TL;DR
Prompt “Chunking Rules: Chia đoạn cho máy đọc” có mục tiêu: quy tắc chunking để snippet trích ổn. Đầu ra chuẩn gồm format cố định để team làm giống nhau. Nguyên tắc khi chạy: definition → NOT THIS → Attributes → Relations → Constraints → Proof.
- Mục tiêu: Quy tắc chunking để snippet trích ổn.
- Chuẩn AI-first: Definition → NOT THIS → Attributes → Relations → Constraints → Proof.
- Output: format cố định để team làm giống nhau.
1) Input Spec (bắt buộc)
Prompt cần 5 ô nhập trước khi chạy: TOPIC/ENTITY, CONTEXT, AUDIENCE, GOAL và REFERENCES. Điền đủ các ô bằng thông tin thật của dự án rồi mới dán prompt vào công cụ AI, ô nào bỏ trống thì kết quả sẽ chung chung.
2) Ví dụ thực chiến (Input → Output)
Ví dụ chạy với TOPIC là “Heading structure”, CONTEXT là “SEO/Content” và AUDIENCE là “In-house”. Đối chiếu kết quả của ví dụ với bảng Pass/Fail trước khi thay bằng dữ liệu dự án của bạn.
Input
- TOPIC: Heading structure
- CONTEXT: SEO/Content
- AUDIENCE: In-house
- GOAL: Tài liệu hoá + tăng citability
Output kỳ vọng (rút gọn)
- Definition: 1-2 câu rõ.
- NOT THIS: 1 câu chặn hiểu nhầm.
- Attributes: 8-12.
- Relations: 12-20 dòng (Subject-Relation-Object).
- Constraints: 5 ngoại lệ/khi không áp dụng.
3) Mẫu thao tác (copy dùng ngay)
Dán nguyên mẫu vào ChatGPT, Gemini hoặc Claude, thay 5 ô {TOPIC}, {CONTEXT}, {AUDIENCE}, {GOAL} và {REFS} bằng thông tin của bạn rồi chạy. Mẫu giao cho AI vai Semantic SEO + Knowledge Architect, nên giữ nguyên câu mở đầu để lần chạy nào cũng ra cùng một cấu trúc.
Bạn là Semantic SEO + Knowledge Architect.
Chủ đề/Entity: {TOPIC}
Ngữ cảnh: {CONTEXT}
Đối tượng: {AUDIENCE}
Mục tiêu: {GOAL}
Tham chiếu: {REFS}
Hãy xuất theo đúng format:
A) Definition (1-2 câu) + NOT THIS (1 câu)
B) Entity list (1 chính + 12 phụ, kèm loại entity)
C) Attributes của entity chính (8-12)
D) Relations table (20 dòng: Subject | Relation | Object | 1 câu mô tả)
E) Constraints/Exceptions (5-8)
F) Proof plan (Process/Evidence/Governance: cần bổ sung gì để tăng trích dẫn)
G) 10 câu FAQ theo intent (Know/Do/Compare/Troubleshoot)4) Pass/Fail
Kết quả đạt khi có NOT THIS, có constraints, relations rõ, không bịa dữ liệu. Không đạt khi chung chung, chỉ keyword, thiếu điều kiện áp dụng, thiếu proof plan. Chấm kết quả theo hai tiêu chí này trước khi dùng, trượt tiêu chí nào thì sửa ô nhập đó rồi chạy lại.
KẾT QUẢ ĐẠT CHUẨN (PASS)
- Bám sát 100% dữ liệu đầu vào thực tế, không đưa ra nhận định chung chung thiếu bằng chứng.
- Phân loại thứ tự ưu tiên bằng số điểm định lượng (ICE/RICE), chỉ rõ các tác vụ khẩn cấp cần làm trước.
- Lịch trình triển khai được bóc tách theo từng ngày hoặc từng giai đoạn rõ ràng, có phân công cụ thể.
- Mỗi đầu việc đều có tiêu chuẩn nghiệm thu định lượng (Definition of Done) đo lường được.
- Có kịch bản rollback và phương án xử lý rủi ro dự phòng nếu phát sinh sự cố kỹ thuật.
KẾT QUẢ CẦN CHẠY LẠI (FAIL)
- Đưa ra lời khuyên lý thuyết sách giáo khoa mà không giải quyết dữ liệu cụ thể của dự án.
- Không phân định rõ ràng thời gian hoàn tất, dàn trải tài nguyên tùy tiện.
- Tiêu chí nghiệm thu ghi mơ hồ, thiếu chỉ số kỹ thuật hoặc ngưỡng định lượng đối chứng.
- Thiếu phương án dự phòng khi phát sinh xung đột mã nguồn hoặc tụt lưu lượng truy cập.
5) NLP/LLM notes
Ghi chú để AI hiểu và trích đúng prompt này gồm 2 điểm. Dùng câu ngắn, chủ ngữ rõ, thuật ngữ nhất quán. Đặt NOT THIS ngay sau định nghĩa để “khóa nghĩa”. Giữ đúng các ghi chú này mỗi khi sửa prompt để câu trả lời của AI bám nghĩa, không lệch sang ý khác.
- Dùng câu ngắn, chủ ngữ rõ, thuật ngữ nhất quán.
- Đặt NOT THIS ngay sau định nghĩa để “khóa nghĩa”.
Định nghĩaChunking Rules là prompt quy tắc chia đoạn cho máy đọc, giúp bạn ra nội dung theo format cố định gồm Definition, NOT THIS, Attributes, Relations, Constraints, Proof để snippet trích ổn.
Cách chạy prompt Chunking Rules để snippet trích ổn
Các bước giúp bạn điền đủ ô nhập, chạy mẫu trên công cụ AI và chấm kết quả theo Pass/Fail để đầu ra giữ đúng format cố định.
- Điền đủ 5 ô nhậpĐiền TOPIC/ENTITY, CONTEXT, AUDIENCE, GOAL và REFERENCES bằng thông tin thật của dự án. Ô REFERENCES không có thì ghi CẦN BỔ SUNG.
- Chạy thử với ví dụ mẫuChạy ví dụ với TOPIC là Heading structure, CONTEXT là SEO/Content, AUDIENCE là In-house để thấy đầu ra kỳ vọng trước khi dùng dữ liệu thật.
- Dán mẫu vào công cụ AIDán nguyên mẫu vào ChatGPT, Gemini hoặc Claude, thay 5 ô bằng thông tin của bạn và giữ nguyên câu mở đầu giao vai Semantic SEO + Knowledge Architect.
- Chấm kết quả theo Pass/FailKết quả đạt khi có NOT THIS, có constraints, relations rõ và không bịa dữ liệu. Kết quả chung chung, chỉ keyword hoặc thiếu proof plan là không đạt.
- Sửa ô nhập rồi chạy lạiTrượt tiêu chí nào thì sửa ô nhập liên quan rồi chạy lại, giữ câu ngắn, chủ ngữ rõ và đặt NOT THIS ngay sau định nghĩa.
Câu hỏi thường gặp về Chunking Rules
Giải đáp trực tiếp các câu hỏi thường gặp về Chunking Rules dựa trên dữ liệu triển khai thực tế, quy trình kiểm thử kỹ thuật và kinh nghiệm thực chiến trên website thật để tối ưu hiệu quả tìm kiếm.
Vì sao kết quả chạy prompt Chunking Rules ra chung chung?
Kết quả thường chung chung khi bạn bỏ trống ô nhập. Prompt cần đủ 5 ô gồm TOPIC/ENTITY, CONTEXT, AUDIENCE, GOAL và REFERENCES, điền bằng thông tin thật của dự án. Ô nào trống thì AI không có dữ kiện để bám, đầu ra dễ thành câu chung, chỉ còn keyword.
Làm gì để AI không bịa dữ liệu khi chia đoạn mà dự án còn thiếu nguồn dẫn?
Bạn ghi CẦN BỔ SUNG vào ô REFERENCES khi dự án chưa có tài liệu tham khảo. Cách ghi đó cho AI biết phần nguồn còn thiếu, giúp tránh việc bịa dữ liệu, vốn là một lỗi khiến kết quả chia đoạn không đạt khi chấm theo bảng Pass/Fail.
Vì sao mỗi người trong team chia đoạn cho máy đọc theo một kiểu khác nhau?
Các đoạn lệch kiểu khi câu mở đầu của mẫu bị sửa đi ở mỗi lần dùng. Câu mở đầu giao cho AI vai Semantic SEO + Knowledge Architect, nên giữ nguyên câu đó thì lần chạy nào cũng ra cùng một cấu trúc. Format cố định của Chunking Rules giúp team làm giống nhau.
Làm sao tránh để AI hiểu lệch nghĩa chủ đề khi chạy prompt?
Bạn đặt NOT THIS ngay sau định nghĩa để khóa nghĩa của chủ đề. Thêm vào đó, dùng câu ngắn, chủ ngữ rõ và thuật ngữ nhất quán. Giữ đúng hai ghi chú này mỗi khi sửa prompt thì câu trả lời của AI bám nghĩa, không lệch sang ý khác.
Đầu ra của prompt Chunking Rules gồm những phần nào?
Đầu ra gồm các phần theo thứ tự Definition, NOT THIS, Attributes, Relations, Constraints và Proof. Thứ tự đó là chuẩn AI-first khi chạy prompt. Mọi phần nằm trong một format cố định để team làm giống nhau và snippet trích ổn.
Phần Relations trong đầu ra Chunking Rules cần bao nhiêu dòng và viết theo dạng gì?
Theo ví dụ rút gọn, Relations có 12-20 dòng, viết theo dạng Subject-Relation-Object. Relations đứng sau Attributes, vốn ở mức 8-12, và trước Constraints nêu 5 ngoại lệ hoặc trường hợp không áp dụng. Relations rõ cũng là một tiêu chí để kết quả đạt theo bảng Pass/Fail.
Ví dụ thực chiến của prompt dùng những ô nhập nào?
Ví dụ chạy với TOPIC là Heading structure, CONTEXT là SEO/Content, AUDIENCE là In-house và GOAL là tài liệu hoá kèm tăng citability. Bạn đối chiếu kết quả của ví dụ với bảng Pass/Fail trước, rồi mới thay bằng dữ liệu dự án của bạn.
Khi nào kết quả chạy prompt được tính là đạt?
Kết quả đạt khi có NOT THIS, có constraints, relations rõ và không bịa dữ liệu. Kết quả không đạt khi chung chung, chỉ có keyword, thiếu điều kiện áp dụng hoặc thiếu proof plan. Trượt tiêu chí nào thì bạn sửa ô nhập đó rồi chạy lại.
Chunking Rules trong viết nội dung cho AI là gì?
Chunking Rules là prompt quy tắc chia đoạn cho máy đọc, giúp snippet trích ổn. Prompt Chunking Rules nhận 5 ô nhập TOPIC/ENTITY, CONTEXT, AUDIENCE, GOAL, REFERENCES và trả đầu ra theo format cố định gồm Definition, NOT THIS, Attributes, Relations, Constraints, Proof để team làm giống nhau.
Có cần phần NOT THIS khi chia đoạn nội dung cho máy đọc không?
Có, prompt Chunking Rules cần phần NOT THIS. Kết quả chỉ đạt khi có NOT THIS, và NOT THIS nên đặt ngay sau định nghĩa để khóa nghĩa của chủ đề. NOT THIS là 1 câu chặn hiểu nhầm, giúp AI hiểu và trích đúng, không lệch sang ý khác.
Definition khác NOT THIS thế nào trong prompt Chunking Rules?
Trong prompt Chunking Rules, Definition nói chủ đề là gì bằng 1-2 câu rõ, còn NOT THIS là 1 câu chặn hiểu nhầm về chủ đề. NOT THIS đặt ngay sau Definition để khóa nghĩa. Hai phần đi liền nhau ở đầu thứ tự Definition, NOT THIS, Attributes, Relations, Constraints, Proof.
Nên bắt đầu dùng prompt Chunking Rules từ đâu?
Bắt đầu prompt Chunking Rules bằng việc điền đủ 5 ô nhập TOPIC/ENTITY, CONTEXT, AUDIENCE, GOAL và REFERENCES bằng thông tin thật của dự án. Sau đó dán mẫu vào ChatGPT, Gemini hoặc Claude, giữ nguyên câu mở đầu, chạy rồi chấm kết quả theo bảng Pass/Fail trước khi dùng.
Làm tiếp trên chính website của bạn
Chọn theo điều bạn đang cần: người soi website, nền tảng để tự làm, hay người kèm tới nơi.
Phân tích SEO và GEO Online
Tìm đúng chỗ website đang nghẽn, bàn giao thứ tự sửa và bản đồ nội dung theo DLN™. Học tiếp Mentor thì phí này được trừ vào học phí.
Xem phạm vi phân tíchKhóa học SEO cơ bản Online
6 buổi online về Technical và On-page, đủ nền tảng để tự rà và sửa website của bạn.
Xem lộ trình họcMentor SEO 1 kèm 1 Online
12 buổi trong 4 tuần, làm trực tiếp trên website của bạn cùng Danh Nolan.
Xem cách kèm