查询扇出（Query Fan-Out）详解：AI 搜索如何把一个问题拆成多个查询

Query fan-out（查询扇出）是 AI 搜索引擎处理问题的一个环节：它把你的一个问题改写成多个更窄的搜索，执行这些搜索（通常是同时执行），再根据所有搜索返回的结果写出一个答案。Google 在 AI Mode（AI 模式）和 AI Overviews（AI 概览）的文档里都写明了这一机制，ChatGPT、Perplexity 和 Gemini 也各有自己的做法。正因为有它，一个网页可能会因为一个它从未获得排名的提示词而被引用，而一个在核心词上排第一的网页反倒可能落选。

本文只用 Google、OpenAI 和 Perplexity 实际公开过的资料来解释这一机制，展示我们在 2026年10月18日从 Gemini API 抓取真实扇出查询时看到的情况，并给出一套可重复使用的方法：把任何主题的子查询梳理出来，再整合成一个结构扎实的网页。下文每个数字都注明了由谁、用什么方法测得。

AI 搜索里的查询扇出到底是什么？

查询扇出是一种检索技术：大语言模型把一个提示词扩展成多个相关的搜索查询，分别检索结果，再以合并后的结果为依据生成一个答案。Google 在其 Guide to Optimizing for Generative AI Features（生成式 AI 功能优化指南）的术语表中，把它定义为“由模型生成的一组并发、相关的查询，用来获取更多信息”。

Google 举的例子之所以有用，正是因为它再普通不过。对于“草坪里长满杂草怎么办”这个问题，扇出查询可能包括“最好用的草坪除草剂”“不用化学药剂除杂草”和“如何预防草坪长杂草”。这些都不是用户输入的原话。每个查询检索到的是另一批网页，最终答案可以同时引用这三批网页里的段落。

由此可以得出两点。第一，检索的基本单位是子查询，所以一个网页争夺的是这些隐藏的搜索，而不只是用户看得见的提示词。第二，查询扇出建立在常规搜索之上。Google 明确表示，AI Overviews 和 AI Mode 都植根于其核心排名系统，网页要想作为辅助链接出现，“必须已被编入索引，并且有资格在 Google 搜索中以摘要形式展示”（AI features and your website）。查询扇出是把网撒得更大，而不是取代索引。如果你刚接触这个领域，可以先看我们关于生成式引擎优化（GEO）的入门文章，了解整体背景。

Google AI Mode 是怎么做查询扇出的？

AI Mode 用一个 Gemini 模型来判断一个问题需要覆盖哪些子主题，同时针对这些子主题执行多次 Google 搜索，然后组装出一个带链接的答案。这是官方的说法，而且从上线至今一直没变：

• 2025年3月，正式上线。Google 表示 AI Mode“采用‘查询扇出’技术，在多个子主题上同时发出多个相关搜索”，运行在定制版的 Gemini 2.0 上（Google，2025年3月5日）。
• 2025年5月，Google I/O。搜索业务负责人 Elizabeth Reid 介绍说，AI Mode 会“把你的问题拆成多个子主题”，并“同时发出大量查询”，让搜索能够“比传统搜索更深入地挖掘网络”。同一篇文章还推出了 Deep Search，它“可以发出数百次搜索”，生成一份带引用的报告（Google，2025年5月20日）。
• 2025年7月，更多细节。搜索产品副总裁 Robby Stein 解释说，以一次纳什维尔之行为例，系统“可能会想到一连串问题，比如好餐厅、好酒吧、带孩子能去哪儿玩”，然后“基本上就开始用 Google 搜了”。他还补充说，AI Mode 会调用 Google 的实时系统，比如 Google Finance 和 Shopping Graph（Search Engine Journal）。
• 2025年11月，Gemini 3。Google 表示查询扇出“迎来重大升级”：搜索可以执行更多次搜索，并“发现以前可能遗漏的新内容”（Google，2025年11月18日）。

Google 的专利也指向同一方向，但要打个折扣。专利申请“Search with stateful chat”（US20240289407A1）描述了“利用 LLM 输出生成一个或多个合成查询”并筛选结果文档；已获授权的“Thematic search”专利（US12158907B1）描述了生成子主题、并用第二个查询来细化第一个查询。专利只能说明 Google 发明了什么，不代表线上正在运行什么，所以请把它们当作合理的描述，而不是技术规格。

Google AI Overviews 也用查询扇出吗？

是的，有时会用。Google 的文档写道，AI Overviews 和 AI Mode 都“可能采用‘查询扇出’技术，在多个子主题和数据源上发出多个相关搜索”。“可能”二字很关键：AI Overviews 的设计目标是快速回应简短查询，而 2025年11月的那篇文章提到，这两项功能都会把较难的问题交给更大的模型处理，较简单的问题则交给更快的模型。实际情况大致是：快速生成的 AI Overview 扇出较少，AI Mode 和 Deep Search 扇出较多。Google 没有公布两者的具体数量。

ChatGPT 和 Perplexity 怎么拆分一个提示词？

ChatGPT 会把你的提示词改写成一个或多个搜索查询，发给它的搜索服务商，读完第一批结果后还可能追加更窄的查询。OpenAI 关于 ChatGPT search 的帮助文章说，它“通常会把你的查询改写成一个或多个有针对性的查询”，并举了一个生物科技的例子：第一个查询之后会跟着“更多、更具体的查询”。文章还提到，开启 Memory（记忆）后，改写时可能会带上已保存的信息：一位住在旧金山的素食用户搜索餐厅，查询就会变成“good vegan restaurants San Francisco”（旧金山好吃的素食餐厅）。个性化意味着，两个用户输入同一个提示词，触发的扇出查询可能完全不同。

Perplexity 的 Pro Search 会一步步拆解问题，并能发起“基于前一轮结果的后续搜索”。这是一种顺序式扇出：搜索、阅读、再搜索。

厂商没有公开的部分，第三方测量补上了：

• 每个提示词的查询数量。Peec AI 分析了 2026年4月的 500 万次扇出，统计出 ChatGPT 每个提示词 2.1 个，Perplexity 1.4 个，Grok 6.8 个（Peec AI，2026年5月）。Profound 连续 14 天运行了 10,000 个提示词，发现 ChatGPT、Perplexity 和 Copilot 每次运行大约搜索 1.4 到 2 次。
• 查询更长、更具体。在五个国家的 2,000 万次 ChatGPT 扇出中，查询的平均长度从 2025年10月的约 6 个词翻倍到 2026年1月的约 12 个词，而每个提示词的查询数量一直保持在 2.3 到 2.8 之间（Peec AI，2026年2月）。ChatGPT 并没有搜得更频繁，而是搜得更精准。
• 很少重复。在 Profound 的研究中，ChatGPT 的查询字符串在多轮重复运行中有 91% 是独一无二的；Perplexity 只有 14%，因为它的查询基本贴着用户的原话。
• 并非每个提示词都会触发搜索。DataForSEO 发现，在 100,000 个 ChatGPT 提示词中，有 47.5% 触发了扇出搜索（DataForSEO，2026年5月）。其余的直接用模型自身的知识作答。

为什么非英语提示词，ChatGPT 也会用英语搜索？

OpenAI 以外没人能确定原因，但这个规律已经被测得很清楚。Peec 发现，在约 78% 的非英语案例中，ChatGPT 额外加入了英语搜索；非英语提示词的所有扇出步骤中，有 43% 是用英语执行的，比例从土耳其语的 94% 到西班牙语的 66% 不等（Peec AI）。他们举的例子里，德语的软件类提示词返回的结果中一家德国公司都没有。OpenAI 没有说明它如何选择搜索语言。对非英语国家的品牌来说，影响非常具体：你的本地语言页面只是检索池的一部分，所以你还需要在你所在品类排名靠前的英语信息源里，被准确地描述出来。

引擎	厂商官方说法	第三方实测	对你意味着什么
Google AI Mode	把问题拆成子主题；“同时发出大量查询”；已随 Gemini 3 升级	Gemini 3 API：强制开启 grounding 时每个提示词 10.7 个扇出查询（Seer，501 个提示词）	扇出最多。要覆盖整个决策过程，而不只是核心词
Google AI Overviews	“可能采用”扇出；简单查询交给更快的模型	没有公开数量。大多数被引用的网页仍排在前 10 名（Ahrefs，2025年7月）	传统排名在这里仍然最重要
Google Deep Search	“可以发出数百次搜索”	没有公开数量	有深度的内容和一手数据会被纳入长篇报告
ChatGPT search	改写成“一个或多个有针对性的查询”；会追加查询；会参考记忆	每个提示词 2.1 个；长度从约 6 个词增至约 12 个词；91% 的字符串独一无二；约 47.5% 的提示词会触发搜索	查询少、精准、多变。要成为每个具体子需求下最好的那个页面
Perplexity	Pro Search 会进行多步骤的后续搜索	Sonar 上每个提示词 1.4 个；查询贴近用户原话	在这里，贴合用户自己的说法仍然有帮助

一个提示词会生成多少个扇出查询？

少则零个，多则数百个。各家公布的平均值之所以对不上，是因为他们测的根本不是同一件事。可以这样解读：

• Seer Interactive，Gemini 3 API：在 501 个提示词中，每个提示词 10.7 个（范围 3 到 28 个），比 Gemini 2.5 的 6.01 个高出 78%（Seer，2025年11月）。Seer 对每个提示词都强制开启了 grounding，所以每个提示词都会搜索。
• Seer Interactive，重复运行：100 个提示词各运行 13 次，平均每个提示词 8.52 个（Seer，2026年1月）。
• Peec AI 和 Profound，面向普通用户的引擎：基于追踪的提示词测得，ChatGPT、Perplexity 和 Copilot 每个提示词 1.4 到 2.1 个。
• 深度研究模式：Google 表示 Deep Search 可以发出数百次搜索；Ahrefs 报告过一次 ChatGPT Deep Research 任务执行了 420 次搜索（Ahrefs，2026年3月），但这只是个例，不是平均值。

所以实事求是的答案是：普通的聊天回答会执行少量搜索，AI Mode 更多，研究模式则多得多。比数量更重要的是查询的形态。同一项 Seer 研究发现，95% 的 Gemini 3 扇出查询月搜索量为零；在重复运行的研究中，11,029 个不重复的扇出查询里只有 8 个在全部 13 轮中都出现过。扇出查询又长又具体，而且大多是模型临时生成的，所以关键词工具永远也显示不出其中的大部分。

我们抓取真实扇出查询时看到了什么

为了亲眼看看这个机制，而不是复述别人的总结，我们在 2026年10月18日做了一次小规模抓取。我们向 Gemini API 发送提示词，开启 Google Search grounding 工具（不强制，由模型自己决定是否搜索），并按 API 响应中返回的内容，记录下模型执行的每一个搜索查询。我们用了三个模型：gemini-2.5-flash、gemini-3.1-pro-preview 和 gemini-3.8-flash。

商业类提示词是：“一家 15 人的远程营销代理公司，用哪款项目管理工具最好？每年要花我们多少钱？”我们一共运行了 13 次（三个模型分别运行 5 次、3 次和 5 次）。我们还把 Google 自己举的草坪杂草例子运行了 6 次。

模型	运行次数	每次运行的搜索数	包含“哪款工具最好”发现型查询的运行次数	模型搜索过的品牌
gemini-2.5-flash	5	2、8、6、12、7	5 次中 5 次	Asana、ClickUp、Monday.com（各在 5 次中出现 4 次），Wrike 和 Trello（5 次中 3 次），Teamwork.com（5 次中 2 次），Notion、Jira、Smartsheet（5 次中 1 次）
gemini-3.1-pro-preview	3	3、3、4	3 次中 1 次	ClickUp、Asana、Monday.com（3 次中 3 次）
gemini-3.8-flash	5	4、4、4、3、4	5 次中 0 次	Asana、ClickUp、Monday.com（5 次中 5 次），Teamwork.com（5 次中 4 次）

有三个发现特别值得注意：

1. 较新的模型跳过了发现环节。Gemini 2.5 Flash 先搜索了“best project management tools for remote marketing agency”（适合远程营销代理公司的最佳项目管理工具），然后查了多达八家厂商的价格。两个 Gemini 3.x 模型则大多直接搜索“clickup pricing plans annual”这类查询，只针对它们心里早已有数的三四家厂商。在 8 次 Gemini 3.x 运行中，有 7 次没有任何一个搜索在问哪款工具最好。候选名单来自模型本身，搜索只是用来核实价格。
2. 价格是唯一不变的需求。全部 13 次运行都搜索了价格，13 次中有 9 次加上了“annual”（年付），13 次中有 4 次加上了年份（2025 或 2026）。13 次运行中没有一次搜索评价、集成、客户或访客权限、工时追踪，尽管这些对代理公司很重要。这些需求如果有回答，也是模型凭自己的知识回答的。
3. 有些提示词完全不触发搜索。对于草坪杂草问题，Gemini 3.8 Flash 在 3 次运行中 3 次都直接用自身知识作答。Gemini 2.5 Flash 在 3 次中有 2 次进行了搜索，分别执行了 5 个和 6 个查询，比如“natural weed control methods for lawns”（草坪天然除草方法）和“chemical weed killers for lawns”（草坪化学除草剂），和 Google 文档里的例子非常接近。

局限性：这只是某一天的 19 次 API 调用。开启 grounding 的 Gemini API 和 Google AI Mode 并不是同一个系统，AI Mode 还叠加了自己的排名、Shopping Graph 和个性化层。请把这次抓取看作观察 Gemini 模型如何规划搜索的一个窗口，而不是对 AI Mode 的测量。即便如此，对厂商来说启示很实际：如果模型手里已经有一份候选名单，你就得进入这份名单（这取决于你在全网被如何描述，而不是靠某一个页面）；而真正会被执行的查询，比如“[your brand] pricing per user annual”，必须落在一个可抓取、信息最新的价格页面上。

为什么核心词排名第一，还不足以获得 AI 引用？

因为 AI Mode 是针对子查询做检索，而不只是针对提示词本身；在子查询上胜出的页面，往往不是在核心词上排名靠前的页面。seoClarity 在 2025年9月检查了 1,000 个美国交易型查询，发现 12,011 条 AI Mode 引用中只有 19% 来自自然搜索前 20 名，只有 28% 的查询至少引用了一个前 10 名的网址（seoClarity，2025年10月）。iPullRank 的 Mike King 也观察到同样的现象：被引用的页面往往在原始查询下连前 100 名都排不进，因为它们是被合成的子查询检索出来的（iPullRank）。

AI Overviews 的情况不同，这一点值得说清楚。Ahrefs 发现，在其 2025年7月抽样的 100 万个 AI Overview 中，76.1% 的引用来自前 10 名（Ahrefs）；作者检验扇出是否能解释其余的引用时，数据并不支持这一假设。所以可以这样总结：对 AI Overviews 来说，排名好仍是主要抓手；对 AI Mode 和聊天类引擎来说，核心词排名只能让你进入几个检索池中的一个，其他检索池取决于你对每个子问题回答得有多好。

一个提示词的扇出地图长什么样？

扇出地图列出一个提示词隐含的所有子问题、每个子问题的类型，以及你的页面在哪里回答它。下面是我们为上文项目管理提示词绘制的地图，并对照了 Gemini 模型在我们 13 次运行中实际搜索的内容。它包含 12 个子查询，与已发表研究中一个内容丰富的提示词通常对应的 8 到 11 个大体一致。

#	子查询	类型	在我们 13 次运行中被搜索过吗？	应该回答它的段落
1	适合营销代理公司的最佳项目管理软件	发现	13 次中 6 次（主要是 Gemini 2.5）	一个 H2，给出排序后的候选名单和筛选标准
2	适合远程团队的项目管理工具	限定条件	13 次中 5 次（“remote”）	一个 H3，讲异步协作功能、时区
3	[Tool] 按用户计价，年付	核实	13 次中 13 次	注明核实日期的价格表
4	15 个用户一年的费用	计算	13 次中 5 次（“15 users”）	每款工具的费用计算示例
5	[Tool] 2026 年价格	时效	13 次中 4 次（加了年份）	醒目的“价格核实日期”
6	[Tool A] 与 [Tool B] 哪个更适合代理公司	对比	13 次中 2 次（泛泛的“comparison”）	对比表
7	[Tool] 用于营销代理公司	实体 + 使用场景	13 次中 1 次	每款工具一段简短说明
8	客户门户或访客权限	隐性需求	13 次中 0 次	一个 H3，讲客户协作
9	工时追踪和可计费工时	隐性需求	13 次中 0 次	一个 H3，讲计费流程
10	与 Slack、Google Workspace、HubSpot 的集成	隐性需求	13 次中 0 次	集成对照表
11	代理公司用户的评价	验证	13 次中 0 次	独立评价的汇总，附链接
12	年付与月付的折扣对比	费用细节	13 次中 9 次（“annual”）	价格表下方的一行说明

仔细看那些“0 次”。它们并不意味着“这些可以跳过”，而是说明模型凭已有的知识回答了这些需求。所以影响它们的办法，是让你在全网（评价、对比文章、产品文档）被准确地描述，而不是等一个可能永远不会执行的搜索。次数高的那几行，才是单个页面可以直接赢得检索的地方。

怎样找到我所在主题的扇出查询？

把人工梳理的地图（覆盖模型会考虑的方面）和实际观察到的查询样本（看模型真正搜了什么）结合起来。我们用的方法如下：

1. 按买家的问法写提示词。写成完整的句子，加上真实用户会附带的限定条件（团队规模、预算、地点、截止时间）。简短的关键词只会产生简短、缺乏代表性的扇出查询。
2. 拆成带类型的子问题。使用上面地图中的类型：发现、限定条件、核实、计算、时效、对比、实体、隐性需求、验证。目标是 8 到 12 个。
3. 补充真实用户会问的问题。针对核心词和两三个子查询，提取 People Also Ask（“其他人还问了”）和相关搜索。它们不是扇出查询，但用的是人话，问的是同样的问题。AI Rank Lab 的关键词规划工具会在给出搜索量的同时返回 PAA 和相关搜索，能加快这一步。
4. 抓取实际的扇出查询。通过能返回真实查询的来源，把提示词运行 5 次或更多：可以用开启 Google Search grounding 的 Gemini API（响应中会列出它执行过的查询，详见 Google 的 grounding 文档），也可以用 SE Ranking 免费的 ChatGPT Fan-Out Query Extractor。也有从业者在浏览器开发者工具里读取 ChatGPT 的网络响应，但这依赖 OpenAI 随时可能改动的未公开字段，我们在写这篇文章时也没有验证过。
5. 按主题归类，而不是按字符串。把“clickup pricing plans annual”和“ClickUp pricing per user per month annual”合并成一个主题：ClickUp 年付价格。Seer 的重复运行数据显示，完全相同的字符串很少重复出现，所以要统计的是一个主题在多次运行中出现的频率。
6. 对照你的页面逐一标注每个主题。回答得好、回答得单薄，还是完全缺失。那些高频却缺失的主题，就是你的内容大纲。
7. 每个季度重新跑一遍。模型会变。在 Seer 的数据里，Gemini 3 的扇出比 Gemini 2.5 多 78%；在我们的数据里，较新的模型搜索方式又不一样了。

哪些工具能显示扇出查询？显示的是实测还是预测？

评估任何扇出工具，最重要的问题是：它显示的是引擎实际执行过的查询（实测），还是大语言模型认为引擎可能会执行的查询（预测）。两者都有用，但只有实测的查询才算证据。

声明：AI Rank Lab 是我们的产品。之所以把它列在第一位，是因为这是我们的网站；下面每款工具我们都用同一套标准来评价。

工具	实测还是预测	能提供什么	最适合
AI Rank Lab	原始扇出字符串两者都不是；引用数据为实测	不显示扇出查询字符串，而是覆盖围绕它们的各个环节：关键词规划工具中的 PAA 和相关搜索，Content Suite 中的提示词建议和基于竞争对手研究的大纲，以及覆盖 ChatGPT、Claude、Gemini、Perplexity 以及 AI Overviews 和 AI Mode 的定时提示词追踪，记录哪些网址被引用	把扇出地图变成内容，并检查引用是否发生变化
开启 Google Search grounding 的 Gemini API	实测	每次调用中模型实际执行的查询和用到的来源	能跑一段简短脚本的话，可以自己动手抓取；按调用次数付费
SE Ranking ChatGPT Fan-Out Query Extractor	实测（通过 OpenAI 的 API）	每批最多 10 个提示词下 ChatGPT 执行的查询；免费但有每日限额；可导出 CSV	快速、免费地获取 ChatGPT 样本
Peec AI	实测（来自追踪的提示词）	从你追踪的提示词中抓取的扇出查询；他们的研究文章就基于这些数据	持续监测 ChatGPT、Perplexity 和 Grok 的扇出
DataForSEO LLM Mentions API	实测（由厂商采集）	通过 API 获取扇出查询，适合自建数据看板的团队	需要大规模处理的开发者
Otterly AI Query Fan-Out tool	预测	为 ChatGPT 和 Google 的 AI 功能生成扩展查询，按类型和意图标注，可以直接添加为追踪的提示词	快速头脑风暴出一张扇出地图
Qforia（iPullRank）	预测（模拟）	为 Google AI Mode 和 AI Overviews 模拟生成合成查询	免费起步，绘制 Google 风格的地图

我们没有列出价格，因为这些功能大多捆绑在更大的套餐里，价格经常变动；请在购买当天查看各厂商的价格页面（我们在 2026年10月18日查看时，SE Ranking 的这款工具是免费的）。

页面该怎么组织，才能让每个段落回答一个子查询？

给每个高频子问题单独一个标题清晰的板块，开头先给出直接、能独立成立的答案，再展开论证。扇出检索会拿段落去匹配大量具体查询，所以一个在前两句话就把问题答清楚的板块，很容易被检索和引用。这对读者来说同样是好的写法，而且 Google 明确表示你不需要做更多：“没有必要为了让 AI 更好地理解而把内容拆成碎片”，而且它的系统“能够理解同义词”，所以不需要逐字逐句去贴合扇出查询的措辞。

针对一个买家问题，可以使用下面这个大纲模板：

1. 开篇答案（2-3 句）。直接回答母提示词，单独拿出来也能被引用。
2. 核心要点框。四五行读者（或模型）可以直接摘取的内容。
3. H2：发现型子查询（“哪款 X 最适合 Y？”），给出候选名单和背后的筛选标准。
4. 每个限定条件一个 H2 或 H3（团队规模、预算、地区、使用场景）。每个板块开头先给出该条件下的答案。
5. 用一张表回答核实型子查询：价格、限额、规格，并注明核实日期。
6. 一张对比表，回答“A 与 B 哪个好”这类子查询。
7. 隐性需求用 H3，覆盖买家没说出口、但一定会在意的问题。
8. 操作步骤用有序列表，前提是问题本身隐含“要动手做”。
9. FAQ 条目，用来回答剩下的简短子问题。
10. 来源和方法随文注明，让每个论断都带着自己的证据。

我们的 AEO 检查清单覆盖了技术层面（可索引性、摘要展示资格、页面速度），这些决定了上面任何一个段落能否被检索到。AI Rank Lab 的 Content Suite 可以根据提示词和竞争对手研究生成这样的大纲，它的 SEO、AEO 和 GEO 审计工具会在页面上线后检查页面结构。

要不要为每个扇出查询单独做一个页面？

不要。Google 的指南说得很直白：虽然“为人们可能使用的每一种搜索变体分别创建内容，听起来很诱人”，但为了操纵排名或 AI 回答而这样做，违反了其规模化内容滥用政策，而且“页面数量多，并不会让网站质量更高”。查询扇出本身也让这种做法行不通：查询字符串几乎每次运行都在变，一个字符串做一个页面，就是在追一个下次就不在原地的目标。针对每个真实的买家问题做一个完整的页面，每个子问题一个板块，既合规又有效。只有当某个子问题确实是另一件事时（比如一个完整的价格页面，或一份专门的集成指南），才值得单独建页。

查询扇出优化的常见误区

• 每个子查询做一个页面。按 Google 的说法这属于规模化内容滥用，而且考虑到扇出字符串极不稳定，这样做也毫无意义。
• 针对精确的扇出字符串做优化。在 Seer 的 13 轮运行中，11,029 个 Gemini 3 扇出查询只有 8 个每轮都出现；在 Profound 的研究中，91% 的 ChatGPT 字符串是独一无二的。要瞄准主题。
• 按关键词搜索量排优先级。Seer 的数据显示，95% 到 99% 的扇出查询没有任何记录的搜索量。应该按一个主题在多次运行中出现的频率，以及它离购买决策有多近来排序。
• 把预测的扇出查询当成证据。生成“可能的子查询”的工具只是头脑风暴，不是测量。要用实际抓取的数据来验证。
• 忽视模型的先验知识。在我们的抓取中，较新的模型只搜索它们已经知道的品牌。在第三方评价、对比文章和产品文档中被准确描述，本身就是扇出优化的一部分。
• 价格页面信息过时或屏蔽了爬虫。像“[brand] pricing annual”这样的核实型查询，在我们 13 次运行中每次都出现了。如果这个页面信息过时、藏在表单后面，或者只能靠 JavaScript 渲染，模型就会拿别人的页面去核实。
• 忘了英语检索池。对非英语市场来说，Peec 的数据显示，ChatGPT 有很大一部分搜索是用英语执行的。
• 为 Google 添加专门的 AI 标记或 llms.txt。Google 表示，要出现在它的 AI 功能中，你不需要新的机器可读文件、AI 文本文件，也不需要特殊的 schema.org 标记。

怎么衡量扇出优化有没有效果？

要在多次重复运行中衡量母提示词的引用和展示次数，而不是看某一次的快照。把两种来源结合起来，就能得到比较客观的结论：

• Google Search Console 的生成式 AI 效果报告。它于 2026年6月3日推出，并在 2026年8月31日前向所有网站开放，显示 AI Overviews、AI Mode 和 Discover AI 功能的展示次数、页面、国家、设备和日期（Google Search Central）。它不会列出扇出查询，所以可以用它来观察你重构页面后，哪些页面获得了更多 AI 展示次数。
• 跨引擎重复追踪提示词。定时运行母提示词，记录哪些域名和网址被引用。要有心理准备，数据会有波动：在 AI Rank Lab 追踪的 42 个提示词-引擎组合、共 968 次重复运行中（2026年2月至10月），相邻两次运行之间被引用域名重合度的中位数是 0.41（Jaccard 系数），而每次运行都出现的被引用域名，中位数只占 3.5%。运行之间的差异这么大，判断变化要看几周的多次运行，而不是一次检查。我们的 AI Overview 检测工具指南讲解了如何针对 Google 设置这套流程，30 天 ChatGPT 引用实战手册则介绍了 ChatGPT 上的同一套循环。

在归因上要实事求是。目前没有任何已发表的对照研究，能单独证明扇出覆盖就是引用增长的原因；而且 Ahrefs 的 AI Overview 数据也不支持用扇出来解释前 10 名以外的引用。扇出地图是一种规划方法，能让页面更完整、更有机会被引用，但它不是一个一按就灵的开关。

一句话总结

查询扇出把一个提示词变成多个精准、多变的搜索。Google 有文档，OpenAI 也有文档，而测得的数量取决于引擎、模型和方法。按类型梳理子问题，抽查一批实测查询，把它们归成主题，再在一个完整页面里用标题清晰的板块逐一回答每个主题，并在核实型查询会落到的页面上写明带日期的事实。然后，在多次重复运行中衡量效果。

如果你想知道 ChatGPT、Claude、Gemini、Perplexity、AI Overviews 和 AI Mode 在你的提示词下引用了哪些页面，并把其中的空白变成内容大纲，可以在 AI Rank Lab 里追踪你的提示词。