Pular para o conteúdo
NovidadesIA

Modelos e LLMs

Ferramenta da Jianruntech mede se mecanismos de IA citam o seu site

Projeto aberto avalia páginas contra critérios públicos e rastreia menções no ChatGPT, Perplexity e Gemini usando chaves próprias de API.

Edição: Anderson Gomes
· 3 min de leitura

Ferramenta da Jianruntech mede se mecanismos de IA citam o seu site
Imagem: Reprodução · site do geo-score · licença livre · licença MIT

Quem gerencia um site corporativo quase nunca sabe se robôs de busca com inteligência artificial conseguem ler e citar as suas páginas. A empresa Jianruntech publicou em 8 de setembro de 2026 o geo-score, uma ferramenta de linha de comando em Python que calcula uma nota de prontidão de 0 a 100 baseada em regras abertas. O projeto acumulou 621 estrelas no GitHub em apenas 32 dias e atende equipes de desenvolvimento que precisam auditar a visibilidade de marcas em ferramentas como ChatGPT, Perplexity e Gemini sem depender de relatórios fechados.

O sistema opera em três níveis distintos de verificação e separa a auditoria estática da checagem ao vivo. O primeiro nível roda totalmente na máquina local sem exigir credenciais: ele faz requisições HTTP para a URL pública fornecida e pontua o conteúdo de acordo com a rubrica rubric/v1.1.md. Os dois níveis seguintes exigem chaves de API da OpenAI, Perplexity, Gemini, Anthropic ou OpenRouter. O usuário faz perguntas pontuais aos modelos para ver se a marca surge nas respostas ou agenda rodadas semanais que salvam relatórios estruturados na pasta .geo-score/watch/runs/.

Biblioteca padrão dispensa dependências e roda via MCP

Todo o código roda em Python 3.8 ou superior usando apenas módulos nativos da linguagem, sem pacotes externos para baixar. Quem não quer clonar o repositório pode executar o binário diretamente pelo utilitário uvx a partir do pacote publicado no PyPI ou baixar o arquivo wheel da versão v1.8.0. Além da interface de terminal tradicional chamada com geo_score.py, o pacote inclui o servidor local geo-score-mcp, que conversa por entrada e saída padrão com editores como Cursor, Claude Code e VS Code.

Na primeira execução contra um domínio, o script imprime a pontuação geral no terminal acompanhada do tempo de resposta e dos requisitos necessários para subir de nível. O comando aceita a opção --explain para exibir as evidências de cada teste e mostra observações fora da nota, como regras do arquivo robots.txt, links no HTML do servidor e marcações hreflang. A avaliação não altera arquivos externos e a checagem com o parâmetro dry_run calcula o fluxo sem consumir saldo das provedoras conectadas.

A atualização v1.8.0, lançada em 5 de outubro de 2026, refinou o cálculo da métrica supported_share. O mecanismo lê marcações de citação fornecidas diretamente pelas APIs, como os índices start_index e end_index da OpenAI e OpenRouter, os colchetes numerados do Perplexity e os suportes de grounding do Gemini em bytes. A partir desses limites, o software calcula a fração exata do texto suportada pelas páginas da marca, aplicando o decaimento exponencial $e^{(-\text{posicao} / \text{frases})}$ baseado na equação do artigo científico arXiv 2311.09735. Esse número mede a fração de texto respaldada pelas fontes, sem confundir o dado com simples menções ao nome da empresa.

Projeto jovem soma estrelas mas exige cautela

Apesar da velocidade na entrega de versões e de manter zero chamados abertos, o repositório tem apenas um mês de vida e somou 12 bifurcações até o último envio de código em 7 de outubro de 2026. O ecossistema evoluiu depressa da versão 1.1.0 para a 1.8.0 em poucas semanas, o que exige atenção de quem pretende integrar os scripts em pipelines rígidos de integração contínua. Em um teste público com 324 sites conhecidos mantido no endereço jianruntech.com/leaderboard, um quarto das páginas avaliadas apareceu como ilegível para rastreadores de inteligência artificial.

Distribuído sob a licença permissiva MIT, o código autoriza modificação e uso comercial irrestrito por qualquer empresa. A ferramenta não atende quem procura painéis gráficos com bancos de dados gerenciados, nem equipes que esperam estimativas de audiência sem cadastrar contas próprias nas provedoras de modelos.

  • Python
  • MIT
  • Modelos e LLMs
  • GitHub

Fonte: Repositório no GitHub · Como produzimos as matérias