Những quan niệm sai lầm về khả năng hiển thị với LLM: schema, llms.txt và các đề cập

Câu hỏi về schema, từng bước một

Dữ liệu có cấu trúc Schema.org mô tả một trang theo cách máy có thể đọc được. Đơn giản. Google đã nói rằng dữ liệu có cấu trúc không bắt buộc cho các tính năng AI của họ, mặc dù nó vẫn giúp cải thiện kết quả phong phú, đó là lý do chính đáng để thêm nó.

Việc nó có cung cấp dữ liệu trực tiếp cho các mô hình hay không vẫn chưa rõ. Không ai bên ngoài các nhà cung cấp biết. Chúng tôi sẽ kiểm chứng nó theo cách đơn giản: đánh dấu một nửa tập hợp các trang tương tự, giữ nguyên nửa kia, và ghi lại các lần trích dẫn trong tám tuần.

Các chuyên gia báo cáo trải nghiệm hỗn hợp, bao gồm nhiều trường hợp im lặng sau khi thêm đầy đủ schema. Sự im lặng là dữ liệu. Đừng chôn nó dưới một vòng thêm thẻ khác.

Tiểu sử tác giả và chứng chỉ 'chuyên gia' được xử lý tương tự. Chúng giúp người đọc quyết định có nên tin tưởng bạn hay không, đó là lý do đủ, và không có nghiên cứu nào chúng tôi thấy cho thấy một mô hình ưu tiên một trang chỉ vì có tiểu sử.

Tính mới xuất hiện mỗi lần. Các trang có ngày cập nhật gần đây thường xuất hiện trong các câu trả lời AI về các chủ đề giống tin tức, và Google đã lâu nay sử dụng tính mới cho các truy vấn phù hợp. Tuy nhiên, việc chỉ cập nhật ngày mà không thay đổi nội dung là một thói quen chúng tôi sẽ không dựa vào, và Google đã nói rằng họ không thích điều đó.

Các đề cập: lựa chọn tiết kiệm hơn

Nếu một mô hình đọc văn bản, một mô tả rõ ràng về thương hiệu của bạn trên các trang web khác có thể quan trọng ngay cả khi không có liên kết. Tìm các trang như vậy là công việc tiếp cận thông thường.

Bắt đầu với tên thương hiệu của chính bạn. Tìm kiếm nó, loại bỏ các trang đã liên kết, và liệt kê những trang còn lại. Sau đó yêu cầu một liên kết hoặc một mô tả đơn giản hơn. Các công cụ như Ahrefs và Semrush có cảnh báo đề cập, và kéo hồ sơ liên kết của chúng tôi cho biết ai liên kết đến các đối thủ mà bạn ghen tị.

Một lời cảnh báo cuối cùng về các agency. Bán các bài kiểm tra khả năng hiển thị với LLM là một dòng kinh doanh mới, và một số báo cáo còn sơ sài. Hãy hỏi xem đã lấy mẫu gì, khi nào, và điều gì có thể thay đổi kết luận của họ.

Không có nghĩa là dữ liệu có cấu trúc vô nghĩa. Nó có nghĩa là hiệu ứng được tuyên bố chưa được đo lường. Hãy dành một giờ, không phải một quý, và tập trung nỗ lực chính vào các trang mà mọi người thực sự muốn đọc.

Những gì schema thực sự làm

Dữ liệu có cấu trúc có những công việc thực sự ngay cả khi câu hỏi AI vẫn chưa rõ ràng. Hãy giữ những công việc đó trong tầm nhìn, để kết quả âm tính về việc trích dẫn không bị nhầm là kết quả âm tính cho mọi thứ.

Kết quả phong phú và điều kiện đủ

Dữ liệu có cấu trúc có thể làm cho một trang đủ điều kiện cho các tính năng kết quả phong phú trong tìm kiếm Google truyền thống, nơi dữ liệu được đọc và kiểm tra. Lợi ích đó là cụ thể và không phụ thuộc vào bất kỳ tuyên bố nào về câu trả lời AI.

Nếu bạn thêm dữ liệu có cấu trúc vì lý do đó, hãy xác thực nó bằng công cụ kiểm tra kết quả phong phú trước khi xuất bản. Coi bất kỳ tác động nào lên câu trả lời AI là một phần thưởng chưa được đo lường.

Phân tích và độ rõ ràng

Dữ liệu có cấu trúc nêu các sự kiện theo định dạng cố định, chẳng hạn như tên sản phẩm, tác giả hoặc ngày. Một trình phân tích đọc trang có thể lấy các trường đó mà không cần đoán. Độ rõ ràng đó giúp bất kỳ công cụ nào hoạt động dựa trên cấu trúc trang.

Tuy nhiên, độ rõ ràng không giống như việc được trích dẫn. Một trang có thể dễ dàng được phân tích nhưng không bao giờ được trích dẫn, và một trang khác có thể được trích dẫn mà không có bất kỳ dữ liệu có cấu trúc nào.

Những gì nó không thể hiện

Schema không phải là danh sách các phiếu bầu mà các mô hình tổng hợp. Chúng tôi chưa thấy nghiên cứu có kiểm soát nào liên kết dữ liệu có cấu trúc đơn thuần với sự thay đổi trong việc trích dẫn, vì vậy bất kỳ ai hứa hẹn một sự gia tăng nên cung cấp mẫu đằng sau nó.

Sự im lặng sau khi thêm dữ liệu có cấu trúc là một kết quả bình thường của một thử nghiệm. Phần tiếp theo giải thích tại sao điều đó có thể xảy ra mà không làm cho dữ liệu có cấu trúc trở nên vô dụng.

Tại sao mọi người không thấy thay đổi

Khả năng hiển thị với LLM phụ thuộc vào nhiều yếu tố cùng lúc, và một thay đổi đơn lẻ hiếm khi nổi bật. Hãy nhớ điều đó trước khi bạn đánh giá một kết quả.

Đòn bẩy có thể nằm ở nơi khác

Cơ hội được trích dẫn của một trang phụ thuộc vào khả năng thu thập dữ liệu, nội dung, liên kết và chính truy vấn. Dữ liệu có cấu trúc chỉ chạm vào một trong những điều đó. Khi mọi thứ khác không thay đổi, một thay đổi chỉ bằng dữ liệu có cấu trúc có thể quá nhỏ để thấy.

Trước khi đổ lỗi cho dữ liệu có cấu trúc, hãy kiểm tra các yếu tố cơ bản. Xác nhận trang đã được lập chỉ mục và văn bản của nó xuất hiện trong HTML thay vì chỉ sau khi một script chạy.

Mở rộng truy vấn khiến người dùng chuyển sang nơi khác

Một số chuyên gia mô tả mở rộng truy vấn, trong đó một câu hỏi trở thành nhiều truy vấn con. Nếu đó là cách một mô hình thu thập nguồn, trang bạn đã đánh dấu có thể được trích dẫn cho một truy vấn con mà bạn chưa bao giờ theo dõi. Đó là một lý do khiến một kiểm tra với một truy vấn đơn lẻ gây hiểu lầm.

Bao gồm một vài truy vấn con trong bộ truy vấn của bạn và ghi lại những trang nào xuất hiện cho mỗi truy vấn.

Đo lường trước khi kết luận

Một kết quả cần một mẫu và một điểm chuẩn. Tám tuần ghi lại các truy vấn, chia thành hai nhóm, là một thử nghiệm khiêm tốn nhưng vẫn có thể sai. Hãy ghi các giới hạn của nó bên cạnh kết quả.

Hãy công bố cả những kết quả âm tính. Một thử nghiệm không tìm thấy gì vẫn hữu ích cho người tiếp theo đặt cùng câu hỏi.

Hiển thị và những gì mô hình có thể đọc

Văn bản là nguyên liệu mà một mô hình làm việc, vì vậy câu hỏi về những gì nó có thể đọc là đáng để kiểm tra thay vì giả định.

Nội dung xuất hiện sau một script

Một số nội dung chỉ xuất hiện sau khi một script chạy. Việc một trợ lý cụ thể có thể xem nội dung đó là điều bạn có thể kiểm tra. So sánh văn bản mà một trợ lý trích dẫn với những gì một lệnh fetch HTML thuần túy trả về.

Nếu văn bản được trích dẫn bị thiếu trong HTML thuần túy, trang phụ thuộc vào việc hiển thị. Điều đó đáng biết trước khi bạn thêm bất kỳ dữ liệu có cấu trúc nào.

Dữ liệu có cấu trúc được đọc dưới dạng token

Một số chuyên gia lập luận rằng các mô hình phá vỡ JSON-LD thành các token và mất cấu trúc của nó, vì vậy dữ liệu có cấu trúc thêm vào rất ít. Lập luận đó có vẻ hợp lý, và theo những gì chúng tôi biết thì nó chưa được kiểm chứng. Không bên nào chứng minh điều đó với một mẫu công bằng.

Hãy coi đó là một giả thuyết cho thử nghiệm của riêng bạn, không phải là một quy tắc để trích dẫn trong báo cáo khách hàng.

Câu hỏi về dữ liệu có cấu trúc và câu trả lời AI

Một vài câu hỏi xuất hiện khi mọi người bắt đầu kiểm tra dữ liệu có cấu trúc trên các trang của riêng họ.

Tôi có nên xóa schema nếu nó không giúp cải thiện câu trả lời AI không?

Không dựa trên bằng chứng này. Dữ liệu có cấu trúc vẫn phục vụ các tính năng tìm kiếm truyền thống và làm cho một trang rõ ràng hơn đối với các trình phân tích. Chỉ xóa nó nếu nó sai, lỗi thời hoặc gây hiểu lầm.

Một tệp llms.txt có đáng một giờ không?

Có thể, như một thí nghiệm rẻ tiền. Đề xuất có từ tháng 9 năm 2024, và chúng tôi chưa thấy nhà cung cấp lớn nào xác nhận rằng họ đọc tệp này, vì vậy đừng mong đợi một kết quả rõ ràng.

Tiểu sử tác giả có giúp ích cho việc trích dẫn không?

Không có nghiên cứu nào chúng tôi biết cho thấy điều đó. Tiểu sử có thể giúp người đọc đánh giá một trang, đó là một lý do hợp lý để giữ chúng, nhưng bất kỳ tác động nào đến việc trích dẫn đều chưa được kiểm chứng.

Một thử nghiệm nên bao gồm bao nhiêu trang?

Đủ để hai nhóm có thể được so sánh mà không có một trang chiếm ưu thế trong kết quả. Mười đến hai mươi trang tương tự là một khởi đầu hợp lý cho một thử nghiệm đầu tiên, mặc dù con số đúng phụ thuộc vào mức độ thay đổi trong các truy vấn của bạn.