Curso de SEO Autónomo con Vertex AI Agent Engine, Google ADK y Google Antigravity

Search Console como fuente primaria de datos propios sobre rendimiento orgánico en Google.

Search Analytics API para recuperar clicks, impresiones, CTR y posición agrupando por query, página, país, dispositivo, fecha y otras dimensiones disponibles.

Limitaciones de Search Analytics API y necesidad de interpretar correctamente datos agregados e información no devuelta por los límites internos del servicio.

URL Inspection API para consultar información disponible sobre indexación de URLs administradas por la organización.

Sitemaps API para inspeccionar y administrar mapas del sitio desde workflows automatizados.

Google Analytics Data API para obtener métricas de comportamiento y conversión posteriores a la adquisición orgánica.

PageSpeed Insights API para integrar auditorías de rendimiento y recomendaciones Lighthouse dentro de pipelines SEO.

CrUX API e History API como fuentes recomendadas para datos de experiencia real cuando se necesita analizar Core Web Vitals históricos.

Crawling del propio sitio para inventariar URLs, enlaces, headings, metadata, canonicals, hreflang, structured data y respuestas HTTP.

BigQuery como capa analítica para históricos, joins entre fuentes, segmentación, detección de tendencias y almacenamiento de resultados generados por agentes.

Normalización de URLs, queries, fechas, dispositivos, países y entidades antes de combinar datasets.

Separación entre hechos obtenidos mediante APIs y conclusiones inferidas por modelos generativos.

Diseño de una capa semántica para que los agentes comprendan métricas, dimensiones, objetivos y restricciones sin reinterpretarlos en cada ejecución.

Data freshness, ventanas temporales, estacionalidad y comparación con periodos equivalentes.

Arquitectura de adquisición periódica preparada para que nuevos agentes reutilicen los mismos datos sin duplicar integraciones.

Papel de Vertex AI Agent Engine como runtime gestionado para desplegar, administrar y escalar agentes en Google Cloud.

Evolución actual de Vertex AI hacia Gemini Enterprise Agent Platform y cambio de nombre de Agent Engine a Agent Runtime desde septiembre de 2026.

Continuidad conceptual entre el antiguo Vertex AI Agent Engine y el actual Agent Runtime utilizado en arquitecturas productivas.

Runtime administrado para evitar operar manualmente la infraestructura subyacente del agente.

Despliegue mediante SDK, código fuente y contenedores personalizados en las capacidades actuales de Agent Runtime.

Sessions para conservar el estado conversacional y operativo de una interacción.

Agent Platform Memory Bank para memoria de largo plazo y reutilización controlada de información entre interacciones.

Code Execution para operaciones analíticas y procesamiento de datos dentro de entornos gestionados y aislados.

Gen AI Evaluation para medir la capacidad del agente de completar tareas y objetivos definidos.

Cloud Trace, Cloud Monitoring y Cloud Logging para observabilidad de agentes desplegados.

Agent Identity para proporcionar una identidad propia al agente y controlar los recursos a los que puede acceder.

Agent Gateway y mecanismos de gobierno para centralizar el acceso seguro a herramientas y servicios.

VPC Service Controls, IAM, cifrado y residencia de datos según las capacidades y servicios utilizados.

Frameworks integrados y soporte para ADK, LangChain, LangGraph y otros modelos de implementación.

Diseño de Agent Runtime como plano de ejecución de una arquitectura SEO autónoma compuesta por varios agentes especializados.

Agent Development Kit como framework modular y model-agnostic para construir agentes complejos mediante código.

Estructura de un agente ADK: modelo, instrucciones, tools, estado, callbacks y mecanismos de orquestación.

Diseño de agentes especializados frente a un único agente generalista con un system prompt excesivamente amplio.

Agente coordinador encargado de interpretar objetivos y distribuir trabajo entre especialistas.

Agentes secuenciales para pipelines de auditoría, análisis, generación, validación y reporting.

Ejecución paralela de análisis independientes cuando no existen dependencias entre resultados.

Herramientas Python para consultar Search Console, GA4, BigQuery, APIs propias, CMS y sistemas de monitorización.

MCP como mecanismo estandarizado para conectar herramientas, documentación y servicios reutilizables.

A2A para colaboración e interoperabilidad entre agentes que pueden estar construidos sobre diferentes frameworks.

Sessions y state para conservar información relevante durante una ejecución de múltiples pasos.

Memoria de largo plazo para preferencias de proyecto, reglas editoriales, mercados, entidades y criterios de priorización.

Callbacks para introducir validación, logging, guardrails y control antes o después de modelos y tools.

Structured outputs para intercambiar objetos predecibles entre agentes en lugar de depender de texto libre.

Evaluación individual de cada agente frente a evaluación del workflow completo.

Arquitectura ADK de referencia: Orchestrator, Technical SEO, Search Intelligence, Content, GEO/AEO, Schema, Internal Linking, QA y Reporting Agents.

Google Antigravity como plataforma de desarrollo agent-first capaz de trabajar sobre editor, terminal y navegador.

Antigravity 2.0 como workspace actual para dirigir, personalizar y orquestar coding agents.

Editor View para desarrollo síncrono asistido y Manager Surface para coordinar trabajo autónomo y paralelo.

Creación de subagentes especializados desde una tarea de desarrollo compleja.

Delegación de cambios que requieren modificar código, ejecutar comandos y verificar resultados mediante navegador.

Artifacts como planes, capturas, resultados y evidencias verificables frente a la revisión exclusiva de logs.

Antigravity CLI como superficie terminal con el mismo harness y contexto compartido con la aplicación de escritorio.

Agents CLI para incorporar a Antigravity conocimientos específicos sobre ADK, scaffolding, evaluación, despliegue y observabilidad.

ADK Docs MCP Server para consultar documentación actualizada durante el desarrollo desde Antigravity.

Skills reutilizables para encapsular reglas de arquitectura, testing, SEO técnico o convenciones del proyecto.

Utilización de Antigravity para refactorizar tools, generar tests, analizar errores y actualizar agentes.

Validación automática mediante navegador de páginas afectadas por cambios técnicos o editoriales.

Sandbox de terminal, credential masking y políticas Git reforzadas incorporadas a las capacidades anunciadas de Antigravity 2.0.

Integración con proyectos de Gemini Enterprise Agent Platform mediante Cloud OAuth para trabajar dentro del perímetro cloud corporativo.

Separación entre Antigravity como acelerador de ingeniería y Agent Runtime como infraestructura donde operan los agentes de producción.

Inventario continuo de URLs rastreables, indexables, bloqueadas, redirigidas, duplicadas o huérfanas.

Análisis de códigos HTTP, cadenas de redirecciones, enlaces rotos y respuestas inconsistentes.

Verificación de `robots.txt`, meta robots y headers `X-Robots-Tag`.

Sitemaps XML, cobertura de URLs relevantes y coherencia con las URLs canónicas preferidas.

Canonicalización mediante `rel="canonical"`, redirecciones y sitemaps, entendiendo que Google puede seleccionar una canónica diferente.

Detección de conflictos entre canonical, indexabilidad, enlaces internos, hreflang y sitemap.

Arquitecturas internacionales y validación de relaciones `hreflang`.

Análisis de profundidad de clic, páginas huérfanas y distribución interna de enlaces.

Auditoría de renderizado y contenido textual accesible a los sistemas de búsqueda.

Integración con URL Inspection API para enriquecer el diagnóstico con información de indexación disponible.

Core Web Vitals, Lighthouse, PageSpeed y CrUX como señales complementarias del estado técnico.

Priorización por impacto potencial, volumen afectado, criticidad del template y facilidad de resolución.

Propuestas de cambios técnicas generadas como pull requests o tickets en lugar de modificaciones directas sin revisión.

Revalidación posterior para comprobar que un cambio solucionó el problema sin provocar regresiones.

Technical SEO Agent como servicio recurrente capaz de detectar cambios anómalos antes de que se conviertan en pérdidas sostenidas de visibilidad.

Extracción periódica de queries, páginas y métricas desde Search Console mediante dimensiones y filtros relevantes.

Segmentación por marca/no marca, intención, país, dispositivo, directorio, template y tipo de contenido.

Identificación de queries con muchas impresiones y rendimiento inferior al esperado.

Detección de páginas que pierden visibilidad, clicks, CTR o cobertura respecto a periodos comparables.

Clustering semántico de consultas para comprender necesidades de usuario sin crear una URL para cada keyword.

Diferenciación entre intención informacional, comparativa, transaccional, navegacional y de resolución de problemas.

Descubrimiento de temas cubiertos parcialmente por páginas existentes antes de recomendar contenido nuevo.

Canibalización potencial y solapamiento temático entre varias URLs.

Análisis de long-tail y preguntas que revelan nuevas necesidades, objeciones o etapas del customer journey.

Query fan-out como modelo conceptual para comprender que una consulta generativa puede desencadenar múltiples búsquedas relacionadas.

Uso responsable de Grounding with Google Search cuando una arquitectura de investigación necesita información web reciente.

Separación entre datos propios verificables y análisis competitivo o hipótesis generadas por modelos.

Opportunity scoring combinando demanda observable, posición, CTR, conversión, autoridad temática, esfuerzo y riesgo.

Generación de un backlog priorizado con evidencia de por qué cada oportunidad merece atención.

Aprendizaje posterior mediante comparación entre recomendación, cambio aplicado y resultados obtenidos.

Diseño de content architecture a partir de necesidades reales del usuario y no únicamente de listas de keywords.

Identificación de entidades, conceptos, relaciones, atributos y preguntas fundamentales de un dominio.

Topic maps para comprender qué contenidos deben ser pilares, soportes, comparativas, definiciones o recursos especializados.

Diferenciación entre content gap real y simple ausencia de una variante de consulta.

Análisis de cobertura semántica de una página frente a la intención para la que pretende ser útil.

Detección de contenido thin, redundante, desactualizado, contradictorio o con escaso valor diferencial.

Consolidación de páginas cuando varias URLs compiten por resolver esencialmente la misma necesidad.

Content briefs generados a partir de fuentes, datos internos, experiencia propia y necesidades detectadas.

Incorporación de conocimiento experto, datos originales, metodología, ejemplos y perspectivas que no estén disponibles en contenido genérico.

E-E-A-T como marco útil para pensar en experiencia, expertise, autoridad y confianza sin convertirlo en una puntuación mecánica.

Authors, fuentes, fechas, metodología y señales de responsabilidad editorial cuando resulten relevantes.

Uso de IA generativa para investigar, estructurar y asistir, manteniendo precisión, calidad y relevancia como criterios esenciales.

Prevención del scaled content abuse: producir grandes cantidades de páginas no originales orientadas a manipular Search puede infringir las políticas de spam.

Content Agent como generador de propuestas y borradores condicionado a fuentes, evidencia, guidelines y revisión editorial.

Arquitectura de contenidos preparada simultáneamente para lectura humana, recuperación por buscadores y comprensión por sistemas generativos.

Qué significa ser recuperable y seleccionable como fuente dentro de una experiencia generativa.

Relación entre indexación, sistemas de ranking tradicionales, RAG y generación de respuestas en Google Search.

Requisito fundamental: una página debe estar indexada y ser apta para mostrarse con snippet para poder aparecer como enlace de apoyo en AI Overviews o AI Mode.

Ausencia de un requisito técnico especial, schema exclusivo o archivo específico necesario para participar en estas experiencias.

Por qué Google desaconseja interpretar `llms.txt` u otros archivos especiales como requisito para sus experiencias generativas.

Estructuración de respuestas claras, definiciones precisas, evidencias, tablas y relaciones semánticas sin escribir únicamente para máquinas.

Contenido fácilmente interpretable en fragmentos sin perder coherencia cuando se recupera una sección concreta.

Correspondencia entre pregunta, respuesta, evidencia y fuente primaria.

Información única y original como ventaja frente a reescrituras de conocimiento ya ampliamente disponible.

Actualización de hechos, fechas, disponibilidad, precios, especificaciones y otras variables sensibles al tiempo.

Optimización multimodal mediante imágenes y vídeos relevantes cuando enriquecen realmente la respuesta.

Controles `nosnippet`, `data-nosnippet`, `max-snippet` y `noindex` para limitar cómo puede utilizarse contenido de una página en las experiencias de Search.

Diferenciación entre prácticas oficiales de Google y recomendaciones GEO/AEO experimentales de terceros.

Diseño de un GEO/AEO Agent que evalúe recuperabilidad, claridad, evidencia, actualidad y cobertura sin inventar “factores de ranking” no documentados.

Medición de GEO/AEO como disciplina probabilística basada en tendencias y evidencias, no como garantía de citación por un motor generativo.

Función de Schema.org y structured data para describir explícitamente entidades y propiedades presentes en una página.

JSON-LD como formato habitual para implementar datos estructurados.

Selección exclusiva de tipos compatibles con el contenido y con las características reales de la página.

Correspondencia obligatoria entre structured data y contenido visible para evitar markup engañoso.

Organization, Product, Article, Breadcrumb, Event, LocalBusiness y otros tipos según naturaleza del proyecto.

Identificadores estables, URLs, `sameAs` y relaciones entre entidades cuando estén justificadas.

Datos estructurados para productos, precios, disponibilidad, autores, fechas, organizaciones y contenidos editoriales.

Generación automatizada desde fuentes de datos estructuradas en lugar de duplicar manualmente información.

Validación sintáctica, semántica y de reglas específicas antes de publicar.

Detección de divergencias entre información visible, CMS, feeds y schema.

Rich Results Test y Search Console como mecanismos de comprobación posteriores al despliegue.

Google no garantiza rich results aunque el markup sea válido y cumpla las directrices.

Ausencia de un schema especial para AI Overviews o AI Mode según la documentación oficial actual.

Schema Agent para proponer, comparar y validar cambios sin introducir propiedades no demostrables.

Knowledge Graph interno como capa adicional para compartir un modelo de entidades entre Content, Schema, Linking y GEO Agents.

Representación del sitio como grafo de URLs, secciones, entidades y enlaces.

Identificación de páginas huérfanas y destinos relevantes con escaso apoyo interno.

Profundidad de clic y distancia desde hubs, categorías o páginas de referencia.

Distribución de enlaces internos hacia contenidos estratégicos.

Contextual links frente a enlaces de navegación, footer y componentes repetidos.

Anchors descriptivos y naturales que permitan comprender la relación entre origen y destino.

Detección de anchors ambiguos, sobreoptimizados o repetidos de forma artificial.

Recomendación semántica de enlaces basada en relación temática y utilidad real para el usuario.

Prevención de enlaces generados únicamente para manipular relevancia sin aportar navegación útil.

Detección de enlaces hacia redirects, errores, URLs no canónicas o páginas eliminadas.

Arquitectura hub-and-spoke, topic clusters y estructuras jerárquicas según la naturaleza del sitio.

Combinación de crawl data, embeddings y Search Console para descubrir conexiones relevantes.

Revisión de cambios de enlazado a gran escala mediante límites y quality gates.

Medición posterior del impacto sobre descubrimiento, distribución de tráfico y comportamiento.

Internal Linking Agent como componente autónomo que propone cambios incrementales, reversibles y explicables.

Pipeline research → brief → draft → fact-check → SEO review → GEO/AEO review → legal/brand review → approval → publication.

Separación entre agente investigador, agente redactor y agente evaluador para reducir autocorrección complaciente.

Grounding sobre fuentes proporcionadas, APIs internas y documentación autorizada.

Verificación de afirmaciones factuales antes de transformar un borrador en contenido publicable.

Detección de contenido no original, superficial o excesivamente similar a páginas existentes.

Content refresh basado en caída de rendimiento, cambios del producto, obsolescencia factual o nuevas necesidades de usuario.

Actualización selectiva frente a reescritura completa de páginas que ya funcionan correctamente.

Generación de titles, descriptions, headings y alt text como propuestas sujetas a coherencia y relevancia.

Integración con CMS mediante APIs y separación entre permisos de lectura, borrador y publicación.

Pull Requests o estados editoriales para cambios sobre sitios gestionados mediante repositorio.

Quality Gates basados en factualidad, originalidad, políticas Search, estilo corporativo, enlaces, schema y accesibilidad.

Regla de aprobación humana obligatoria para nuevas páginas, cambios masivos, YMYL y contenidos de alta repercusión.

Auditoría de quién propuso, revisó, aprobó y publicó cada modificación.

Rollback de contenido y configuración cuando el resultado posterior sea negativo.

Automatización orientada a mejorar calidad y mantenimiento, no a maximizar indiscriminadamente el número de URLs publicadas.

Diseño de un sistema de medición antes de permitir que los agentes optimicen sobre objetivos ambiguos.

Search Console como fuente oficial de impresiones, clicks, CTR, posición y otras dimensiones disponibles.

Informe específico de rendimiento de IA generativa en Search Console, desplegado globalmente para todos los sitios desde el 31 de agosto de 2026.

Diferenciación entre rendimiento en Search tradicional y visibilidad en experiencias generativas cuando los informes lo permiten.

GA4 para medir sesiones, engagement, conversiones y valor posterior al click.

Análisis de landing pages orgánicas y contribución a objetivos empresariales.

BigQuery para almacenar snapshots, construir históricos y relacionar cambios con evolución posterior.

Change log centralizado de modificaciones técnicas, editoriales, schema, enlaces y modelos/agentes utilizados.

Análisis pre/post evitando atribuir automáticamente cualquier variación al cambio realizado.

Control de estacionalidad, campañas, migraciones, updates, demanda y otras variables de confusión.

Experimentos SEO cuando la arquitectura del sitio permite establecer grupos comparables.

Monitorización de menciones o citas en otros answer engines utilizando únicamente métodos permitidos por cada plataforma.

Separación entre datos oficiales, datos de terceros, muestras propias y estimaciones.

Autonomous Reporting Agent para sintetizar qué cambió, qué evidencia existe y qué requiere intervención.

Learning loop que reajusta prioridades con resultados reales sin permitir que el modelo redefina unilateralmente los objetivos empresariales.

Agent Identity e IAM para otorgar a cada agente únicamente los permisos necesarios para sus funciones.

Separación entre agentes read-only, agentes que crean propuestas y agentes autorizados para ejecutar cambios.

Agent Gateway y políticas de acceso como capa de gobierno sobre herramientas y conexiones.

Protección de credenciales de Search Console, Analytics, CMS, repositorios y sistemas internos mediante Secret Manager.

Prompt injection procedente de páginas rastreadas, contenido externo, metadata o documentos procesados por agentes.

Separación estricta entre instrucciones confiables y contenido web no confiable.

Allowlist de herramientas y validación de parámetros antes de ejecutar cambios.

Evaluaciones offline con datasets representativos antes de desplegar nuevas versiones de agentes.

Gen AI Evaluation para medir capacidad del agente sobre tareas y objetivos definidos.

Evaluación de precisión técnica, calidad de recomendaciones, factualidad, policy compliance y tasa de falsas alertas.

Cloud Logging, Cloud Monitoring, Cloud Trace y OpenTelemetry para reconstruir decisiones y llamadas a herramientas.

Métricas de coste, tokens, latencia, tool failures y duración de workflows.

Versionado de prompts, tools, skills, modelos y agentes para poder atribuir regresiones a cambios concretos.

CI/CD mediante Agents CLI, Git y pipelines de despliegue hacia Agent Runtime.

Kill switches, límites de autonomía, rollback y revisión humana como requisitos de una arquitectura autónoma operada en producción.

Arquitectura funcional de una plataforma multiagente para SEO, GEO y AEO aplicada a un dominio corporativo.

Modelo de datos unificado para Search Console, GA4, crawl, PageSpeed, CrUX, CMS y fuentes auxiliares.

Agente coordinador construido con ADK y responsabilidades de planificación, delegación y consolidación.

Technical SEO Agent para indexabilidad, canonicals, sitemaps, hreflang, rendimiento y errores de arquitectura.

Search Intelligence Agent para queries, páginas, tendencias, gaps, intención y priorización de oportunidades.

Content Architecture Agent para entidades, cobertura temática, consolidación y planificación editorial.

GEO/AEO Agent para evaluar recuperabilidad, claridad, evidencia y preparación para experiencias generativas.

Structured Data Agent para generación, validación y comprobación de datos estructurados.

Internal Linking Agent para analizar el grafo del sitio y recomendar conexiones útiles.

Content Agent limitado a briefs, borradores y actualizaciones sometidas a quality gates.

QA Agent independiente para factualidad, políticas Search, riesgos, consistencia y seguridad.

Reporting Agent para transformar resultados técnicos y editoriales en decisiones priorizadas.

Sessions y Memory Bank para conservar estado operativo, reglas de proyecto y conocimiento reutilizable.

Agent Runtime como entorno de producción y Antigravity como entorno de construcción, prueba y evolución de los agentes.

Gobierno completo mediante IAM, observabilidad, evaluaciones, aprobación humana, CI/CD, rollback y mejora basada en resultados.