Rudrendu Paul과 Sourav Nandy 공동 저술.

Repo: github.com/RudrenduPaul/LLMScout, 모든 웹사이트에 대해 21가지 GEO/AEO 체크를 수행하는 의존성 없는(zero-dependency) 크로스 플랫폼 CLI입니다. npm install -g llmscout-cli 또는 pip install llmscout-cli로 설치할 수 있습니다.

Ahrefs에 따르면, AI 개요(AI Overview)를 트리거하는 키워드에 대한 1위 클릭률(Position-1 click-through rate)이 2023년 12월 7.3%에서 2025년 12월 1.6%로 하락했습니다. 만약 AI 시스템이 당신의 사이트를 찾거나 인용하지 못한다면, 그 트래픽은 자동으로 돌아오지 않습니다. 여기에서 5분 이내에 당신의 사이트가 실제로 어떤 위치에 있는지 확인하는 방법을 소개합니다.

LLMScout가 확인하는 사항

LLMScout는 모든 사이트에 대해 21가지 체크를 수행하는 CLI입니다: 12가지는 기술적 SEO (Search Engine Optimization) 기본 사항을 다루고, 9가지는 AI 시스템을 위한 GEO (Generative Engine Optimization) 신호를 다룹니다. 모든 체크는 PASS, WARN 또는 FAIL을 보고하며, 전체 실행은 기계가 읽을 수 있는 코드로 종료되므로 CI (Continuous Integration)에 바로 통합할 수 있습니다. 두 가지 배포 방식으로 제공됩니다: 두 개의 런타임 의존성이 있는 npm 패키지와 의존성이 전혀 없는 Python 패키지입니다. 두 방식 모두 헤드리스 브라우저(headless browser)를 필요로 하지 않습니다.

실행하기 전에 알아두어야 할 중요한 체크 항목 중 하나는 ai-crawler-directives입니다. 이 항목은 7개의 주요 AI 봇을 각각 별도로 보고합니다. 왜냐하면 모델을 학습시키는 GPTBot을 차단하는 것이 ChatGPT를 위한 실시간 검색(live retrieval)을 수행하는 OAI-SearchBot이 당신의 페이지를 가져가고 인용하는 것을 막는 데 아무런 도움이 되지 않기 때문입니다. 이들은 robots.txt에서 독립적으로 설정할 수 있지만, 대부분의 도구는 이들을 단일 신호로 취급합니다.

설치

설치 방법은 두 가지가 있습니다. 어떤 것을 사용할지 확실하지 않다면 npm을 먼저 시도해 보세요:

npm install -g llmscout-cli

이 방식은 Node 18 이상이 필요하며, 정확히 두 개의 런타임 의존성인 cheerio와 commander를 가져옵니다. Python도 필요 없고, 브라우저 다운로드도 필요 없으며, 서브프로세스(subprocess) 호출도 없습니다.

Python을 사용하고 싶다면:

pip install llmscout-cli

이 버전은 런타임 의존성(runtime dependencies)이 전혀 없으며, 순수 표준 라이브러리(standard library)로만 구성되어 있습니다. npm 버전과 동일한 21가지 검사를 수행하며 동일한 PASS/WARN/FAIL 판정을 내립니다.

두 버전 모두 Windows, macOS, Linux에서 1분 이내에 설치됩니다.

첫 번째 검사 실행하기

설치가 완료되면, 사이트를 지정하여 실행하세요:

llmscout init ./my-site --site-url https://yourdomain.com
llmscout check ./my-site

init은 ./my-site 디렉토리에 llmscout.json 설정 파일을 작성합니다. check는 해당 설정 파일에 있는 URL을 가져와 21가지 모든 검사를 수행합니다.

다음은 example.com을 대상으로 check를 실행했을 때의 실제 출력 결과입니다:

LLMScout check -- https://example.com

[PASS] (technical) Title tag
...

해당 출력 결과에서 이해해둘 만한 세 가지 사항이 있습니다.

FAIL은 종료 코드(exit code) 1로 종료됩니다. 최소 하나 이상의 검사가 완전히 실패했음을 의미하며, 이는 CI 파이프라인(CI pipeline)이 차단(gate) 기준으로 삼아야 할 신호입니다. WARN은 최적화 기회를 놓친 상태를 의미하며, 그 자체로 실행을 실패시키지는 않습니다. PASS는 검사가 깨끗하게 통과되었음을 의미합니다.

마지막 두 검사 사이의 의존성을 주목하세요. robots.txt에 접근할 수 없기 때문에, ai-crawler-directives가 어떠한 정책도 결정할 수 없어 FAIL 대신 WARN을 보고합니다. 접근할 수 없는 robots.txt와 모든 AI 봇을 명시적으로 차단하는 robots.txt는 해결 방법이 다른 별개의 문제이며, 이 도구는 두 경우를 하나의 경고로 합치지 않고 그 차이를 명확하게 유지합니다.

모든 WARN과 FAIL에는 내장된 수정 제안(fix suggestion)이 포함되어 있습니다. 캐노니컬 태그(canonical tag)가 무엇인지 또는 어떻게 추가하는지 따로 찾아볼 필요가 없습니다. 수정(fix) 라인이 알려줄 것입니다.

JSON 출력 및 CI

CI를 위해 --json 옵션을 추가하면 출력이 스크립트에서 실제로 파싱(parse)할 수 있는 형태가 됩니다:

llmscout --json check ./my-site

종료 코드(Exit codes): 깨끗한 실행의 경우 0, 최소 하나 이상의 검사가 FAIL인 경우 1, 사용법(usage) 또는 설정(config) 오류의 경우 2입니다. 이 정도면 별도의 파서(parser) 로직을 작성하지 않고도 새로운 FAIL 발생 시 빌드를 실패시키기에 충분합니다.

JSON에는 각 점검(check)별 id, status, message, fix 필드가 포함되어 있으며, 합계를 나타내는 summary 객체가 추가로 포함되어 있습니다. 이를 병합 전 점검(pre-merge check) 프로세스에 연결하면, 구조화된 데이터(structured data)나 robots.txt 오류로 인해 발생하는 회귀(regression)가 조용히 배포되는 대신 빌드를 실패시키도록 설정할 수 있습니다. 전체 스키마(schema)는 README에 있습니다.

여러 사이트를 위한 플릿(Fleet) 모드

하나 이상의 사이트를 관리하는 경우, llmscout fleet은 사이트 경로가 담긴 JSON 매니페스트(manifest)를 받아 단 한 번의 명령으로 모든 사이트에 대해 전체 21가지 점검 세트를 실행합니다. --out-dir 옵션을 사용하면 모든 결과를 한꺼번에 표준 출력(stdout)으로 쏟아내는 대신, 사이트당 하나의 자동 명명된 보고서 파일을 작성합니다.

llmscout fleet ./fleet.json --out-dir ./reports

매니페스트 예시:

{
  "sites": [
    { "name": "client-a", "path": "./clients/client-a" },
...

이렇게 하면 매니페스트의 name 필드 이름을 그대로 사용하여 사이트당 하나의 보고서인 client-a.txt 및 client-b.txt (--json 사용 시 .json)가 생성됩니다. 이를 통해 에이전시(agency)는 결합된 터미널 출력 내용을 스크롤하며 찾아보는 대신, 클라이언트별로 별도로 명명된 보고서 파일을 열람, 전송 또는 보관할 수 있습니다.

마무리

이 점검 항목들은 AI 시스템의 인용 가능성(citability)에 가장 중요한 신호들, 즉 구조화된 데이터(structured data), 크롤러 접근 정책(crawler access policies), 콘텐츠 추출 가능성(content extractability), 엔티티 마크업(entity markup)을 다룹니다. llms.txt와 같이 논쟁 중인 신호들은 그 영향에 대한 근거가 여전히 발전 중이므로 정보 제공용(informational)으로 표시됩니다. 여러분의 사이트에 직접 실행하여 현재 상태가 실제로 어떤지 확인해 보세요.

GitHub: https://github.com/RudrenduPaul/LLMScout
npm: https://www.npmjs.com/package/llmscout-cli
PyPI: https://pypi.org/project/llmscout-cli/

Rudrendu Paul과 Sourav Nandy가 공동 집필하였습니다. Rudrendu는 AI/ML 빌더이자 출판된 연구자(ICML, Springer Nature, Elsevier, IEEE)로, Fortune 50대 기업에서 15년 이상의 경력을 쌓았으며 AI 개발 생태계를 위한 오픈 소스 (open-source) 도구들을 구축해 왔습니다. 코드는 github.com/RudrenduPaul에서 확인할 수 있습니다.