核心概念:用 GEO 视角重新翻译传统 SEO 流量逻辑传统搜索引擎直接显示网页链接,而 AI 检索为了给用户提供深度、精准的回答,会在后台生成若干细分检索词(即 Fan-out queries)。这些子查询(Fan-out queries)是 AI 引擎在背景中构建的信息获取桥梁。AI 引擎会整合这些子查询的结果,并在最终合成中把多方信源整合到一起。因此,如果你的品牌或网站能同时在各种 Fan-out 子查询中被提到,你出现在最终 AI 回答中的概率就会倍增。
图 1:AI 搜索引擎通过 Fan-out 子查询进行信息整合的机制那么,如何在具体实操中围绕 Fan-out queries 对网站进行定位和优化?以下是塞勒斯·谢泼德(Cyrus Shepard)提出的 5 步极简优化框架:
- 锁定你当前已拥有排名优势的核心关键词
- 挖掘并汇总该关键词常见的 Fan-out 检索词
- 分析与筛选高价值的 Fan-out 核心分类主题
- 更新存量页面,或创建针对性新内容满足细分意图
- 跟踪并度量在 AI 引擎中的引用与曝光效果
第一步:锁定已拥有排名优势的核心关键词
这里有每个营销人员都必须了解的事实:出现在 AI 回答中的最大预测因素,就是你在常规搜索结果中已经拥有很高的排名。
📊 多项权威数据研究验证:
- Ahrefs 研究表明:38% 的 Google AI Overviews 引用地址源自常规排名前 10 的网页。
- AirOps 数据发现:ChatGPT 引用的信源网页中,有 43.2% 正是常规 Google 排名第 1 的页面。
- Semrush 交叉比对:Perplexity 生成的回答信源,与 Google 常规排名前 10 的重合度高达 82%。
如果你能同时在多个 Fan-out 子查询中获得排名,你被 AI 引用的几率会呈指数级增长。最方便的定位方式是利用 Google Search Console (GSC) 找出你排在第一页或第二页前列、但因为 AI Overviews 的出现导致点击率有所流失的优质页面。
图 2:在 GSC 中定位高展现但受 AI 回答挤压的“title tag length”关键词第二步:挖掘并汇总 Fan-out 检索词
在确定要优化哪些子查询之前,我们必须打破一个误区:即“对于任何给定的搜索,其 Fan-out 检索词都是恒定且固定的”。事实上,Fan-out 检索词是由 AI 引擎在用户检索时即时生成的,它是概率性的、高度个性化的。即使你连搜 10 次,也有可能返回 10 组不同的子查询。
但是没关系,它们的底层意图是高度重合的。为了汇总出最全面的子查询列表,我们可以组合利用以下手段:
- QueryFan / Qforia (基于 API 的自动挖掘):输入你的目标词,它们可以自动调用 OpenAI 或 Gemini API 模拟真实用户的不同 Persona 导出子查询报表。
- Bing Webmaster Tools (Grounding 验证词):在必应管理员工具的 AI 效果报表中,会直接显示具体引用的 Grounding 词汇。
- 非 API 在线工具:如 Dejan 开发的 queryfanout.ai,或是 Otterly 的子查询分析工具,可以直接在网页端提取。
🤖 利用 AI 自行合成模拟子查询
实际上你不需要依赖专门的 API 工具,你可以通过给大型语言模型(ChatGPT / Claude)灌入高度精确的 Prompt,直接在本地合成极高质量的模拟子查询列表。塞勒斯推荐使用以下 Prompt 模版:
You are an expert SEO strategist and search intent analyst. Generate fan-out queries for this seed search phrase: [INSERT SEARCH PHRASE] A fan-out query is a realistic search query that helps satisfy the user’s underlying information need behind the seed phrase. It may restate, refine, define, compare, troubleshoot, or apply the topic to a specific platform, audience, tool, or use case. Return 50 total queries grouped under these headings: Primary intent queries Supporting subtopic queries Comparison queries Problem/solution queries Audience or use-case queries Decision-stage queries Rules: - Stay tightly connected to the seed phrase, its intent, and the subtopics needed to answer it well. - Include exact-intent variants, follow-up questions, definitions, attributes, examples, comparisons, problems, fixes, tools, platforms, and use cases when relevant. - Use natural search-query wording. - Include short-head, mid-tail, and long-tail queries. - Avoid broad, vague, off-topic, redundant, awkward, or unlikely queries. - Do not force commercial, tool, platform, or “best” queries unless they naturally fit. - Put each query on its own line. - Do not number queries. - Do not include commentary. Silently remove anything that is not useful for SEO content planning.
第三步:分析与筛选核心分类主题
运行完上述 Prompt 后,你的工作表里通常会积累非常庞杂的子查询。例如在优化“SEO title length”时,我们直接得到了接近 400 个子查询!这其中有非常多语义重复、含义偏离、或过于狭隘不具备优化价值的噪点数据。
手动清洗耗时费力,你可以将这批原始数据重新灌入 ChatGPT/Claude,使用专门的“内容缺口分析 Prompt”来进行收敛与合并:
You are an expert SEO strategist and keyword researcher. I will give you a primary search phrase and a raw list of fan-out queries. Your job is to clean, filter, and consolidate the list into a focused keyword set for SEO content planning. Primary search phrase: [INSERT SEARCH PHRASE] Raw fan-out queries: [PASTE QUERY LIST] Instructions: 1. Identify the core search intent behind the primary phrase. 2. Remove queries that are obviously not useful for ranking a single strong page for that intent. Remove: - Different meanings of the main words - Broad or generic topic drift - Loosely related subtopics - Queries better suited to a separate article - Unrelated tools, platforms, trends, news, jobs, salaries, rules, or frameworks - Duplicates, awkward phrasing, or unlikely searches Do not remove adjacent queries if they directly support the primary topic’s specific angle. 3. Keep queries that naturally belong on the same page and help explain, expand, compare, refine, or satisfy the core intent, including: - Core synonyms - Beginner questions - What/how/why/best/vs/for variations - Problem and solution queries - Comparison queries - Attribute, feature, tool, process, or platform-specific queries, when relevant 4. Consolidate duplicates and near-duplicates. Choose the clearest, most natural search phrase for each group. Do not list multiple queries that mean essentially the same thing unless they represent meaningfully different search behavior. 5. Create: - 20–25 primary keywords worth targeting directly - 5–10 optional secondary queries to include naturally Primary keywords should cover the strongest recurring intent clusters, not just close synonyms of the head term. Optional secondary queries should be useful supporting concepts, not a dumping ground. Include them only when they add topical coverage but are too narrow, tool-specific, platform-specific, use-case-specific, or low-priority to be direct ranking targets. Be strict. Do not include weak queries just to reach a count. Output format: Obvious off-topic buckets: - [Bucket]: [brief examples] Consolidated target query set: 1. [keyword] 2. [keyword] Optional secondary queries: 1. [query] 2. [query] Do not include a page structure or extra commentary.
📈 查询量评估与关键词聚类
通过 Prompt 2,我们可以筛选出约 25 个最核心的检索目标。接着,我们可以将这些关键词丢入 Ahrefs 获取搜索量(Search Volume)。即使许多长尾子查询没有明显的检索量也不用担心,AI 的检索链路不依赖绝对搜索量。
为了明确网站的覆盖缺陷,我们可以使用 Keyword Insights 等工具进行“关键词聚类(Clustering)”——根据 Google 检索结果的重合度,判定哪些子检索词可以通过同一个页面来承载,而哪些需要创建全新的分支页面。
在塞勒斯的案例中,他们发现自己的 title tag 页面在“title length checker(长度检测工具)”和“serp snippet preview tool(搜索片段预览工具)”这两个关键子查询上存在巨大的内容缺口,这正是他们急需优化的 AI 流量卡位点。
第四步:优化页面以精准对应 Fan-out 检索
定位到缺口后,通常有两条路线:第一是创建新页面,第二是更新存量页面。在实际操作中,更新已有高排名、高权重的页面通常是更高效的选择。优化时的核心逻辑是:
🎯 1. 内容与子查询精确对齐 (Strict Alignment)
直接在你的 H2 / H3 标题中完整包含或变体套用这个 Fan-out 词(例如“什么是最佳的 SEO Title Length Checker?”),并且在随后的第一段文字中,直接提供答案。AI 引擎提取时非常看重这种“直达意图”的排版。
🚫 2. 不要试图去创建巨型页面 (Avoid Godzilla Pages)
切记不要为了覆盖所有的子查询,而把一个页面写成了无所不包的百科全书(Godzilla Pages)。内容必须保持高度的聚焦和相关性,将其他较远的话题合理分配给分支子页面。
💎 3. 坚决摒弃同质化废话 (Ensure Originality)
AI 引擎喜欢抓取具备独特见解的信息。在你的回答段落中,务必加入第一手的研究数据、真实的案例打分,或者独特的专家视点,而非使用 AI 辅助工具灌入一些放之四海皆准的空话。
在本案例中,塞勒斯并没有凭空添加多余长文,而是针对几个主流 Title Checker 软件进行了真机测试,并将这篇测试的“一手测评文案”以独立的 H3 段落增补到了网页中。
第五步:度量在 AI 检索中的可见度提升
一个好消息是:优化 AI 检索结果所获得的反馈,通常比优化传统 SEO 排名要快得多。因为像 Google AI Overviews 这类生成式功能是利用了如 FastSearch / RankEmbedBERT 的即时缓存机制,它的分析评估生命周期通常在 70 天以内,而传统自然搜索排名则需要近 13 个月的数据沉淀。
你可以通过以下几种手段来评估优化成效:
- Bing Webmaster Tools AI Performance Report (必应 AI 报表):目前必应工具在 AI 度量上处于领先位置。在报表中你能够非常精确地看见每一个 URL 获得了多少次 Copilot AI 引用,并且能溯源拉动这次引用的具体 Grounding Queries(如图 3 所示)。
- Google Search Console Generative AI Features (谷歌 AI Overviews 展示):GSC 最近也上线了 Generative AI 筛选器,虽然没有提供对应的子查询明细,但你可以监控网站在 AI Mode 下整体的展现与点击走势。
- 使用 Ahrefs Brand Radar 等专业监测方案:你可以录入自己设定的上百个 AI 常见 prompt,由第三方监控软件在后台自动化对各大主流大模型(GPT-4、Claude-3、Gemini)的回答中是否提到了你的品牌进行全天候抓取与统计。
图 3:在 Ahrefs Brand Radar 中对核心词的 AI 引用占比进行长期跟踪💡 付费订阅特权:AI 缺口自动分析工具
由于 Fan-out 框架的前期筛选属于纯体力劳动,塞勒斯为付费订阅会员开发了两个 AI 助手(一个运行在 ChatGPT,一个运行在 Claude)。它们能够自动爬取你的页面 URL 及其排名竞品,与后台库中的 Fan-out 拓扑对比,直接在画布中标记出:
- 目标关键词背后的核心搜索意图分类
- 该页面当前已经完备覆盖了哪些子查询话题
- 哪些话题属于缺失的缺口,并给出对应的 H2 标题建议与写作方向
- 建议该话题应在原网页扩充段落,还是应该新开一个子页面
ChatGPT Analyzer
Claude Analyzer🎯 核心要点总结:传统 SEO 让我们在常规搜索占领前排,而 Fan-out 框架则让我们在 AI 生成答案的研究路径上多点卡位,这也是未来 SEO 应对 AI 搜索的核心出路。
常见问答 (FAQ)
Q1: 这不就是传统 SEO 中的“相关检索”词(Related Searches)优化吗?两者换汤不换药?
绝大多数 AI 时代的搜索策略在传统 SEO 里面都有影子。两者的逻辑可以说是“换汤不换药,但加了关键配方”。不同之处在于:第一,AI 会生成丰富得多的子查询结构,包括深度竞品对比、解决方案排障以及长尾决策漏斗;第二,我们不再过度关注传统 SEO 的“月均搜索量”指标,因为很多子查询虽然检索量极低甚至在 GSC 里为 0,但只要它们处于大模型的研究图谱上,就必须进行覆盖;第三,大模型提取引用的反馈周期远快于传统算法。
Q2: 这个流程的最终目的,是出现在 AI 的最终回答文字中,还是作为下方的引用源卡片?
这是一个极佳的问题。在实际操作中,大模型的信源引用(Citation)通常是首要追求,因为这是流量导入网站的直达路径。但在底层逻辑上,这两者有很大重叠。你所表达的观点被大模型归纳进首段,往往取决于其他页面对你的正面提及;而大模型在回答中推荐你的产品并给出外链,则直接取决于你是否很好地满足了他们召回时的子查询缺口。随着各家模型频繁更新,这两者的协同效应越来越强。
Q3: 为什么大模型在引用响应上的反馈,可以比传统 SEO 调整排名快那么多?
这源自算法设计的底层差异。像 Google AI Overviews 依靠的主要是 FastSearch/RankEmbedBERT 模块。这个模块在检索和组织 AI 生成卡片时,更侧重于对信源最近 70 天左右的数据表现进行即时更新与抓取;而传统的有机搜索引擎排名(Core Ranking)则需要结合大量历史用户信号、近 13 个月以上的域名综合表现进行权衡。因此你在页面上做出的缺口补充,能够在下一轮 AI 模型重建索引时迅速获得引用加成。