n8n + LLM Scraper: Nắm bắt câu trả lời AI trong quy trình không mã

Những điểm chính:

• n8n giao tiếp với Scrapeless LLM Chat Scraper chỉ với một nút HTTP Request — không cần mã, không cần SDK. Một nút đơn gửi POST đến https://api.scrapeless.com/api/v2/scraper/execute với tiêu đề x-api-token và một body JSON, và câu trả lời được đưa vào workflow dưới dạng dữ liệu mà nút tiếp theo có thể đọc.
• Body yêu cầu là { actor, input } và không gì khác. Thiết lập body là {"actor":"scraper.chatgpt","input":{"prompt":"…","country":"US","web_search":true}} và nút trả về { status, task_id, task_result } — cùng một envelope mà tất cả các actor Scrapeless LLM sử dụng.
• Một Schedule Trigger biến cuộc gọi thành một trình giám sát liên tục. Kết nối Schedule Trigger → HTTP Request → IF → Set/Sheet/DB và n8n sẽ thực hiện lại prompt đã thiết lập theo định kỳ, thêm mỗi câu trả lời vào một sheet hoặc bảng mà không cần ai mở terminal.
• Nút IF xử lý chạy trống như dữ liệu, không phải như một thất bại. Mô hình cung cấp task_result theo phiên, vì vậy một câu trả lời trống không phải là câu trả lời cho truy vấn đó trong lượt này — phân nhánh theo nó, ghi lại rằng không có gì để lưu và tiếp tục; lần chạy theo lịch tiếp theo sẽ nắm bắt câu trả lời đã được điền.
• Nút MCP Client là lựa chọn thay thế cho agent-node. Khi workflow là một agent AI thay vì một pipeline cố định, hướng nút MCP Client của n8n đến máy chủ Scrapeless MCP và cùng một capture trở thành công cụ mà agent tự gọi.
• Miễn phí để bắt đầu. Tài khoản Scrapeless mới bao gồm các tín dụng dùng thử miễn phí — đăng ký tại app.scrapeless.com.

Giới thiệu: động cơ trả lời trở thành đầu vào của workflow

Các động cơ trả lời LLM giờ đây nằm giữa người dùng và web mở, và các câu hỏi mà một thương hiệu quan tâm — ai được đề xuất, nguồn nào được trích dẫn, mức giá nào hiển thị — được trả lời trong ChatGPT trước khi bất kỳ trang nào nhận được cú click. Đọc bề mặt đó theo lịch là một công việc thu thập dữ liệu, và n8n đã là nơi mà nhiều đội nhóm thực hiện công việc dữ liệu đã lập lịch của họ.

Sự cản trở là ChatGPT không có API trả lời chính thức, và việc điều khiển UI chat từ một công cụ tự động hóa có nghĩa là các bức tường đăng nhập, phản hồi luồng và các trường được xác định phía khách hàng sau khi câu trả lời được hiển thị. Nút HTTP Request của n8n có thể gọi bất kỳ endpoint REST nào, nhưng nó không có gì để gọi cho đến khi việc hiển thị, rút gọn residential và phân tích xảy ra ở một nơi khác trước.

Scrapeless LLM Chat Scraper là nơi khác đó: một POST trả về câu trả lời ChatGPT đã được hiển thị dưới dạng JSON, vì vậy nút HTTP Request có một endpoint sạch để gọi vào và phần còn lại của workflow đọc các trường có cấu trúc. Bài viết này kết nối n8n với actor đó mà không cần mã — một Schedule Trigger, một nút HTTP Request, một nhánh IF cho các lần chạy trống, và một nút lưu trữ — và cho thấy con đường agent-node cho các workflow cần scrapper như một công cụ AI. Đối với cái nhìn xếp hạng về các scrapper động cơ trả lời thực sự, các scrapper LLM tốt nhất so sánh bề mặt cạnh nhau.

Một lưu ý về phạm vi: hợp đồng yêu cầu dưới đây được xác minh dựa trên actor scraper.chatgpt trực tiếp, và mỗi tên tham số n8n được xác nhận dựa trên tài liệu tham khảo nút n8n hiện tại. Workflow từ đầu đến cuối được mô tả từ hai mảnh đã xác minh đó — bài viết này không trình bày một phiên chạy chụp màn hình như là bằng chứng.

Bạn có thể làm gì với nó

• Giám sát câu trả lời theo lịch. Chạy một tập hợp các prompt cố định mỗi giờ hoặc mỗi buổi sáng và thêm mỗi câu trả lời ChatGPT vào một sheet, vì vậy sự thay đổi câu trả lời trở thành một chuỗi thời gian thay vì một kiểm tra thủ công.
• Theo dõi chia sẻ trích dẫn. Đọc task_result.search_result để biết nguồn mà ChatGPT đã tham khảo và đếm số miền qua các lần chạy để xem mô hình trích dẫn ai cho danh mục của bạn.
• Cảnh báo đề cập thương hiệu. Phân nhánh dựa trên văn bản câu trả lời có đề cập đến sản phẩm của bạn hay không, và chuyển hướng một nút Slack hoặc email theo nhánh IF khi một đề cập xuất hiện hoặc biến mất.
• Capture đa động cơ trong một workflow. Nhân bản nút HTTP Request và thay đổi chuỗi actor thành scraper.gemini hoặc scraper.perplexity — envelope thì giống nhau, vì vậy các nút hạ nguồn không thay đổi.
• Bàn giao không hoạt động cho những người không phát triển. Khi workflow đã tồn tại, một thành viên trong nhóm có thể chỉnh sửa danh sách prompt trong một nút Set hoặc một sheet mà không cần chạm vào mã, và việc capture vẫn tiếp tục chạy.
• Gọi công cụ agent. Phơi bày scrapper thông qua nút MCP Client để một agent AI n8n quyết định khi nào để truy vấn một động cơ trả lời như là một phần của một nhiệm vụ lớn hơn.

Tại sao Scrapeless LLM Chat Scraper lại phù hợp với n8n

Scrapeless LLM Chat Scraper là actor scraper.chatgpt, một phần của Universal Scraping API, và nó phù hợp với n8n vì nó là một POST xác thực với JSON vào và JSON ra. Đối với một workflow không cần mã đặc biệt, nó mang lại:

• Một điểm cuối REST đơn lẻ mà nút yêu cầu HTTP gọi trực tiếp - không cần cài đặt SDK trên máy chủ n8n, không cần điều khiển trình duyệt.
• Kết xuất phía máy chủ, thoát cư trú và xử lý chống bot, để nút nhận được câu trả lời hoàn chỉnh thay vì trang đăng nhập.
• Trường country trong yêu cầu, gắn kết thị trường thoát từ bên trong thân JSON - một nút bao phủ việc thu thập theo từng thị trường.
• Một bưu kiện { status, task_id, task_result } được chia sẻ giữa scraper.chatgpt, scraper.gemini và scraper.perplexity, do đó, một nút hoạt động sẽ sao chép sang các động cơ khác mà không thay đổi.
• Một tiêu đề x-api-token như là xác thực duy nhất - một thông tin xác thực n8n duy nhất hoặc giá trị tiêu đề, có thể sử dụng lại trên mọi nút gọi Scrapeless.

Nhận khóa API của bạn trên gói miễn phí tại app.scrapeless.com.

Điều kiện tiên quyết

• Một phiên bản n8n (đám mây hoặc tự lưu trữ) nơi bạn có thể thêm một quy trình làm việc
• Một tài khoản Scrapeless và khóa API - đăng ký tại app.scrapeless.com
• Khóa API sẵn có để dán vào tiêu đề của nút Yêu cầu HTTP (hoặc lưu trữ dưới dạng thông tin xác thực n8n)
• Một điểm đến cho các hàng đã thu thập - một nút Set, một nút Google Sheets hoặc một nút cơ sở dữ liệu như Postgres

Không cần runtime ngôn ngữ, proxy hoặc trình giải CAPTCHA; yêu cầu là HTTP đơn giản và công việc nặng nề chạy ở phía Scrapeless.

Quy trình làm việc trong nháy mắt

Toàn bộ việc thu thập là bốn nút xếp thành hàng:

Lịch trình Kích hoạt  →  Yêu cầu HTTP  →  IF  →  Set / Google Sheets / Postgres
   (interval)            (POST actor)       (rỗng?)       (lưu câu trả lời)

Kích hoạt Lịch trình xảy ra theo từng khoảng thời gian, nút Yêu cầu HTTP gọi scraper.chatgpt, nút IF kiểm tra xem câu trả lời có về đủ không, và nút lưu trữ ghi hàng. Nhánh rỗng của nút IF là nơi một lần chạy không có câu trả lời được ghi lại và bị bỏ - không gửi lại. Mỗi nút bên dưới chỉ đề cập đến các tham số tồn tại trong tham chiếu nút n8n hiện tại.

Bước 1 - Kích hoạt Lịch trình

Kích hoạt Lịch trình bắt đầu quy trình làm việc theo một nhịp điệu cố định để việc thu thập diễn ra mà không ai nhấn nút phát. Thêm một nút Kích hoạt Lịch trình (phiên bản loại 1.3) và đặt Quy tắc Kích hoạt của nó thành interval - mỗi giờ, mỗi vài giờ, hoặc một lần mỗi ngày, tùy thuộc vào tần suất câu trả lời bạn theo dõi có xu hướng thay đổi. Đối với việc giám sát công cụ trả lời, hàng ngày hoặc hai lần mỗi ngày thường là đủ, vì chuỗi qua các tuần là tín hiệu, không phải sự thay đổi từng phút.

Kích hoạt phát ra một mục cho mỗi lần xảy ra. Nếu bạn muốn một vài lời nhắc mỗi lần chạy, hãy theo sau nó bằng một nút Set mà xuất danh sách lời nhắc của bạn, hoặc đọc các lời nhắc từ một bảng - mỗi lời nhắc sau đó chảy qua nút Yêu cầu HTTP như một mục riêng biệt.

Bước 2 - Nút Yêu cầu HTTP: gọi diễn viên

Nút Yêu cầu HTTP là tích hợp. Nó POST cuộc gọi diễn viên đến Scrapeless và trả về câu trả lời đã được phân tích vào quy trình làm việc. Thêm một nút Yêu cầu HTTP (phiên bản loại 4.4) và cài đặt các tham số sau:

• Phương thức → POST
• URL → https://api.scrapeless.com/api/v2/scraper/execute
• Gửi Tiêu đề → bật. Thêm một tiêu đề: tên x-api-token, giá trị khóa API Scrapeless của bạn (hoặc tham khảo một thông tin xác thực n8n).
• Gửi Thân → bật.
• Loại Nội dung Thân → JSON.
• Xác định Thân → Sử dụng JSON, sau đó dán cuộc gọi diễn viên vào trường JSON.

Thân JSON là toàn bộ hợp đồng - tên diễn viên cộng với một đối tượng input:

{
  "actor": "scraper.chatgpt",
  "input": {
    "prompt": "giày chạy tốt nhất 2026",
    "country": "US",
    "web_search": true
  }
}

Để làm cho lời nhắc linh hoạt, thay thế chuỗi tĩnh bằng một biểu thức n8n đọc mục đến - ví dụ, lấy prompt từ nút Set hoặc hàng bảng đã cung cấp cho nút này. country gắn kết thoát cư trú cho lần chạy, và web_search cho phép mô hình truy cập nguồn trực tiếp, điều này cải thiện tần suất mà câu trả lời được giải quyết. Mỗi trường nằm bên trong input; gửi prompt hoặc country ở cấp độ cao nhất của thân sẽ bị diễn viên từ chối.

Đặt Thời gian chờ của nút rộng rãi. Một câu trả lời đã được kết xuất có thể mất một thời gian để quay trở lại, vì vậy một thời gian chờ mặc định ngắn sẽ cắt đứt cuộc gọi trước khi câu trả lời đến - hãy cho nó không gian.

Nút trả về bưu kiện tiêu chuẩn, { status, task_id, task_result }, dưới dạng JSON của mục. Các nút phía dưới đọc câu trả lời từ task_result.result_text và các nguồn từ task_result.search_result.

Nhận khóa API của bạn trên gói miễn phí: app.scrapeless.com

Bước 3 - Nút IF: phân nhánh khi không có câu trả lời

Nút IF quyết định liệu có điều gì để lưu trữ hay không. Các câu trả lời của ChatGPT được tạo ra theo từng phiên, vì vậy cùng một lời nhắc có thể trả về một câu trả lời đầy đủ trong một lần chạy và task_result trống trong lần tiếp theo — điều đó không phải là một sự thất bại, mà đơn giản là không có câu trả lời cho truy vấn này trong lần chạy này. Thêm một nút IF (phiên bản loại 2.3) sau nút HTTP Request và viết một quy tắc Conditions đơn lẻ để kiểm tra xem trường trả lời có trống hay không — ví dụ, kiểm tra rằng biểu thức đọc task_result.result_text không trống.

• Nhánh False (có câu trả lời) → nối với nút lưu trữ ở Bước 4.
• Nhánh True (trống câu trả lời) → ghi lại rằng lần chạy không tạo ra gì và dừng lại. Một nút NoOp, hoặc một nút Set ghi một hàng đánh dấu "lần chạy trống", là đủ.

Nhánh trống không gọi lại tác nhân. Lần kích hoạt theo lịch tiếp theo là cơ hội tiếp theo cho một câu trả lời đã được cung cấp, và việc tổng hợp các lần chạy có trả về câu trả lời là toàn bộ mẫu. Xem xét kết quả trống như dữ liệu có thể null, không phải là lỗi cần phải xử lý.

Bước 4 — Lưu câu trả lời

Nút lưu trữ biến mỗi câu trả lời đã được cung cấp thành một hàng mà bạn có thể truy vấn sau này. Nối nhánh có câu trả lời của nút IF vào điểm đến nào phù hợp với chương trình:

• Nút Set → định hình mục xuống các trường bạn lưu giữ: lời nhắc, task_result.result_text, các miền nguồn từ task_result.search_result, task_id, và thời gian ghi lại. Hữu ích như một bước hình dạng cuối cùng ngay cả khi nút khác thực hiện việc ghi.
• Nút Google Sheets → thêm một hàng cho mỗi lần chạy cho một nhật ký chia sẻ, không có cơ sở dữ liệu mà người không phát triển có thể đọc và chỉnh sửa.
• Nút Postgres (hoặc một cơ sở dữ liệu khác) → chèn vào một bảng khi việc ghi dữ liệu cung cấp cho một kho hoặc bảng điều khiển.

Lưu task_id và thời gian chạy trên mỗi hàng. Độ dài câu trả lời, số lượng trích dẫn, và các nguồn đã nêu đều thay đổi từ lần chạy này sang lần chạy khác, vì vậy giá trị là chuỗi qua các lần ghi lại, không phải là bất kỳ phản hồi đơn lẻ nào.

Nút Scrapeless chính thức — và lý do hướng dẫn này sử dụng HTTP Request

n8n có nút cộng đồng Scrapeless chính thức (n8n-nodes-scrapeless). Cài đặt nó, xác thực một lần với thông tin xác thực Scrapeless, và nó cung cấp cho bạn các thao tác có kiểu cho ba bề mặt: SerpApi Deep (Tìm kiếm Google và Xu hướng Google), API Cào Universal (Web Unlocker), và Crawler (Cào và Cắm). Đối với bất kỳ công việc nào trong số đó, nút là lựa chọn sạch sẽ hơn — không có URL hoặc thân JSON nào để xây dựng bằng tay.

Các tác nhân LLM Chat Scraper — scraper.chatgpt, scraper.gemini, scraper.perplexity, và scraper.aimode — không được tiết lộ như là các thao tác trong phiên bản nút hiện tại, vì vậy việc ghi lại câu trả lời của một động cơ trả lời là trường hợp mà nút HTTP Request là con đường: nó truy cập trực tiếp vào /api/v2/scraper/execute, điều mà các bước trên đã xây dựng. Nếu một phiên bản nút sau này thêm một thao tác LLM, thông tin xác thực Scrapeless và hình dạng quy trình sẽ được chuyển giao — chỉ có nút ở giữa thay đổi.

Sự thay thế nút tác nhân: Khách hàng MCP + máy chủ MCP Scrapeless

Khi quy trình làm việc là một tác nhân AI thay vì một pipeline cố định, nút Khách hàng MCP của n8n thay thế cuộc gọi HTTP xây dựng bằng tay. Nút Khách hàng MCP kết nối với một máy chủ MCP và mở các công cụ của máy chủ đó cho một tác nhân AI n8n, vì vậy tác nhân tự gọi chúng khi lý luận của nó cần. Hướng nó về máy chủ MCP Scrapeless và việc ghi lại động cơ trả lời trở thành một trong những công cụ mà tác nhân có thể gọi — tác nhân quyết định khi nào để truy vấn ChatGPT như là một phần của một nhiệm vụ lớn hơn, thay vì bạn phải nối cuộc gọi vào một nhánh cố định.

Hai con đường giải quyết những nhu cầu khác nhau. Nút HTTP Request là công cụ phù hợp cho việc ghi lại định đoạt, theo lịch — cùng một lời nhắc, cùng một nhịp điệu, hàng rõ ràng. Nút Khách hàng MCP là công cụ phù hợp khi một tác nhân nên chọn một cách linh hoạt liệu có và cái gì để truy vấn. Bề mặt Scrapeless cơ bản là giống nhau; chỉ có người kích hoạt cuộc gọi thay đổi.

Những gì bạn nhận lại

Nút HTTP Request trả về phong bì tiêu chuẩn của tác nhân dưới dạng JSON mục. Câu trả lời nằm dưới task_result, với văn bản trong result_text và các nguồn đã được tham khảo trong search_result. Hình dạng dưới đây là những gì scraper.chatgpt trả về; giá trị trường là một mẫu minh họa từ một lần chạy trực tiếp (văn bản và nguồn đã được cắt giảm).

// Lược đồ là những gì scraper.chatgpt trả về; giá trị trường là một mẫu minh họa từ một lần chạy trực tiếp.
{
  "status": "success",
  "task_id": "…",
  "task_result": {
    "prompt": "giày chạy tốt nhất 2026",
    "model": "gpt-5-mini",
    "result_text": "Dưới đây là những đôi giày chạy tốt nhất vào năm 2026, dựa trên thử nghiệm gần đây giữa các thương hiệu lớn (ASICS, Nike, HOKA, Adidas, Brooks, Saucony) …",
    "content_references": [],
    "search_result": [
      { "title": "10 Giày chạy tốt nhất năm 2026 | Được kiểm tra và xếp hạng", "url": "https://…", "snippet": "…", "attribution": "outdoorgearlab.com" }
    ],
    "links": [],
    "web_search": true
  }
}

Một vài ghi chú chân thành về việc đọc điều này trong n8n:

• Mỗi trường đều có thể là null. result_text có thể trống và search_result có thể là một mảng rỗng trong một lượt chạy nhất định - nút IF ở Bước 3 tồn tại chính xác cho trường hợp đó. Bảo vệ các trường thiếu trong bất kỳ biểu thức nào đọc chúng.
• search_result là bề mặt trích dẫn. Mỗi mục mang theo một title, url, snippet, và attribution; phân tích máy chủ từ URL trong một nút Set và tổng hợp qua các lượt chạy để tính tỷ lệ trích dẫn.
• web_search phản hồi yêu cầu. Nó phản ánh việc kéo nguồn trực tiếp có hoạt động trong lượt chạy hay không; giữ nó là true trong phần thân để cải thiện độ phân giải trên các gợi ý đề xuất.
• Đầu ra thay đổi theo từng lượt chạy. Độ dài câu trả lời và số lượng nguồn thay đổi cho cùng một gợi ý, đó là lý do tại sao dấu thời gian ghi lại và task_id thuộc về mỗi hàng lưu trữ.

Câu hỏi thường gặp

Hỏi: Tôi có cần viết mã để kết nối n8n với LLM Chat Scraper không?
Không. Tích hợp là nút HTTP Request tích hợp sẵn được cấu hình với phương thức POST, URL /api/v2/scraper/execute, tiêu đề x-api-token, và phần thân JSON. Không có SDK nào để cài đặt trên máy chủ n8n và không có nút hàm nào để viết.

Hỏi: Chìa khóa API Scrapeless của tôi đi đâu trong n8n?
Vào tiêu đề của nút HTTP Request - bật Gửi Tiêu đề, thêm một tiêu đề có tên x-api-token, và đặt giá trị của nó thành chìa khóa của bạn, hoặc tham chiếu đến một thông tin xác thực n8n để chìa khóa không được lưu trữ trong chính nút. Tiêu đề giống nhau hoạt động trên mỗi cuộc gọi Scrapeless trong quy trình làm việc.

Hỏi: Làm thế nào để gửi nhiều gợi ý trong một lượt chạy?
Theo dõi Trigger Lịch với một nút Set xuất ra danh sách gợi ý của bạn, hoặc đọc các gợi ý từ Google Sheet. Mỗi gợi ý trở thành một mục riêng và chảy qua nút HTTP Request một cách riêng biệt, vì vậy một lượt chạy ghi lại toàn bộ tập hợp.

Hỏi: Chuyện gì xảy ra khi câu trả lời trở về trống?
Câu trả lời của ChatGPT là theo phiên, vì vậy một task_result trống có nghĩa là không có câu trả lời cho truy vấn đó trong lượt chạy đó. Nhánh trống của nút IF ghi lại việc không có hoạt động và dừng lại; lượt chạy lịch tiếp theo là cơ hội tiếp theo cho một câu trả lời có nội dung. Quy trình làm việc không gửi lại cùng một cuộc gọi.

Hỏi: Tôi có thể ghi lại Gemini và Perplexity từ cùng một quy trình làm việc không?
Có. Sao chép nút HTTP Request và thay đổi chuỗi tác giả thành scraper.gemini hoặc scraper.perplexity. Điểm cuối, tiêu đề, và bao bọc { status, task_id, task_result } là giống nhau, vì vậy các nút IF và lưu trữ phía dưới không thay đổi.

Hỏi: Khi nào tôi nên sử dụng nút MCP Client thay vì nút HTTP Request?
Sử dụng nút HTTP Request cho một lần thu được cố định, được lập lịch với các gợi ý dự đoán. Sử dụng nút MCP Client, chỉ định đến máy chủ Scrapeless MCP, khi một tác nhân AI n8n nên tự quyết định xem có nên và hỏi cái gì - sau đó scraper sẽ hoạt động như một công cụ mà tác nhân gọi.

Hỏi: Tôi có cần một proxy hoặc một trình duyệt đang chạy trên máy chủ n8n của mình không?
Không. Việc hiển thị, xuất cư trú và xử lý chống bot đều chạy ở phía máy chủ tại Scrapeless. Máy chủ n8n chỉ thực hiện một yêu cầu HTTPS ra ngoài; trường country trong phần thân chọn thị trường xuất cư.

Hỏi: Có hợp pháp khi thu thập câu trả lời của ChatGPT không?
Dữ liệu trả về là câu trả lời công khai mà ChatGPT hiển thị cho bất kỳ người dùng nào. Như với bất kỳ việc thu thập dữ liệu nào, tính hợp pháp phụ thuộc vào quyền tài phán và cách sử dụng - xem xét các điều khoản liên quan và tham khảo ý kiến luật sư trước khi xây dựng trên đó, và chỉ thu thập dữ liệu câu trả lời và nguồn công khai, không bao giờ thu thập dữ liệu cá nhân.

Kết luận: một quy trình thu thập bốn nút

Kết nối n8n với Scrapeless LLM Chat Scraper giảm xuống chỉ còn một nút HTTP Request: POST { actor, input } đến /api/v2/scraper/execute với một tiêu đề x-api-token, đọc task_result trở lại, nhánh trên lượt chạy trống, và lưu trữ hàng. Một Trigger Lịch biến điều đó thành một trình giám sát cố định, và nút MCP Client biến nó thành công cụ tác nhân khi quy trình làm việc cần một cái. Giữ cho tập hợp gợi ý có phạm vi, cố định country theo thị trường, coi mỗi trường là có thể là null, và lưu task_id cộng với dấu thời gian để chuỗi là tín hiệu. Chạy một tập hợp gợi ý cố định theo lịch với Universal Scraping API tín dụng, và động cơ câu trả lời trở thành một đầu vào sạch cho bất kỳ điều gì mà phần còn lại của quy trình làm việc thực hiện. Hợp đồng yêu cầu và tên trường được xác nhận với LLM Chat Scraper đang hoạt động, và các tham số nút so với tham khảo nút n8n hiện tại.

Sẵn sàng để xây dựng quy trình dữ liệu trả lời AI của bạn?

Tham gia cộng đồng của chúng tôi để nhận một gói miễn phí và kết nối với các nhà phát triển xây dựng các quy trình dữ liệu trả lời AI: Discord · Telegram.

Đăng ký tại app.scrapeless.com để nhận tín dụng dùng thử miễn phí và định hướng quy trình bốn nút ở trên đến các gợi ý, động cơ và thị trường mà chương trình của bạn theo dõi.