Fan-out Queries — 扇出查询

AI 搜索引擎将一个用户问题拆解为多个并行子查询、分别检索后合成回答的机制。

关键数据点：Google AI Mode 对每个用户查询平均展开 8-12 个子查询，Deep Search 模式下可达数百个。（来源：Google I/O 2025 官方演示）

2026 趋势信号：覆盖 70% 以上子查询生态的页面，被 AI 引用的概率是窄覆盖页面的 4.3 倍——内容策略正从 "抢一个排名" 转向 "覆盖一片子查询"。

谁需要关注：CMO / SEO 负责人 / 内容策略师 / 增长团队

这个概念从哪来

Fan-out Queries 的技术基因来自信息检索（Information Retrieval）领域的 "查询分解"（Query Decomposition）。早在搜索引擎时代，Google 就会对复杂查询做内部改写——比如把 "便宜又好用的降噪耳机" 拆成 "降噪耳机推荐" 和 "降噪耳机 性价比" 两个子查询去匹配索引。但这些改写是静态的、基于规则的，用户感知不到。

转折点出现在 2023-2024 年，RAG（检索增强生成，Retrieval-Augmented Generation）架构成为 AI 搜索的标配。Perplexity、ChatGPT with Search、Google SGE（后升级为 AI Overviews 和 AI Mode）都采用了 "先检索、再生成" 的范式。问题来了：单次检索往往只能覆盖问题的一个切面。如果用户问 "2026 年适合家庭的电动车怎么选"，单次检索可能只拿到价格信息，漏掉安全评级、续航对比、充电便利性等关键维度。

于是，Fan-out（扇出）模式应运而生。2025 年 5 月的 Google I/O 大会上，Google 正式展示了 AI Mode 的底层机制：一个基于 Gemini 2.5 的专用模型，负责把用户的问题 "裂变" 为 8-12 个并行子查询，分别发往不同数据源检索，最后将结果汇聚合成。这不是渐进式改良——它本质上把一次搜索变成了十几次搜索。

它到底怎么运作

我们用一个具体例子走一遍完整流程。

假设你在 Perplexity 中输入："3D 打印机打印食品安全的餐具，用什么材料？"

传统搜索引擎会尝试匹配这整句话。但 AI 搜索引擎的 Fan-out 管道会将它拆解为多个子查询：

• 子查询 1（材料科学）："FDA 认证的 3D 打印食品安全材料有哪些"
• 子查询 2（实操指南）："PLA PETG 食品接触安全性对比"
• 子查询 3（风险维度）："3D 打印餐具的细菌滋生风险及解决方案"
• 子查询 4（用户经验）："Reddit 3D printing food safe utensils experience"
• 子查询 5（产品推荐）："食品级 3D 打印耗材品牌推荐 2026"

每个子查询被路由到不同的数据源：学术论文库、产品评测站、Reddit 论坛、电商平台。检索结果汇聚后，AI 模型进行交叉验证和矛盾消解（比如某论文说 PLA 安全，某帖子说不安全——模型会判断语境差异），最终合成一个结构化回答。

整个过程的关键特征有三个：

• 并行，不是串行：子查询同时发出，而非一个接一个。Google AI Mode 的延迟控制在秒级，说明后端是大规模并行检索。
• 意图拓展，不只是关键词改写：子查询覆盖了原始问题中没有明确提到的维度（如细菌风险、品牌推荐）。AI 在替用户思考 "你还应该关心什么"。
• 来源多元化：不同子查询会命中完全不同的网站。这意味着一篇只覆盖 "材料对比" 的文章，最多只能被一个子查询引用——其余四个子查询的引用机会全部让给了别人。

翼果观察（2026 年 2 月）

我们用同一个问题——"中小企业如何选择适合自己的 CRM 系统"——分别向 Perplexity Pro Search、ChatGPT（联网模式）和 Google AI Mode 提问，并记录各平台的子查询展开过程。

Perplexity 最透明：界面直接显示了 5 个子查询，包括 "中小企业 CRM 功能需求""CRM 系统价格对比 2026""HubSpot vs Zoho vs 纷享销客" 等。引用了 7 个来源，其中 3 个来自中文内容。

ChatGPT 的展开更偏对话式：它先问了一个 "澄清子问题"（你的团队规模和预算范围？），然后基于假设条件展开了 4 条搜索路径。引用了 5 个来源，但全部是英文页面——中文 CRM 品牌几乎隐形。

Google AI Mode 的子查询不可见，但从回答结构可以逆向推断至少覆盖了 6 个维度（功能、价格、集成、用户评价、行业适配、数据安全）。引用了 8 个来源，中英文各半。

核心发现：同一个问题，三个平台裂变出的子查询覆盖面重叠度不足 40%。这意味着你的内容如果只针对一个平台的子查询逻辑优化，在另外两个平台可能完全不被看见。

常见误区

❌ 误区一：Fan-out 只是 "同义词改写"，和以前的关键词拓展没区别

✅ 实际：传统关键词拓展是在同一维度内变换措辞（"CRM 推荐" → "CRM 哪个好"）。Fan-out 的本质是维度拓展——从一个问题裂变出用户没有明确提出但逻辑上相关的子问题（价格、集成性、数据安全等）。优化方向从 "覆盖更多同义词" 变成了 "覆盖更多子话题"。

❌ 误区二：写一篇超长 "终极指南" 就能覆盖所有子查询

✅ 实际：AI 检索的颗粒度是段落（Passage），不是页面。Semrush 的研究表明，AI 提取的最佳段落长度为 134-167 词。一篇 5000 字的文章如果结构松散、段落间逻辑模糊，AI 反而难以精准提取。更有效的策略是：一篇结构清晰的支柱页（Pillar Page）+ 多篇聚焦子话题的卫星页（Cluster Content），用内链串联。

❌ 误区三：只要在 Google 排名好，AI 搜索也一定会引用我

✅ 实际：Mike King（iPullRank 创始人）在 2026 年 1 月的研究中指出，传统 Google 排名与 AI 搜索引用之间的重叠率仅为 25-39%。更惊人的是，68% 的被 AI 引用的页面并不在传统搜索的前 10 名。Fan-out 机制让 AI 有了 "绕过排名直接找最佳段落" 的能力。

实操清单

如果你是 CMO / 决策层

• 重新定义 "关键词覆盖率" 指标：传统的关键词排名追踪已不够用。要求团队报告 "子查询覆盖率"——针对核心业务问题，你的内容能被多少个可能的子查询检索到。
• 预算向 "话题集群" 倾斜：不再按单个关键词分配内容预算，而是按 "一个用户问题可能裂变出的子话题群" 来规划内容投资。

如果你是 SEO / 技术执行层

• 用 Perplexity Pro Search 逆向工程子查询：输入你的核心业务问题，观察 Perplexity 展开了哪些子查询。这些就是你需要覆盖的内容缺口。
• 每个 H2/H3 下的首段写成 "原子回答"：40-60 词的自包含答案，直接回应一个子查询。AI 提取段落时，这种结构最容易被命中。
• 部署 FAQPage Schema 标记：研究显示，带 FAQ Schema 的页面被 AI 引用的概率提高 60%。把你的子话题覆盖用结构化数据显式标注出来。
• 审计内链架构：确保支柱页与卫星页之间有清晰的双向内链。AI 在 Fan-out 检索时会沿着链接关系判断内容的权威性和完整性。

如果你是内容团队

• 写作前先做 "Fan-out 模拟"：动笔前，把选题丢进 Perplexity 和 ChatGPT，记录它们分别展开了哪些子查询。你的文章大纲应该覆盖这些子查询的交集。
• 每篇文章瞄准 3-5 个子查询，而非 1 个关键词：用子查询作为 H2 标题的灵感来源，确保每个子话题都有独立的、可提取的段落。
• 定期刷新时效性数据：AI 搜索引用的内容比传统搜索新 25.7%（Ekamoira 研究）。确保核心页面中的数据、案例和工具推荐保持最新。

相关术语

• GEO（生成式引擎优化）：Fan-out Queries 是 GEO 需要应对的核心机制——理解查询如何裂变，才能系统性地优化 AI 引用率。
• Information Gain（信息增益）：在 Fan-out 场景下，每个子查询都在寻找 "净新增信息"。信息增益高的段落更容易在子查询竞争中胜出。
• AI Visibility（AI 可见性）：衡量 Fan-out 优化效果的直接指标——你的内容在多少个子查询中被引用。
• LLM Perception Drift（大模型认知偏移）：Fan-out 的子查询路由会随模型更新而变化。今天命中你的子查询，下个月可能指向竞品。
• llms.txt：通过主动声明核心页面，引导 AI 爬虫在 Fan-out 检索时优先抓取你的高价值内容。

参考来源

1. Google I/O 2025, "AI Mode in Google Search," 2025 年 5 月. 链接
2. Semrush, "What Is Query Fan-Out & Why Does It Matter?" 链接
3. Mike King (iPullRank), "How AI Search Platforms Expand Queries with Fan-Out and Why It Skews Intent," 2026 年 1 月. 链接
4. Ekamoira, "What Is Query Fan-Out? How One Query Becomes 12 in AI Search," 2025 年. 链接
5. WordLift, "Query Fan-Out: A Data-Driven Approach to AI Search Visibility," 2025 年. 链接
6. Conductor, "Understanding Query Fan-Out and How it Impacts AI Search," 2025 年. 链接
7. Kopp Online Marketing, "From Query Refinement to Query Fan-Out: Search in times of generative AI," 2025 年. 链接
8. ALM Corp, "Query Fan-Out Impact: Complete 2026 Guide to AI Search Rankings," 2026 年. 链接