Gắn nhãn trang web cho máy móc: các loại schema, ví dụ và cách triển khai an toàn

Tại sao structured data lại quan trọng đối với AI search?

Kiểm tra nhanh: Dán một URL trang vào Schema.org validator. Đếm số lỗi và cảnh báo, và sửa lỗi trước tiên.

Schema markup mô tả các entity và mối quan hệ của một trang ở định dạng mà phần mềm có thể hiểu được. Đối với bối cảnh AI search, nó có thể làm cho các chi tiết như tên tổ chức, thuộc tính sản phẩm hoặc tác giả của bài báo trở nên rõ ràng thay vì để mọi mối quan hệ được suy luận từ văn xuôi.

Sự mô tả đó chỉ hữu ích khi nó phản ánh chính trang đó. Markup không tạo ra chuyên môn, lấp đầy khoảng trống trong nội dung hoặc làm cho một lời đề nghị không rõ ràng trở nên dễ hiểu đối với người đọc. Hãy bắt đầu với trang hiển thị: xác định chủ đề chính, các thông tin hỗ trợ và hành động hoặc câu hỏi mà trang giải quyết. Sau đó đánh dấu những thông tin đó bằng loại schema.org phù hợp nhất.

Một bài kiểm tra thực tế là tự hỏi liệu một người đọc trang có nhận ra mọi tuyên bố được đánh dấu hay không. Nếu trang không hiển thị giá sản phẩm, đừng đưa giá vào structured data. Nếu một bài báo nêu tên tác giả, hãy sử dụng cùng thông tin tác giả đó trong trang và markup của nó. Để lập kế hoạch nội dung vượt ra ngoài các chi tiết kỹ thuật, hãy xem hướng dẫn về nội dung có thể trích dẫn cho AI assistants.

Những loại schema.org nào quan trọng

Loại schema.org hữu ích là loại thể hiện chính xác trang, không phải loại nghe có vẻ ấn tượng nhất. Hãy bắt đầu với mục đích chính của mỗi URL và chọn các loại phù hợp với nội dung hiển thị và vai trò của trang trên site.

Đây là những điểm khởi đầu, không phải là một gói bắt buộc. Một site công ty có thể sử dụng Organization trên một trang phù hợp và Article trên các trang biên tập, trong khi một trang sản phẩm có thể mô tả sản phẩm mà nó thực sự giới thiệu. Tránh thêm các loại chỉ vì đối thủ cạnh tranh sử dụng chúng hoặc vì một trình tạo mã cung cấp chúng.

Nếu hai loại có vẻ khả thi, hãy chọn loại mô tả tốt nhất chủ đề trung tâm của trang, sau đó xác nhận rằng mỗi thuộc tính có nội dung hỗ trợ hiển thị. Để biết thêm chi tiết kỹ thuật liên quan, hãy xem AEO kỹ thuật: schema, llms.txt và AI crawler.

Một ví dụ về markup, từng dòng một

Một ví dụ hữu ích là nhỏ, chính xác và được kết nối với nội dung trang hiển thị. JSON-LD là một cách cung cấp structured data trong một khối script, tách biệt khỏi nội dung văn bản chính; mẫu bên dưới mô tả một bài báo mà không thêm các tuyên bố mà chính trang đó không đưa ra.

Cấu trúc ví dụ: @context: https://schema.org; @type: Article; headline: Hướng dẫn thực tế về bảo mật wallet; author: Nhóm Nghiên cứu Ví dụ; about: Bảo mật wallet.

Sử dụng cấu trúc này như một hình mẫu để điều chỉnh, không phải là mã để dán nguyên xi. Thay thế tiêu đề mẫu và tác giả bằng các chi tiết được hiển thị trên trang thực tế. Xác nhận URL, tiêu đề, danh tính tác giả và bất kỳ thuộc tính nào khác trong quá trình triển khai của bạn trước khi xuất bản. Một trường hợp hợp lệ về mặt kỹ thuật nhưng không chính xác có thể làm cho mô tả structured data kém đáng tin cậy hơn.

Đối với một trang về dịch vụ, đừng gắn nhãn nó là sản phẩm chỉ để thêm các thuộc tính bổ sung. Hãy khớp loại với dịch vụ thực tế và thông tin mà trang trình bày. Bạn có thể xem lại từ vựng và định nghĩa loại trong tài liệu Schema.org chính thức.

llms.txt hay schema.org: cái nào làm gì?

Schema.org và llms.txt là các loại tín hiệu cấp site khác nhau. Schema markup gắn các mô tả có cấu trúc vào nội dung trang; một tệp llms.txt là một tài liệu văn bản nhằm cung cấp cho các công cụ mô hình ngôn ngữ một định hướng ngắn gọn về một trang web và các tài nguyên của nó. Không cái nào thay thế được các trang hữu ích, dễ truy cập.

Đối với schema, hãy làm việc theo từng URL: mô tả bài báo, tổ chức hoặc sản phẩm được thể hiện trên trang đó. Đối với llms.txt, hãy nghĩ về bản đồ rộng hơn của site: tài nguyên nào hữu ích nhất để hiểu tổ chức và nội dung của nó? Giữ tệp ngắn gọn, chính xác và dễ bảo trì. Tránh liệt kê các URL đã lỗi thời hoặc các trang không hỗ trợ mục đích đã nêu.

Chỉ sử dụng cả hai khi mỗi cái có một công việc rõ ràng. Để biết thêm về mục đích và thiết lập của tệp, hãy đọc llms.txt là gì và bạn có cần nó không và hướng dẫn thiết lập llms.txt và AI crawler.

Danh sách kiểm tra schema 7 điểm của bạn

Thực hiện 7 bước này trên một mẫu tại một thời điểm. Một mẫu cố định duy nhất có thể sửa chữa hàng trăm trang, vì vậy hãy bắt đầu với mẫu được sử dụng nhiều nhất của bạn.

• Liệt kê các loại trang của bạn và chọn một loại schema cho mỗi trang.
• Viết JSON-LD tách biệt khỏi markup hiển thị.
• Chỉ đánh dấu những gì khách truy cập có thể nhìn thấy.
• Giữ tên tổ chức giống hệt nhau trên các mẫu.
• Xác thực mọi mẫu trước khi phát hành.
• Xác thực lại sau mỗi lần cập nhật site.
• Ghi lại lỗi vào một bảng tính và sửa 3 lỗi mỗi tuần.

Các thuật ngữ trong một dòng

JSON-LD (nói một cách đơn giản: một khối script mang structured data tách biệt khỏi trang hiển thị).

Schema type có nghĩa là một nhãn như Organization hoặc Product cho biết trang đó nói về cái gì.

Làm thế nào để triển khai nó?

Lỗi thường gặp: Đánh dấu nội dung không hiển thị. Nếu khách truy cập không thể nhìn thấy nó, đừng gắn nhãn cho nó.

Triển khai schema markup bằng cách kết nối nội dung hiển thị của mỗi trang với một mô tả có cấu trúc chính xác, sau đó kiểm tra kết quả sau khi xuất bản. Một quy trình làm việc nhỏ, có thể lặp lại giúp ngăn chặn các lỗi mẫu lan rộng trên toàn bộ site.

Bắt đầu với một bảng kiểm kê trang. Ghi lại URL, mục đích trang, entity chính và các thông tin được nêu rõ ràng trên trang. Sau đó ánh xạ mỗi trang đến một loại phù hợp và chỉ bao gồm các thuộc tính được hỗ trợ bởi nội dung đó. Quyết định cách markup sẽ được thêm vào—thông qua nền tảng site, một mẫu hoặc một thay đổi mã—và xác định ai sẽ xem xét các bản cập nhật khi trang thay đổi.

Trước khi phát hành, so sánh trang đã hiển thị với JSON-LD của nó. Kiểm tra rằng tên, tiêu đề, mô tả và mối quan hệ khớp nhau; xác minh rằng script có mặt trên URL dự kiến; và tìm kiếm các vấn đề về cú pháp hoặc tính đủ điều kiện bằng các công cụ xác thực có liên quan. Sau các thay đổi đối với mẫu trang, hãy lặp lại kiểm tra đó trên các URL đại diện và kiểm tra nhiều hơn một loại trang.

Nếu bạn đang hỏi cách triển khai llms.txt, hãy xử lý việc đó như một nhiệm vụ riêng biệt: thống nhất về mục đích của tệp, thu thập các tài nguyên có giá trị cao hiện tại và phân công trách nhiệm cập nhật nó. Đừng coi nó như một sự thay thế cho schema dành riêng cho trang hoặc nội dung biên tập rõ ràng.

Kiểm tra xem markup có giúp ích không

Kiểm tra chất lượng schema bằng hai đánh giá riêng biệt: đầu tiên xác nhận rằng mã là chính xác và có thể sử dụng được, sau đó kiểm tra xem các trang quan trọng có đang được thể hiện chính xác trong kết quả tìm kiếm và câu trả lời AI hay không. Một kết quả xác thực sạch là một kiểm tra kỹ thuật, không phải bằng chứng cho thấy một trang sẽ được trích dẫn.

Đối với đánh giá kỹ thuật, hãy kiểm tra xem markup có hiện diện trên trang dự kiến hay không, liệu cú pháp của nó có thể đọc được không và các thuộc tính của nó có khớp với nội dung hiển thị không. Giữ một bản ghi về URL, loại, ngày đánh giá, các vấn đề được tìm thấy và người chịu trách nhiệm cho bất kỳ sự điều chỉnh nào. Điều này giúp chẩn đoán các thay đổi mẫu sau này dễ dàng hơn.

Đối với đánh giá khả năng hiển thị, hãy theo dõi một bộ câu hỏi liên quan nhất quán và ghi chú trang hoặc nguồn nào xuất hiện trong phản hồi từ các công cụ như ChatGPT và Perplexity. Ghi lại liệu thương hiệu có được mô tả chính xác không, liệu một trang được trích dẫn có liên quan không và liệu các câu trả lời có bỏ sót một thông tin quan trọng không. Coi những quan sát đó như một bản tóm tắt định hướng: cách diễn đạt câu trả lời và nguồn có thể thay đổi, vì vậy một phản hồi đơn lẻ không phải là một phép đo đáng tin cậy.

Sử dụng các phát hiện để cải thiện chính trang đó khi nội dung không đầy đủ hoặc khó hiểu. Để có đánh giá rộng hơn, hãy xem theo dõi AI search và hướng dẫn tối ưu FAQ cho câu trả lời AI.

Nên mong đợi điều gì từ markup

Schema markup có thể làm rõ những gì một trang nói, nhưng nó không thể làm cho nội dung yếu trở nên hữu ích hoặc chỉ đạo hệ thống AI sử dụng nguồn nào. Kỳ vọng phù hợp là thông tin có cấu trúc tốt hơn, luôn phù hợp với trang và có thể được nhóm của bạn kiểm tra.

ChatGPT và Perplexity tự quyết định việc truy xuất, trích dẫn, tóm tắt hay bỏ qua một trang, và việc lựa chọn nguồn cũng như cách hiển thị câu trả lời của chúng nằm ngoài tầm kiểm soát của bạn. Google cũng không hứa hẹn một giao diện tìm kiếm cụ thể chỉ vì một trang chứa structured data. Hãy xây dựng việc triển khai dựa trên độ chính xác và khả năng bảo trì hơn là một vị trí đã hứa hẹn.

Trước khi xuất bản hoặc mở rộng markup, hãy kiểm tra các mục sau:

• Loại đã chọn phù hợp với mục đích thực tế của trang.
• Mọi thuộc tính đều được hỗ trợ bởi nội dung hiển thị, hiện tại.
• Markup được triển khai trên các URL dự kiến và được xem xét sau các thay đổi mẫu.
• Một chủ sở hữu được chỉ định có thể cập nhật nó khi các thông tin trên trang thay đổi.

Để được đánh giá biên tập, MarketingExtra có thể so sánh các tuyên bố hiển thị trên một trang với mô tả có cấu trúc của nó và gắn cờ sự khác biệt cho nhóm của bạn. Để bắt đầu, hãy gửi URL và đối tượng hoặc mục đích chính của trang; bước tiếp theo là ánh xạ các thông tin hiển thị đến một loại schema phù hợp.

Cách hoạt động

1. Kiểm kê các trangLiệt kê các URL quan trọng và ghi chú mục đích, chủ đề chính và các thông tin hiển thị của mỗi trang. Tách biệt nhu cầu markup cấp trang khỏi tài liệu toàn site như llms.txt.
2. Chọn một loại phù hợpKhớp mỗi trang với một loại schema.org mô tả nội dung thực tế của nó. Đừng thêm thuộc tính chỉ vì chúng có sẵn.
3. Soạn thảo và triển khai JSON-LDTạo mô tả có cấu trúc từ thông tin đã được hiển thị trên trang, sau đó thêm nó thông qua mẫu site hoặc đường dẫn triển khai phù hợp.
4. So sánh mã với trangKiểm tra URL đã xuất bản, nội dung hiển thị và structured data cùng nhau. Sửa các tên, mô tả, mối quan hệ hoặc tuyên bố không được hỗ trợ bị sai lệch.
5. Xem xét sau các thay đổiKiểm tra lại các URL bị ảnh hưởng sau các bản cập nhật nội dung hoặc mẫu, và giữ một bản ghi về các vấn đề và cách giải quyết chúng. Theo dõi câu trả lời AI riêng biệt với xác thực kỹ thuật.