TL;DR
Prompt “Dataset Stub: Mẫu dữ liệu nội bộ cho entity” có mục tiêu: tạo dataset stub để team điền. 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: Tạo dataset stub để team điền.
- 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 “Content inventory”, 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: Content inventory
- 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 nghĩaDataset Stub là prompt tạo mẫu dữ liệu nội bộ cho entity theo format cố định, giúp team điền giống nhau qua Definition, NOT THIS, Attributes, Relations, Constraints và Proof.
Cách dùng prompt Dataset Stub để tạo mẫu dữ liệu entity
Các bước giúp bạn điền đủ ô nhập, chạy mẫu prompt trên công cụ AI và chấm kết quả theo bảng Pass/Fail trước khi team dùng dataset stub.
- Chạy thử ví dụ mẫuChạy ví dụ với TOPIC là Content inventory, CONTEXT là SEO/Content, AUDIENCE là In-house, rồi đối chiếu kết quả với bảng Pass/Fail trước khi dùng dữ liệu dự án.
- Điền đủ 5 ô nhậpĐiền TOPIC/ENTITY, CONTEXT, AUDIENCE, GOAL và REFERENCES bằng thông tin thật của dự án. Chưa có tài liệu tham khảo thì ghi “CẦN BỔ SUNG” vào ô REFERENCES.
- Dán mẫu vào công cụ AIDán nguyên mẫu vào ChatGPT, Gemini hoặc Claude, thay 5 ô TOPIC, CONTEXT, AUDIENCE, GOAL và REFS, giữ nguyên câu mở đầu giao vai Semantic SEO + Knowledge Architect.
- Chấm kết quả theo Pass/FailKiểm tra kết quả có NOT THIS, có constraints, relations rõ và không bịa dữ liệu. Trượt tiêu chí nào thì sửa ô nhập đó rồi chạy lại.
- Giữ ghi chú NLP/LLM khi sửaKhi sửa prompt, giữ câu ngắn, chủ ngữ rõ, thuật ngữ nhất quán và đặt NOT THIS ngay sau định nghĩa để khóa nghĩa.
Câu hỏi thường gặp về Dataset Stub
Giải đáp trực tiếp các câu hỏi thường gặp về Dataset Stub 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 của prompt Dataset Stub ra chung chung, khó dùng cho team?
Kết quả thường chung chung khi có ô nhập bị bỏ trống. Prompt cần đủ 5 ô TOPIC/ENTITY, CONTEXT, AUDIENCE, GOAL và REFERENCES được điền bằng thông tin thật của dự án. Bảng Pass/Fail xếp kết quả chung chung, chỉ có keyword vào nhóm không đạt, nên bạn sửa ô nhập rồi chạy lại.
Dataset stub có dữ liệu AI tự bịa, không có nguồn thì xử lý ra sao?
Kết quả có dữ liệu bịa là trượt bảng Pass/Fail, vì tiêu chí đạt yêu cầu không bịa dữ liệu. Bạn kiểm tra lại ô REFERENCES: chưa có tài liệu tham khảo thì ghi “CẦN BỔ SUNG” để chỗ thiếu nguồn hiện rõ cho team. Sửa ô nhập đó rồi chạy lại prompt.
Sửa prompt Dataset Stub xong thì AI trả lời lệch nghĩa, nên kiểm tra lại gì?
Bạn kiểm tra lại hai ghi chú NLP/LLM trước. Prompt cần câu ngắn, chủ ngữ rõ, thuật ngữ nhất quán, và NOT THIS phải đặt ngay sau định nghĩa để khóa nghĩa. Bạn cũng giữ nguyên câu mở đầu giao vai Semantic SEO + Knowledge Architect, chỉ thay 5 ô nhập, để mỗi lần chạy ra cùng một cấu trúc.
Làm sao biết dataset stub AI tạo ra đã đủ dùng hay chưa?
Bạn chấm kết quả theo bảng Pass/Fail trước khi dùng. Kết quả đạt khi có NOT THIS, có constraints, relations rõ và không bịa dữ liệu. Kết quả không đạt khi chung chung, chỉ keyword, thiếu điều kiện áp dụng hoặc thiếu proof plan. Trượt tiêu chí nào thì sửa ô nhập đó rồi chạy lại.
Output kỳ vọng của Dataset Stub gồm những phần nào?
Output kỳ vọng gồm Definition 1-2 câu rõ, NOT THIS 1 câu chặn hiểu nhầm, Attributes 8-12, Relations 12-20 dòng theo dạng Subject-Relation-Object và Constraints với 5 ngoại lệ hoặc trường hợp không áp dụng. Format cố định giúp team làm giống nhau.
NOT THIS trong Dataset Stub dùng để làm gì và đặt ở đâu?
NOT THIS là 1 câu chặn hiểu nhầm về entity. Ghi chú NLP/LLM yêu cầu đặt NOT THIS ngay sau định nghĩa để khóa nghĩa, giúp AI hiểu và trích đúng. Thiếu NOT THIS thì kết quả không qua bảng Pass/Fail.
Attributes và Constraints trong Dataset Stub cần bao nhiêu mục?
Output kỳ vọng của Dataset Stub có Attributes 8-12 và Constraints gồm 5 ngoại lệ hoặc trường hợp không áp dụng. Attributes mô tả thuộc tính của entity, Constraints ghi điều kiện áp dụng. Bảng Pass/Fail xếp kết quả thiếu điều kiện áp dụng vào nhóm không đạt, nên phần Constraints cần ghi rõ.
Relations trong Dataset Stub nên viết theo dạng nào và bao nhiêu dòng?
Relations nên có 12-20 dòng, mỗi dòng viết theo dạng Subject-Relation-Object. Bảng Pass/Fail yêu cầu relations rõ, nên mỗi dòng cần chủ thể, quan hệ và đối tượng cụ thể. Dùng câu ngắn, chủ ngữ rõ và thuật ngữ nhất quán để AI trích đúng.
Dataset Stub là gì trong SEO entity?
Dataset Stub là prompt tạo mẫu dữ liệu nội bộ cho entity để team điền theo format cố định. Prompt Dataset Stub đi theo thứ tự Definition, NOT THIS, Attributes, Relations, Constraints và Proof. Người dùng điền 5 ô TOPIC/ENTITY, CONTEXT, AUDIENCE, GOAL, REFERENCES rồi chạy trên ChatGPT, Gemini hoặc Claude.
Dataset Stub có cần khi team làm SEO/Content không?
Dataset Stub hữu ích khi team SEO/Content cần tài liệu hoá entity theo format cố định để mọi người làm giống nhau. Ví dụ mẫu của Dataset Stub chạy với TOPIC Content inventory, AUDIENCE In-house và GOAL tài liệu hoá kèm tăng citability. Trong output, NOT THIS chặn hiểu nhầm, Constraints ghi các ngoại lệ.
Dataset Stub khác gì một danh sách keyword cho entity?
Dataset Stub khác danh sách keyword ở chỗ có định nghĩa, NOT THIS, thuộc tính, quan hệ, điều kiện áp dụng và proof plan. Theo bảng Pass/Fail, kết quả của Dataset Stub chỉ có keyword là không đạt. Kết quả đạt cần có NOT THIS, có constraints, relations rõ và không bịa dữ liệu.
Nên bắt đầu dùng prompt Dataset Stub từ đâu?
Bắt đầu dùng prompt Dataset Stub bằng việc chạy thử ví dụ mẫu với TOPIC Content inventory, CONTEXT SEO/Content và AUDIENCE In-house, rồi đối chiếu kết quả với bảng Pass/Fail. Sau đó thay 5 ô nhập của prompt Dataset Stub bằng thông tin thật của dự án và giữ nguyên câu mở đầu của mẫu.
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