Schema.org cho AI: loại schema, ví dụ và cách triển khai

Loại schema.org nào hữu ích cho AI search?

Bắt đầu với chủ đề thực tế của trang, sau đó chọn loại hẹp nhất mô tả chính xác nó. Schema.org cung cấp một từ vựng cho dữ liệu có cấu trúc; nó không thay thế nội dung hữu ích, điều hướng rõ ràng hoặc thông tin thực thể nhất quán. Để có tổng quan kỹ thuật, xem AEO kỹ thuật: schema, llms.txt và crawler.

Đừng thêm mọi loại nghe có vẻ liên quan. Một bài viết của công ty về sản phẩm vẫn là một bài viết; nó không tự động là trang sản phẩm. Một trang dịch vụ nên mô tả dịch vụ mà khách truy cập có thể xem trên trang đó. Chỉ sử dụng thuộc tính khi thông tin tương ứng hiển thị hoặc được hỗ trợ thực sự bởi trang. Quy tắc đơn giản này giúp markup dễ bảo trì hơn và cho người đánh giá cách trực tiếp để kiểm tra độ chính xác.

Markup schema.org cho khả năng hiển thị AI trông như thế nào?

• Một ví dụ về danh tính doanh nghiệp có thể mô tả tên và URL trang web của tổ chức.
• Một ví dụ về trang có thể xác định tiêu đề trang và mối quan hệ của nó với trang web.
• Một ví dụ về bài viết có thể mô tả tiêu đề bài viết và tác giả khi những chi tiết đó xuất hiện trên trang.

Ví dụ, một đối tượng JSON-LD nhỏ cho một tổ chức có thể sử dụng @context đặt thành https://schema.org, @type đặt thành Organization và các thuộc tính như name và url. Các giá trị phải là cùng danh tính và địa chỉ trang web chính thức mà khách truy cập có thể xác minh. Đây là một ví dụ cấu trúc, không phải lý do để sao chép các trường không phù hợp với trang web của bạn.

Một markup schema.org hữu ích cho đánh giá khả năng hiển thị AI so sánh ba thứ: văn bản trang, dữ liệu có cấu trúc và chi tiết thực thể ở nơi khác trên trang web. Nếu trang gọi một sản phẩm là một thứ và markup đặt tên khác, hãy giải quyết sự không khớp trước khi thêm nhiều thuộc tính hơn. Tránh coi một khối JSON-LD lớn hơn là tốt hơn vốn có. Hướng dẫn GEO giải thích cách rõ ràng kỹ thuật phù hợp với nội dung và khả năng hiển thị nguồn.

Làm thế nào để triển khai schema.org cho AI SEO?

1. Chọn một trang đại diện và viết ra mục đích chính của nó.
2. Chọn một loại schema.org mô tả chính xác mục đích đó.
3. Ánh xạ từng thuộc tính dự kiến với thông tin hiển thị trên trang.
4. Thêm markup ở định dạng JSON-LD hoặc định dạng mà trang web của bạn đang duy trì.
5. Xác thực trang đã render và xem lại sau khi nội dung thay đổi.

JSON-LD là một định dạng thực tế để tách dữ liệu có cấu trúc khỏi markup trang hiển thị, nhưng chất lượng triển khai phụ thuộc vào kết quả, không chỉ định dạng. Làm theo từ vựng schema.org để định nghĩa loại và thuộc tính, và sử dụng tài liệu dữ liệu có cấu trúc của Google khi kiểm tra hướng dẫn dành riêng cho Google.

Để có một triển khai lặp lại, giữ một bản ghi nhỏ gọn bên cạnh mỗi trang: loại dự kiến, URL nguồn, thuộc tính đã sử dụng, nguồn nội dung cho mỗi giá trị và ngày xác thực cuối cùng. Nhờ một biên tập viên xác nhận sự phù hợp thực tế và một nhà phát triển xác nhận rằng markup xuất hiện trong trang đã render. Khi trang thay đổi, cập nhật dữ liệu có cấu trúc trong cùng một tác vụ xuất bản. Điều này ngăn các mô tả lỗi thời tồn tại sau khi sản phẩm, tác giả hoặc chi tiết dịch vụ đã thay đổi.

LLMs.txt so với schema.org: sự khác biệt là gì?

Đây là những công cụ khác nhau, không phải phiên bản cạnh tranh của cùng một tiêu chuẩn. Schema.org mô tả thực thể và chi tiết trang bằng cách sử dụng loại và thuộc tính. llms.txt là một quy ước tệp riêng biệt mà chủ sở hữu trang web có thể chọn xuất bản; nó không làm cho nội dung trang không chính xác trở nên chính xác và nó không phải là schema markup. Để có khung quyết định và tệp ví dụ, xem llms.txt: nó là gì và bạn có cần nó không.

Nếu bạn có thời gian triển khai hạn chế, hãy bắt đầu bằng cách sửa trang và dữ liệu có cấu trúc phù hợp của nó. Chỉ xem xét một tệp văn bản khi bạn có mục đích biên tập rõ ràng để duy trì nó và có thể giữ các tham chiếu của nó cập nhật. Đừng suy luận rằng việc xuất bản một trong hai tạo phẩm kiểm soát tài liệu nào mà hệ thống AI truy xuất. Giữ quyết định gắn với khả năng bảo trì: một trang chính xác, được bảo trì hữu ích hơn một tệp bổ sung mà không ai sở hữu.

Schema có cải thiện khả năng hiển thị trên ChatGPT so với Perplexity không?

• Kiểm tra xem tổ chức hoặc trang có được mô tả nhất quán trên trang web của bạn hay không.
• Ghi lại câu hỏi chính xác, ngày, trợ lý và cách diễn đạt của mỗi câu trả lời quan sát được.
• Phân biệt trích dẫn nguồn với đề cập tên; chúng là những quan sát khác nhau.
• Kiểm tra lại cùng các câu hỏi sau khi có thay đổi trang hoặc markup có ý nghĩa.

Schema có thể làm cho cấu trúc đã nêu của trang trở nên rõ ràng, nhưng nó không phải là bảng điều khiển cho ChatGPT hoặc Perplexity. Do đó, một so sánh nên tập trung vào những gì người dùng có thể quan sát: liệu câu trả lời có đề cập đến thực thể, liệu nó có liên kết đến nguồn hay không và liệu trang được trích dẫn có hỗ trợ câu trả lời hay không. Đừng cho rằng hai trợ lý sử dụng nguồn giống hệt nhau hoặc phản hồi giống hệt nhau cho cùng một lời nhắc.

Sử dụng một bộ câu hỏi liên quan nhỏ, ổn định thay vì thay đổi cách diễn đạt kiểm tra mỗi lần. Lưu lời nhắc và câu trả lời kèm ngày và URL trang nếu có trích dẫn. Sau đó kiểm tra xem trang được trích dẫn có trả lời câu hỏi rõ ràng hay không và liệu dữ liệu có cấu trúc có khớp với nó hay không. Để có đánh giá khả năng hiển thị riêng biệt, xem cách được trích dẫn trong ChatGPT và hướng dẫn khả năng hiển thị Perplexity.

Chỉ số theo dõi và giới hạn nền tảng nào quan trọng?

1. Tính hợp lệ của markup: trang đã render có chứa dữ liệu có cấu trúc có thể phân tích cú pháp không?
2. Sự phù hợp nội dung: các sự kiện được đánh dấu có khớp với trang hiển thị không?
3. Phạm vi bao phủ: các trang được chọn để đánh giá đã được kiểm tra sau khi cập nhật chưa?
4. Quan sát câu trả lời: các câu hỏi kiểm tra đã lưu có tạo ra đề cập hoặc trích dẫn nguồn có liên quan không?

Các chỉ số này tạo nên một bản ghi theo dõi hữu ích vì mỗi chỉ số có thể được kiểm tra và giải thích. Chúng không chứng minh rằng schema đã gây ra thay đổi trong câu trả lời của trợ lý. Giữ các kiểm tra triển khai riêng biệt với các quan sát khả năng hiển thị và ghi chú các chỉnh sửa trang hoặc các thay đổi quan trọng khác cùng với bản ghi theo dõi AI search. Điều này làm cho Readout hữu ích hơn một điểm số khả năng hiển thị không giải thích được.

Việc xử lý dữ liệu có cấu trúc và bất kỳ sự xuất hiện tìm kiếm nào của Google vẫn là quyết định của nó, và cả markup schema.org lẫn triển khai hợp lệ đều không kiểm soát việc ChatGPT hoặc Perplexity có bao gồm một trang trong câu trả lời hay không. Các nền tảng đó có thể thay đổi cách chọn hoặc trình bày nguồn, vì vậy công việc có thể xác minh markup đã thỏa thuận và báo cáo câu trả lời quan sát được, chứ không hứa hẹn trích dẫn hoặc hiển thị.

Làm thế nào để chuẩn bị một đánh giá schema?

1. Chọn trang: gửi một URL đại diện cho nội dung bạn muốn hệ thống hiểu.
2. Nêu chủ đề: xác định tổ chức, sản phẩm, dịch vụ hoặc bài viết mà trang mô tả.
3. Chia sẻ markup hiện tại: bao gồm nguồn hoặc chi tiết triển khai nếu có.
4. Nêu quyết định: giải thích liệu bạn cần chọn loại, kiểm tra tính nhất quán hay hướng dẫn triển khai.

Một Spec Review tập trung bắt đầu với những đầu vào đó. Chúng tôi so sánh trang hiển thị với dữ liệu có cấu trúc của nó, ghi nhận các thuộc tính không khớp hoặc không được hỗ trợ và trả về Launch Spec xác định loại được khuyến nghị, các thuộc tính cần giữ lại hoặc sửa đổi và các kiểm tra xác thực. Đối với nhiều mẫu trang, hãy thêm một danh sách ngắn các URL và đánh dấu mẫu nào có chung cấu trúc nội dung.

Giá dự án bắt đầu từ $760 / dự án. Để xác định phạm vi công việc, hãy gửi cho AEOTech URL trang, markup hiện tại nếu có và câu hỏi bạn cần trả lời. Chúng tôi sẽ xác nhận phạm vi đánh giá và các sản phẩm bàn giao trước khi triển khai bắt đầu.

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. Chọn trangChọn một trang có mục đích rõ ràng và xác định thực thể hoặc nội dung mà nó mô tả.
2. Ánh xạ nội dung sang loạiKhớp trang với một loại schema.org phù hợp và chỉ sử dụng các thuộc tính được hỗ trợ bởi nội dung của nó.
3. Triển khai và xác thựcThêm dữ liệu có cấu trúc, kiểm tra trang đã render và xác nhận rằng mỗi giá trị khớp với những gì khách truy cập có thể đọc.
4. Ghi lại đường cơ sởLưu URL trang, phiên bản markup, ghi chú xác thực và bất kỳ quan sát câu trả lời AI nào.
5. Xem lại sau chỉnh sửaKiểm tra lại trang và markup cùng nhau bất cứ khi nào nội dung hoặc chi tiết thực thể quan trọng thay đổi.