须设定为“你是一名受雇于搜索引擎的苛刻质量审查员，你的唯一职责是从这篇内容中挑出一切空洞废话、模板拼接与虚假宣传”。
结构化输出约束：质检结果必须强制输出为 JSON 格式，包含量化得分与一票否决项（Dealbreaker Flags），直接对接 CI/CD 的退出状态码（Exit Code）。

2. CI/CD 中 AI 质量门禁架构流

以下架构图展示了一个成熟的 pSEO 自动化流水线如何集成质检拦截机制：

3. 审查 Agent 的“八维裁决协议”

在配置质检 Agent 时，应当将 QRG 核心章节映射为具体的评测维度：

协议维度	对应 QRG 章节	核心审问问题	一票否决红线（Dealbreakers）
1. Purpose（目的性）	2.2, 3.2	该页面是否存在明确的有益目的？	页面纯粹为导流或广告而生，无实际功能
2. MC Effort（心血量）	3.2, 5.2.2	主内容凝聚了多少真实计算或整理工作？	通篇由大段常识定义与模板垫话扩写组成
3. Originality（独创性）	4.6.6	相比直接查看公开原始数据，增量在何处？	纯粹将公开数据库原样转录，无衍生参数
4. Evidence（实证度）	4.6.5, 21.0	页面提出的结论是否有具体测试数据支撑？	声称某工具性能最优却给不出任何测量数值
5. Trust（信任底座）	4.0, 7.0	数据来源是否清晰？计算逻辑是否透明？	隐藏作者与统计方式，提供无法验证的虚假评价
6. Intent Specificity（意图对齐）	12.3, 13.0	内容是否直接回答了查询核心，拒绝兜圈子？	标题写着配置教程，首屏却从历史背景讲起
7. Needs Met（需求满足度）	13.0, 14.0	用户看完页面是否无需再去其他网站寻找？	仅给出不完整片段，强迫点击付费才能看全貌
8. Template Risk（模板漂移）	4.6.5	页面是否与其他 100 个同批次页面文字高度重合？	正文 80% 以上为固定套话，仅变量名称替换

4. 工程师实操：基于 Node.js 的质量审查门禁脚本

以下是一个可以直接放入 CI/CD 流程的自动化质检脚本示例：

// tools/quality-gate-agent.mjs
import fs from 'node:fs';
import path from 'node:path';

const SYSTEM_PROMPT = `
You are a strict Search Quality Auditor adhering to Google's Quality Rater Guidelines (QRG).
Analyze the provided page content and evaluate it across:
1. Beneficial Purpose (0-10)
2. MC Effort & Added Value (0-20)
3. Actionable Evidence & Data (0-20)
4. Needs Met & Direct Answer (0-20)
5. Anti-Filler & Concision (0-15)
6. Anti-Template-Spam Check (0-15)

Output strictly valid JSON with keys:
{
  "totalScore": number (0-100),
  "isDealbreaker": boolean,
  "dealbreakerReason": string or null,
  "critique": string
}
`;

export async function auditPageBatch(sampleFilePaths) {
  let passedCount = 0;

  for (const filePath of sampleFilePaths) {
    const rawContent = fs.readFileSync(filePath, 'utf-8');
    
    // 调用独立审校大模型接口（如 GPT-4o 或 DeepSeek-V3）
    const response = await callEvaluatorLLM(SYSTEM_PROMPT, rawContent);
    const result = JSON.parse(response);

    if (result.isDealbreaker || result.totalScore < 80) {
      console.error(`❌ [Quality Gate 拦截] 文件: ${path.basename(filePath)}`);
      console.error(`   得分: ${result.totalScore} | 否决原因: ${result.dealbreakerReason ?? result.critique}`);
      return false; // 触发熔断
    }
    passedCount++;
  }

  console.log(`✅ 抽样 ${passedCount} 个页面全部通过 QRG 质量门禁！`);
  return true;
}