v5-guardian

name: v5-guardian description: "Gardien unifié pipeline v5 : pollution + quality gate + anti-régression. Use when user mentions guardian, vérifier qualité v5, check pipeline, anti-régression, health check gamme. Remplace pollution-scanner + content-quality-gate combinés." argument-hint: "<pg_alias|pg_id|--batch|--health>" allowed-tools: Read, mcp__claude_ai_Supabase__execute_sql, Glob

V5 Guardian — Gardien unifié du contenu pipeline v5

Démarcation

• Ce skill VÉRIFIE la qualité et protège le contenu v5 (pollution, régression, scoring)
• Pour la GÉNÉRATION de contenu → utiliser content-gen
• Pour le NETTOYAGE des sections polluées → utiliser surgical-cleaner (chaîne : v5-guardian détecte → surgical-cleaner nettoie → content-gen regénère si besoin)
• Pour l'AUDIT ÉDITORIAL approfondi (R2D2, E-E-A-T) → utiliser content-audit
• Pour l'AUDIT SEO GLOBAL (métriques R1-R8, maillage) → utiliser seo-gamme-audit
• Pour la MIGRATION v4→v5 → utiliser md-v5-migrator
• Fusionne : pollution-scanner (détection) + content-quality-gate (scoring) + guard pipeline-v5 (protection)

Usage

• /v5-guardian filtre-a-huile — check complet d'une gamme (pollution + scoring + gaps)
• /v5-guardian 82 — par pg_id
• /v5-guardian --batch — scan les 241 gammes, rapport synthétique
• /v5-guardian --health — health check global (stats agrégées, alertes)
• /v5-guardian filtre-a-huile --pre-write — check avant écriture (appelé par content-gen)

Base de données

• Projet Supabase : cxpojprgwgubzjyqzmoq
• Table principale : __seo_gamme_conseil
• Colonnes clés : sgc_pg_id (TEXT !), sgc_section_type, sgc_content, sgc_enriched_by
• Outil MCP : mcp__claude_ai_Supabase__execute_sql

Module 1 : Détection de pollution (ex pollution-scanner)

Les 15+ patterns de pollution

SELECT sgc_pg_id, sgc_section_type, LENGTH(sgc_content) as len,
  CASE
    WHEN sgc_content ~* 'Source:\s*web(-catalog)?/|Réf\.\s*:' THEN 'RAG_SCRAPING'
    WHEN sgc_content ~* 'Skip to (main content|menu|footer)|Gestion des cookies|Navigation principale|Inscription newsletter|Aller au contenu|Téléchargement →|Partager sur' THEN 'NAV_SCRAPING'
    WHEN sgc_content ~* 'COMBO IDÉAL|MÊME QUALITÉ|PRIX IMBATTABLE|Reconditionnement des|Formula XT|Essential Line|Technologies de plaquettes' THEN 'OEM_MARKETING'
    WHEN sgc_content ~* 'Réf\.\s*(OE|OEM)|N°\s*d''article|Brembo.*premium|Verniciatura|Beschichtung' THEN 'OEM_PRODUCT'
    WHEN sgc_content ~* '##\s+Comment\s|##\s+Pourquoi\s|##\s+Quand\s|##\s+Quel' THEN 'BLOG_H2_INJECTED'
    WHEN sgc_content ~* '- Vivacar|vroomly|oscaro\.com|mister-auto|autodoc' THEN 'COMPETITOR_SCRAPING'
    WHEN sgc_content ~* 'Textar|ATE|TRW.*force' THEN 'BRAND_SCRAPING'
    WHEN sgc_content ~* '<script|onclick|javascript:' THEN 'XSS_INJECTION'
    WHEN sgc_content ~* 'lorem ipsum|dolor sit amet' THEN 'PLACEHOLDER'
    WHEN sgc_content ~* 'TODO|FIXME|XXX' THEN 'DEV_ARTIFACT'
    WHEN LENGTH(sgc_content) < 50 THEN 'TOO_SHORT'
    WHEN LENGTH(sgc_content) > 5000 THEN 'SUSPECT_LONG'
    ELSE 'CLEAN'
  END as pollution_type
FROM "__seo_gamme_conseil"
WHERE sgc_pg_id = '{pg_id}'
ORDER BY sgc_section_type;

Verdict pollution

Priorité de nettoyage (rapport)

Priorité = HAUTE si S4_DEPOSE 100 % scrapé ou taille > 3000 chars, MOYENNE sinon. Pollution détectée → chaîne de nettoyage : surgical-cleaner (nettoyage) → content-gen (regénération si besoin).

Scan grande échelle (--batch, toutes gammes)

Exclure les sections déjà nettoyées (pipeline-v5-surgical-clean, pipeline-v5-replace) pour ne pas re-flagger le travail validé :

SELECT pollution_type, COUNT(*) as section_count, COUNT(DISTINCT sgc_pg_id) as gamme_count
FROM (
  SELECT sgc_pg_id,
    CASE
      WHEN sgc_content ~* 'Source:\s*web(-catalog)?/' THEN 'RAG_SCRAPING'
      WHEN sgc_content ~* 'Skip to (main content|menu|footer)|Inscription newsletter|Aller au contenu|Gestion des cookies|Téléchargement →|Partager sur' THEN 'NAV_SCRAPING'
      WHEN sgc_content ~* 'COMBO IDÉAL|MÊME QUALITÉ|Reconditionnement des|Formula XT|Essential Line|Technologies de plaquettes' THEN 'OEM_MARKETING'
      WHEN sgc_content ~* 'Textar équipées|Brembo.*premium|Verniciatura|Beschichtung' THEN 'OEM_PRODUCT'
      WHEN sgc_content ~* '##\s+Comment\s|##\s+Pourquoi\s|##\s+Quand\s|##\s+Quel' THEN 'BLOG_H2_INJECTED'
      WHEN sgc_content ~* '- Vivacar|vroomly|oscaro\.com|mister-auto' THEN 'COMPETITOR_SCRAPING'
      ELSE 'CLEAN'
    END as pollution_type
  FROM "__seo_gamme_conseil"
  WHERE sgc_enriched_by IS DISTINCT FROM 'pipeline-v5-surgical-clean'
    AND sgc_enriched_by IS DISTINCT FROM 'pipeline-v5-replace'
) sub
GROUP BY pollution_type
ORDER BY section_count DESC;

Pour le détail des sections polluées (pg_id, section, preview), reprendre la même clause WHERE sgc_enriched_by IS DISTINCT FROM … + le filtre OR des patterns ci-dessus.

Faux positifs connus

• pg_id=1164 (Accessoires plaquettes) S3 : le regex capte « Brembo » dans un contexte technique légitime de compatibilité étrier. Ce n'est PAS de la pollution.
• Le contenu technique qui mentionne des marques dans un contexte de comparaison ou de compatibilité est légitime (vaut aussi pour Textar|ATE|TRW du pattern BRAND_SCRAPING).

Module 2 : Scoring qualité (ex content-quality-gate)

Critères de scoring (0-100)

Critères spécifiques par type de section (bonus/malus)

Requête SQL de scoring rapide

SELECT sgc_pg_id, sgc_section_type,
  LENGTH(sgc_content) as len,
  sgc_enriched_by,
  -- Indicateurs pollution
  CASE WHEN sgc_content ~* 'Source:\s*web(-catalog)?/' THEN 1 ELSE 0 END as has_rag_scraping,
  CASE WHEN sgc_content ~* 'Skip to main content|Gestion des cookies' THEN 1 ELSE 0 END as has_nav_scraping,
  CASE WHEN sgc_content ~* 'COMBO IDÉAL|MÊME QUALITÉ' THEN 1 ELSE 0 END as has_oem_marketing,
  CASE WHEN sgc_content ~* '##\s+Comment\s|##\s+Pourquoi\s' THEN 1 ELSE 0 END as has_blog_h2,
  -- Indicateurs qualité
  CASE WHEN LENGTH(sgc_content) BETWEEN 150 AND 1500 THEN 'OK'
       WHEN LENGTH(sgc_content) < 50 THEN 'VIDE'
       WHEN LENGTH(sgc_content) > 3000 THEN 'SUSPECT'
       ELSE 'COURT' END as length_verdict
FROM "__seo_gamme_conseil"
WHERE sgc_pg_id = '{pg_id}'
ORDER BY sgc_section_type;

Verdicts

Principe fondamental : 3 niveaux de vérification, jamais de write automatique (scorer → comparer → décider). Tout verdict BLOCK ou REVIEW stoppe le pipeline jusqu'à validation humaine.

Matrice de décision vs existant (anti-régression L2)

Avant toute modification, comparer le contenu proposé avec l'existant. BLOCK si le nouveau contenu est inférieur à l'existant (score inférieur, plus court ET moins spécifique, pollué, ou existant déjà nettoyé pipeline-v5-*).

Check claims numériques non sourcés (plafonne le verdict)

Origine : taxonomie de claim-extractor.util.ts (chaîne buying-guide legacy, portée ici avant suppression — programme purge RAG-source 2026-06-11, ADR-031/046).

Avant tout verdict WRITE, scanner le contenu proposé avec les 4 familles de claims :

Normalisation avant comparaison (équivalent normalizeClaimValue legacy) : supprimer tous les espaces, virgule → point, lowercase, trim.

Règle : tout claim détecté dont la valeur normalisée n'a aucune trace dans une source autoritaire (facts/sources WIKI exports/seo de la gamme, ou donnée DB autoritaire citée) ⇒ verdict plafonné à REVIEW (jamais WRITE direct), avec la liste des claims non sourcés dans le rapport. Ne jamais inventer ni « corriger » une valeur — signaler uniquement.

Check vocabulaire cross-rôle R1 (plafonne le verdict)

Origine : salvage du script archivé generate-content-r1.py (PR #954). La liste vit dans un seul fichier — pointer, pas duplication.

Pour du contenu destiné à une page R1 (routage gamme) : scanner contre les listes FORBIDDEN VOCABULARY (anglicismes interdits + vocabulaire cross-rôle R3/R4/R5/R6 + jargon accepté à ne pas flagger) définies dans .claude/prompts/R1_ROUTER/editorial.md §FORBIDDEN VOCABULARY (racine monorepo ; depuis ce workspace : ../../.claude/prompts/R1_ROUTER/editorial.md). Ne PAS recopier la liste ici — la lire à chaque run (SoT unique).

Règle : tout terme interdit détecté ⇒ verdict plafonné à REVIEW, avec les termes trouvés et leur rôle d'origine (R3 how-to, R5 diagnostic, R4 référence, R6 guide d'achat) dans le rapport. Les termes de la section « Jargon technique accepté » ne sont jamais flaggés.

Module 3 : Guard anti-régression (ex guard pipeline-v5)

Règle NON-NÉGOCIABLE

Si une section a sgc_enriched_by LIKE 'pipeline-v5-%', NE JAMAIS écraser.

Ces sections ont été auditées et validées humainement. Le pipeline doit SKIP et afficher : ⚠️ Section {type} protégée (pipeline-v5), SKIP.

Tags protégés

Matrice anti-régression (avant écriture)

# Pseudo-code du guard — à appliquer AVANT tout UPDATE
existing = query("SELECT sgc_content, sgc_enriched_by, LENGTH(sgc_content) FROM ...")
new_content = generated_content

# Rule 1: Protection pipeline-v5
if existing.enriched_by LIKE 'pipeline-v5-%':
    BLOCK("Section protégée pipeline-v5")

# Rule 2: Anti-régression longueur
if len(existing.content) > 0 and len(new_content) < len(existing.content):
    BLOCK(f"Régression longueur: {len(existing.content)}c → {len(new_content)}c")

# Rule 3: Anti-pollution
if has_pollution(new_content):
    BLOCK(f"Pollution détectée dans le contenu proposé: {pollution_type}")

# Rule 4: Score minimum
if score(new_content) < 40:
    BLOCK(f"Score insuffisant: {score}/100")

Requête pre-write

SELECT sgc_section_type, sgc_enriched_by, LENGTH(sgc_content) as len,
  LEFT(sgc_content, 200) as preview,
  CASE WHEN sgc_enriched_by LIKE 'pipeline-v5-%' THEN 'PROTECTED' ELSE 'WRITABLE' END as status
FROM "__seo_gamme_conseil"
WHERE sgc_pg_id = '{pg_id}'
ORDER BY sgc_section_type;

Module 4 : Gap detection

Sections attendues

Gamme complète = S1, S2, S2_DIAG, S3, S4_DEPOSE, S4_REPOSE, S5, S6, S_GARAGE, S7, S8, META

SELECT pg.pg_id, pg.pg_nom,
  ARRAY_AGG(sgc.sgc_section_type ORDER BY sgc.sgc_section_type) as sections_presentes,
  12 - COUNT(sgc.sgc_section_type) as gaps_count
FROM "__piece_gamme" pg
LEFT JOIN "__seo_gamme_conseil" sgc ON sgc.sgc_pg_id = pg.pg_id::text
  AND LENGTH(COALESCE(sgc.sgc_content, '')) > 50
GROUP BY pg.pg_id, pg.pg_nom
HAVING COUNT(sgc.sgc_section_type) < 12
ORDER BY gaps_count DESC;

Priorisation des gaps

Mode --health (health check global)

Requête agrégée pour dashboard rapide :

SELECT
  COUNT(DISTINCT sgc_pg_id) as gammes_with_content,
  COUNT(*) as total_sections,
  COUNT(*) FILTER (WHERE LENGTH(sgc_content) > 150) as sections_ok,
  COUNT(*) FILTER (WHERE LENGTH(sgc_content) < 50) as sections_vides,
  COUNT(*) FILTER (WHERE sgc_enriched_by LIKE 'pipeline-v5-%') as sections_protected,
  COUNT(*) FILTER (WHERE sgc_enriched_by LIKE 'content-gen-%') as sections_generated,
  COUNT(*) FILTER (WHERE sgc_content ~* 'Source:\s*web/|Skip to main content|COMBO IDÉAL|oscaro\.com') as sections_polluees
FROM "__seo_gamme_conseil";

Workflow complet

1. Identifier : résoudre pg_alias → pg_id (même logique que content-gen étape 0)
2. Scanner : Module 1 (pollution) sur toutes les sections
3. Scorer : Module 2 (qualité) sur toutes les sections
4. Protéger : Module 3 (guard) — lister les sections protégées
5. Gaps : Module 4 — lister les sections manquantes
6. Rapport : tableau synthétique + coverage manifest

Rapport de sortie

Plus le coverage manifest obligatoire :

scope_requested / scope_actually_scanned / files_read_count
excluded_paths / unscanned_zones
corrections_proposed (JAMAIS appliquées auto)
remaining_unknowns / final_status

Attention SQL

• sgc_pg_id est TEXT → utiliser des quotes : WHERE sgc_pg_id = '82'
• pg_id dans __piece_gamme est INT → cast si jointure : pg.pg_id::text = sgc.sgc_pg_id
• Pas de colonne sgc_updated_at (elle n'existe pas)
• Échapper les apostrophes : l'étrier → l''étrier