Schema.org cho AI Search: loại nào chọn và cách triển khai

Schema.org giúp gì cho GEO và mong đợi điều gì từ nó?

Schema.org mô tả nội dung trang dưới dạng máy đọc được: ví dụ, cho biết hệ thống đang xem một bài viết, tác giả hay tổ chức. Đối với GEO, đây là cách giảm sự mơ hồ về thực thể và mối quan hệ, chứ không phải một cách riêng biệt để mua sự hiện diện trong câu trả lời AI.

Trước tiên, hãy xác định nhiệm vụ mà một trang cụ thể giải quyết. Bài viết trả lời câu hỏi và có tác giả; trang dự án mô tả tổ chức hoặc sản phẩm; FAQ chứa các câu hỏi và câu trả lời hiển thị. Chỉ sau đó mới chọn đánh dấu. Nếu mô tả tài liệu như một sản phẩm hoặc dịch vụ mà không có nội dung tương ứng, bạn sẽ tạo ra mâu thuẫn chứ không phải ngữ cảnh hữu ích.

Quy trình thực tế cho mỗi trang quan trọng:

• xác định đối tượng chính và các thuộc tính của nó được xác nhận trên trang;
• kiểm tra xem tên, mô tả và quyền tác giả có khớp trong văn bản và dữ liệu có cấu trúc không;
• liên kết trang với hồ sơ tổ chức hoặc tác giả nếu các hồ sơ đó thực sự tồn tại;
• xóa các trường không thể xác nhận bằng nội dung trang web.

Schema.org hữu ích như một phần của sự rõ ràng kỹ thuật cùng với văn bản chất lượng và điều hướng có thể truy cập. Để có cái nhìn tổng quan, hãy đối chiếu nó với AEO kỹ thuật: schema, llms.txt và trình thu thập dữ liệu và hướng dẫn về khả năng hiển thị trong AI Search.

Những loại Schema.org nào quan trọng cho trang web dự án?

Chọn loại Schema.org dựa trên mục đích của trang, chứ không phải theo độ phổ biến của đánh dấu. Đối với hầu hết các trang web nội dung, chỉ cần mô tả tổ chức, trang web và tài liệu là đủ; các thực thể bổ sung chỉ cần thiết khi chúng khớp chính xác với thông tin đã xuất bản.

Đây không phải là bộ bắt buộc phổ quát: ví dụ, Article không phù hợp cho trang mô tả sản phẩm chỉ vì nó có nhiều văn bản. Đừng thêm thuộc tính chỉ để lấp đầy các trường — mỗi giá trị phải có nguồn trên trang web. Đối với tác giả, hãy chỉ ra tên thật hoặc tổ chức, và chỉ sử dụng liên kết đến hồ sơ nếu có trang tương ứng.

Đối chiếu từng thực thể với từ điển chính thức Schema.org. Nếu trang web có nhiều loại trang, hãy lập ma trận: mẫu trang, loại phù hợp, trường từ nội dung, người chịu trách nhiệm cập nhật. Điều này giúp phát hiện sự khác biệt trước khi xuất bản và không nhân rộng đánh dấu sai qua các mẫu.

Ví dụ Schema.org cho Perplexity: đánh dấu bài viết

Ví dụ Schema.org cho Perplexity phải phản ánh chính xác bài viết đã xuất bản, tác giả và đơn vị xuất bản của nó. JSON-LD dưới đây cho thấy cấu trúc cơ bản của Article; hãy thay thế địa chỉ và giá trị bằng dữ liệu thực tế của trang web bạn, và không thêm các thuộc tính không có xác nhận.

JSON-LD: { "@context": "https://schema.org", "@type": "Article", "headline": "Tiêu đề tài liệu", "url": "https://example.com/blog/material", "author": { "@type": "Person", "name": "Tên tác giả", "url": "https://example.com/team/author" }, "publisher": { "@type": "Organization", "name": "Tên dự án", "url": "https://example.com/" }, "mainEntityOfPage": "https://example.com/blog/material" }

Đây là mẫu, không phải tín hiệu tự quyết định việc trích dẫn. Đối với trang thực tế, hãy kiểm tra tiêu đề khớp với H1 hiển thị, URL có thể mở được, tên tác giả được chỉ ra trong tài liệu và đơn vị xuất bản khớp với thông tin về tổ chức. Không chèn địa chỉ demo hoặc dữ liệu hư cấu vào mã đã xuất bản.

Nếu bài viết được cập nhật, hãy tổ chức cập nhật đánh dấu cùng với nội dung, chứ không phải chỉnh sửa thủ công riêng lẻ ở một nơi. Sự nhất quán giữa HTML và JSON-LD, các địa chỉ canonical ổn định và liên kết nội bộ rõ ràng đến tác giả và đơn vị xuất bản là quan trọng. Cách tiếp cận này làm cho các mối quan hệ thực thể rõ ràng hơn đối với các hệ thống phân tích trang.

Cách thêm Schema.org cho AEO mà không mắc lỗi

Để thêm Schema.org cho AEO, trước tiên hãy đối chiếu các trường với nội dung hiển thị, sau đó nhúng JSON-LD vào mẫu hoặc trang cụ thể và kiểm tra kết quả. Đánh dấu phải mô tả những gì người dùng có thể đọc, chứ không phải thay thế hoặc mở rộng sự thật.

Trình tự làm việc:

• Chọn một nhóm trang và xác định mẫu dữ liệu chung.
• Đối chiếu tiêu đề, tác giả, tổ chức, URL và các giá trị khác được sử dụng với nội dung.
• Thêm JSON-LD vào CMS hoặc mã mẫu sao cho nó chỉ xuất hiện trên các trang phù hợp.
• Kiểm tra cú pháp và sự phù hợp với từ điển Schema.org; sau đó xem trang trong trình duyệt và so sánh dữ liệu với đánh dấu.
• Lặp lại kiểm tra sau khi thay đổi mẫu, URL hoặc quy trình xuất bản.

Đối với AEO, không chỉ tính hợp lệ về mặt hình thức mới quan trọng. Nếu CMS xuất bản một phiên bản tiêu đề, còn đánh dấu chứa phiên bản khác, mô tả máy trở nên không đáng tin cậy. Hãy xác định hệ thống lấy mỗi trường từ đâu: ví dụ, tên tác giả từ hồ sơ, tiêu đề từ H1, đơn vị xuất bản từ cài đặt dự án.

Việc triển khai có thể bắt đầu với một bộ URL chính hạn chế, sau đó mở rộng mẫu đã kiểm tra sang các trang tương tự. Lưu các trang thử nghiệm và danh sách kiểm tra cho biên tập viên. Đối chiếu các thay đổi kỹ thuật với kế hoạch tối ưu hóa trang web cho AI Search và nội dung cho câu trả lời AI để cấu trúc hỗ trợ các câu hỏi thực tế của khán giả.

Cách thiết lập llms.txt và có nên thêm nó không?

llms.txt là một tệp văn bản ở thư mục gốc của trang web, được thiết kế như một bản đồ ngắn gọn về các tài liệu hữu ích cho mô hình ngôn ngữ. Nó có thể được sử dụng như điều hướng bổ sung đến các trang quan trọng, nhưng không thay thế cấu trúc trang web thông thường, nội dung mở hoặc Schema.org.

Để bắt đầu, hãy chọn các trang thực sự giúp hiểu về dự án: mô tả sản phẩm, tài liệu, hướng dẫn quan trọng và thông tin liên hệ. Tạo một tệp Markdown nhỏ gọn với tên dự án, mô tả ngắn gọn trung lập và liên kết đến các tài liệu này. Chỉ ra URL thực tế, theo dõi khả năng truy cập của từng trang và loại bỏ các phần lỗi thời. Không bao gồm thông tin bảo mật và không sử dụng tệp như nơi để đưa ra lời hứa không có trên chính các trang.

Xuất bản tệp ở thư mục gốc của miền và kiểm tra xem nó có thể mở được mà không cần đăng nhập và dẫn đến các địa chỉ hiện tại hay không. Sau đó, thêm chủ sở hữu và lịch cập nhật: tệp phải thay đổi cùng với cấu trúc trang web, chứ không bị lãng quên sau khi ra mắt. Chi tiết về mục đích và hạn chế được tổng hợp trong hướng dẫn llms.txt: nó là gì và có cần không; thông số kỹ thuật có thể xem tại llmstxt.org.

Nếu có ít nguồn lực để duy trì, trước tiên hãy sửa điều hướng, khả năng truy cập các trang chính và độ chính xác của sự kiện. llms.txt có ý nghĩa như một chỉ dẫn bổ sung đơn giản khi nó thực sự giúp định hướng trong một bộ tài liệu lớn.

Perplexity chọn nguồn như thế nào và khác gì so với ChatGPT?

Để có khả năng hiển thị trong Perplexity, điều quan trọng là trang hữu ích phải có thể truy cập và đưa ra câu trả lời rõ ràng; cơ chế chính xác để chọn và xếp hạng nguồn không nên chỉ suy ra từ sự hiện diện của Schema.org. Đánh dấu giúp mô tả cấu trúc trang, còn nội dung và tính phù hợp của nó với câu hỏi cụ thể vẫn là một nhiệm vụ riêng.

Perplexity và ChatGPT là các sản phẩm khác nhau với cách riêng để hình thành câu trả lời và hiển thị nguồn. Do đó, truy vấn "ChatGPT vs Perplexity: cái nào tốt hơn cho SEO" không thể quy về một người chiến thắng duy nhất: hãy so sánh chúng như các bề mặt tìm kiếm khác nhau. Ghi lại các chủ đề và cách diễn đạt câu hỏi, kiểm tra trang nào của dự án xuất hiện trong câu trả lời và ghi lại URL của các nguồn được đề cập. Sau đó, đánh giá xem tài liệu của bạn có trả lời câu hỏi và xác nhận các tuyên bố cụ thể không.

Để tối ưu hóa cho Perplexity, hãy chuẩn bị một trang mà:

• câu trả lời cho câu hỏi chính được đưa ra ở đầu và được triển khai thêm;
• các thuật ngữ và tên chính được sử dụng nhất quán;
• sự kiện có thể được xác minh qua chính tài liệu hoặc liên kết đến nguồn gốc;
• ngày tháng, quyền tác giả và sự thuộc về dự án rõ ràng cho người đọc.

So sánh các quan sát theo cùng chủ đề và định kỳ lặp lại kiểm tra, không coi sự xuất hiện đơn lẻ là khả năng hiển thị ổn định. Đánh dấu là một lớp công việc, không thay thế cho nội dung hữu ích và trang web có thể truy cập kỹ thuật. Cũng xem hướng dẫn về cách xuất hiện trong câu trả lời của Perplexity và phân tích tổng thể về quảng bá trang web trong AI Search.

Cách kiểm tra đánh dấu và hiểu các hạn chế của nó

Kiểm tra đánh dấu không chỉ là tìm lỗi cú pháp, mà còn là đối chiếu giá trị với những gì đã xuất bản cho người đọc. Trước khi phát hành, hãy so sánh JSON-LD với HTML và đảm bảo mỗi liên kết dẫn đến trang của thực thể cần thiết.

Danh sách kiểm tra hữu ích:

• trang có một loại chính rõ ràng, phù hợp với mục đích của nó;
• tiêu đề, tác giả, đơn vị xuất bản và địa chỉ không khác biệt với nội dung hiển thị;
• trong đánh dấu không có thuộc tính không được xác nhận và dữ liệu giả;
• các thực thể giống nhau sử dụng tên và địa chỉ nhất quán;
• sau khi xuất bản hoặc thay đổi mẫu, các URL bị ảnh hưởng được kiểm tra lại.

Sửa lỗi cú pháp trước khi xuất bản, còn sự khác biệt về ý nghĩa — cùng với biên tập viên hoặc chủ sở hữu sản phẩm. Nếu một trường đã lỗi thời, hãy tìm nguồn dữ liệu và sửa nó ở nơi nó được hình thành, nếu không sự không khớp sẽ quay lại trên các trang khác. Cũng lưu ý rằng một số chức năng của công cụ tìm kiếm có thể có yêu cầu riêng về loại và thuộc tính của đánh dấu.

Cả Schema.org và llms.txt đều không bắt buộc Perplexity hoặc ChatGPT quét trang, chọn nó làm nguồn hoặc đưa vào câu trả lời. Quyền truy cập trang web, quy tắc của nền tảng cụ thể và quá trình chọn nguồn thay đổi của nó nằm ngoài tầm kiểm soát của chủ sở hữu đánh dấu; không thể hứa hẹn trích dẫn. Lập kế hoạch làm việc dựa trên các kết quả có thể kiểm soát: mã chính xác, phù hợp với nội dung, các trang có thể truy cập và cập nhật thường xuyên.

Bảng giá

Giá khởi điểm bằng USD. Gói tùy chỉnh và chiết khấu theo số lượng theo yêu cầu. Thanh toán bằng USDT, USDC, BTC, ETH, SOL, TON hoặc token dự án của bạn.

Cách hoạt động

1. Lập bản đồ trangXác định các mẫu chính: bài viết, trang tổ chức, tài liệu sản phẩm và FAQ. Với mỗi mẫu, ghi lại mục tiêu và các trường hiển thị.
2. Chọn loại và thuộc tínhChỉ định các loại Schema.org phù hợp với nội dung. Ghi chú nguồn của mỗi trường và người chịu trách nhiệm về độ chính xác của nó.
3. Triển khai và kiểm tra JSON-LDThêm đánh dấu vào mẫu hoặc các trang riêng lẻ. Đối chiếu cú pháp, địa chỉ và giá trị với HTML đã xuất bản.
4. Quyết định có cần llms.txt khôngNếu dự án có một bộ tài liệu hữu ích, hãy tạo một bản đồ liên kết ngắn gọn và chỉ định lịch cập nhật cho nó.
5. Theo dõi khả năng hiển thịKiểm tra câu trả lời AI theo các chủ đề đã chọn và lưu lại các nguồn tìm thấy. Sử dụng quan sát để cải thiện tài liệu, chứ không phải như lời hứa về kết quả.