--- title: 查询扇出详解：从 Google 专利到 17 万 URL 实证 canonical: "https://xiaofeng.dev/en/writing/ai-search-query-fanout/" pubDate: 2026-08-22 author: 唐小锋 Xiaofeng TANG description: 拆解 AI 搜索中的查询扇出现象，结合 Google 官方资料、专利、平台实测和社区研究，区分已确认的产品机制、技术参考与行业推测。 tags: [AI Search, GEO, Query Fan-Out, Search Research] --- 在 AI 搜索中，一个复杂问题可能不会只对应一次检索。系统可以将用户问题扩展或拆解为多个相关子查询，并行或分阶段检索，再将多路结果合成为回答。这类"一进多出"的检索过程通常被称为查询扇出（query fan-out）。 ## 可以观察到的查询扇出现象 用同一个问题问不同的 AI 助手，你会看到截然不同的查询扇出行为。 「一千万内最好的玩具是什么？」 这个查询在不同平台上的表现：豆包会展开子查询并展示检索路径（搜索 6 个关键词 / 参考 33 篇资料）；Perplexity 和 Kimi 会列出"搜索网页"下的多个来源与相关检索，但没有逐条展示子查询文本；Google AI Mode 执行查询扇出但部分场景不展示中间过程，直接给出聚合后的答案；ChatGPT 的 Search 模式行为最不透明——只展示来源列表，不公开子查询生成逻辑和并行搜索数量。
豆包：搜索 6 个关键词，参考 33 篇资料，并列出 6 条子查询
豆包：展示 6 条子查询
Perplexity：列出搜索网页下的多个来源
Perplexity：展示多个来源
Kimi：展示搜索网页及 28 个结果
Kimi：展示搜索结果
Google AI Mode：未展示中间子查询
Google AI Mode：聚合后回答
ChatGPT：展示 27 条来源，未展示子查询生成过程
ChatGPT：只展示来源列表
这种差异说明，查询扇出（query fan-out）已经成为 AI 搜索领域广泛讨论的一类检索架构，但不同平台对其实现方式、命名和透明度并不相同。在公开资料层面，Google 的描述目前最直接：官方产品文档明确使用了 'query fan-out' 这一术语，并公开描述了其基本行为。 ## 英文词源 Fan-out 的词根可追溯到拉丁语 *vannus*： > *vannus*（扬谷工具）→ *fann*（扬谷）→ fan（产生气流的装置）→ fan（扇子）→ **fan out**（像扇子一样展开） 动词短语 *fan out* 至少在 1590 年代已经出现，意思就是"像手持扇子一样展开"。AI 搜索借用它的含义：将一个用户查询展开为多个子查询，一次输入，多路搜索。 ## 官方解读 Google 的官方文档给出了明确定义： > **"a set of concurrent, related queries generated by the model"** > （由模型生成的一组并发、相关的查询） Google 并未公开说明当前 AI Mode 的查询扇出实现具体对应哪些专利，但从 2025 年 5 月起，AI Mode 官方介绍、Google I/O 演讲、Search Central 文档、多模态搜索和 Shopping 等多个官方渠道反复确认查询扇出在产品中的实际部署——将其拆解为子主题并行搜索、跨数据源检索、合成带引用的回答。官方资料也从两个角度描述了这项机制：专利揭示技术原理，产品博文展示真实部署。其中 US11663201B2 直接揭示了"子查询怎么生成"；另有三篇官方产品博文具体展示了查询扇出在 AI Mode 中的实际表现，是下图流程图中"并行检索跨多个数据源"环节的现实依据： ### US11663201B2 — Query Variant Generation：子查询怎么生成 专利 [US11663201B2](https://patents.google.com/patent/US11663201B2/en)（Generating query variants using a trained generative model，Google LLC，申请 2018-04-27，授权 2023-05-30）描述了查询扇出的核心环节——如何用训练好的序列到序列（seq2seq）神经网络（架构类似机器翻译）将一个用户查询转换为多个查询变体（query variants）。专利还描述了控制模型，用于判断是否生成查询变体；这可以作为理解查询扇出控制逻辑的技术参考。 专利权利要求 19（Claim 19）直接列举了八种查询变体类型： | # | 类型 | 说明 | 示例 | |---|------|------|------| | 1 | Equivalent Query（同义查询） | 同一意图的不同表述 | "移动电源推荐"、"充电宝选购指南" | | 2 | Follow-up Query（追问查询） | 用户了解原问题后自然会追问的 | "充电宝什么牌子最耐用"、"20000mAh 能用几天" | | 3 | Generalization Query（泛化查询） | 更宽泛的类别上下文 | "便携充电设备推荐"、"出行数码配件清单" | | 4 | Specification Query（规格查询） | 更具体、更明确的角度 | "20000mAh PD 快充充电宝"、"支持苹果 MFi 认证的" | | 5 | Canonicalization Query（规范化查询） | 确定权威或标准版本 | "充电宝十大品牌排名"、"国家 3C 认证充电宝名单" | | 6 | Translation Query（翻译查询） | 跨语言或跨术语的等效表达 | "best power bank 2025"、"PD 快充 英文" | | 7 | Entailment Query（蕴含查询） | 原查询逻辑上必然涉及的内容 | "充电宝能带上飞机吗"、"容量虚标怎么看" | | 8 | Clarification Query（澄清查询） | 消除歧义的请求 | "预算大概多少"、"自用还是送人"（歧义未消无法精准推荐） | ### Google AI Mode 发布博文（2025-03）：query fan-out 的官方定义 Google 官方博文 [Expanding AI Overviews and introducing AI Mode](https://blog.google/products-and-platforms/products/search/ai-mode-search/)（Robby Stein，2025-03-05）是 AI Mode 的发布稿，也是 "query fan-out" 一词在 Google 官方语境中的核心出处。原文直接给出定义："It uses a 'query fan-out' technique, issuing multiple related searches concurrently across subtopics and multiple data sources and then brings those results together to provide an easy-to-understand response."——即并行发出多个相关搜索、跨子主题与多数据源、再聚合为易读回答，与下方流程图的结构一致。同一段列出 AI Mode 可触达的实时数据源：除高质量网页内容外，还有**知识图谱（Knowledge Graph）**、真实世界信息、以及数十亿商品的购物数据；这印证了流程图中知识图谱（Knowledge Graph）作为并行检索数据源之一的设定。底层模型为定制版 Gemini 2.0。 ### Google Shopping AI Mode 博文（2025-05）：fan-out 在购物场景的印证 Google 官方博文 [Shop with AI Mode](https://blog.google/products-and-platforms/products/shopping/google-shopping-ai-mode-virtual-try-on-update/) 描述了 AI Mode 购物场景中的查询扇出：系统"运行若干 simultaneous searches（并行搜索）"来确定一个旅行包"适合雨天和长途旅行"需要哪些特性，再利用这些 subtopics（细分标准）推荐具有易取口袋的防水选项。底层结合 Gemini 与购物图谱（Shopping Graph，超 500 亿商品列表、每小时超 20 亿刷新）。 ### Google 视觉搜索博文（2025-09）：视觉搜索扇出 Google 官方博文 [AI Mode can now help you search and explore visually](https://blog.google/products-and-platforms/products/search/search-ai-updates-september-2025/) 在查询扇出方法之上提出"视觉搜索扇出（visual search fan-out）"：分析图像后在后台 "runs multiple queries in the background"（运行多个查询），以理解完整视觉上下文。原文将查询扇出直接链接至 Google 官方 PDF（AI 概览 AI Overviews / AI Mode 说明），是一手官方定义来源。 ### 概念图：查询扇出的工作流程 把 US11663201B2 专利与三篇 Google 官方产品博文放在一起，可以帮助我们理解 Google 相关技术中"查询变体生成"与"产品级并行检索"两个层面。其工作流程如下： ```mermaid flowchart LR A[用户查询] --> B{意图分析} B -->|简单事实| C[直接返回] B -->|复杂多条件| D[查询分解] D --> E1[子查询 1] D --> E2[子查询 2] D --> E3[子查询 3] D --> E4[子查询 n] E1 --> F1[实时网络（Live Web）] E2 --> F2[知识图谱（Knowledge Graph）] E3 --> F3[购物图谱（Shopping Graph）] E4 --> F4[其他数据源] F1 --> G[证据聚合] F2 --> G F3 --> G F4 --> G G --> H[大语言模型（LLM）合成回答] ``` > 注意：概念化流程图，参考了 iPullRank 原文中的 *查询扇出图谱（Query Fan-Out Map）* 示意图，不代表 Google AI Mode 当前实际实现。 ## 社区研究解读 Google 专利和官方文档描述了查询扇出的技术框架，但社区研究补充了两个维度：**实际效果数据**和**搜索引擎优化（SEO）/ 生成引擎优化（GEO）实操建议**。以下逐一评估四篇代表性社区文章的可信度。 ### iPullRank — 机制分析与意图偏移 - **链接**：[ipullrank.com/expanding-queries-with-fanout](https://ipullrank.com/expanding-queries-with-fanout) - **作者**：Lazarina Stoy（MLforSEO 的创始人/顾问，文章发表于 iPullRank ），2025-12-11 **核心观点**： 1. 查询扇出是自移动优先索引（mobile-first indexing）以来搜索领域最大的结构性变革 2. 多向量检索（multi-vector retrieval）迫使大语言模型（LLM）从多个文本片段（passage）拉取证据，而非依赖单一高排名页面——内容必须原子化、实体丰富、独立可检索 3. 超个性化打破测量体系：同一查询对不同用户展开不同子查询，传统关键词排名工具失效 4. 四平台对比：Google（最透明）、Copilot（迭代式、基于图谱 graph-grounded）、Perplexity（混合检索 + 多阶段排序 multi-stage ranking）、ChatGPT（最不透明） **评价**：**Solid，但意图偏移分析属理论推演**。机制描述直接引用 Google 专利，八种查询变体分类有专利原文支撑，平台对比引用官方文档和 API 文档。Michael King 随后也在 Tech SEO Connect 分享了 Query Fan-out 相关内容。 ### Surfer SEO — 173K-URL 实证数据 - **链接**：[surferseo.com/blog/query-fan-out-impact](https://surferseo.com/blog/query-fan-out-impact/) - **作者**：Joshua Hardwick，2025-12-06 **核心观点**： 1. 样本 173,902 个 URL（10,000 个关键词的 top-10 页面），76% 的关键词触发了 AI 概览（AI Overviews） 2. 排名查询扇出子查询越多，被 AI 概览（AIO, AI Overviews）引用概率越高（斯皮尔曼 Spearman 相关系数 0.77） 3. 同时排名主查询 + 至少一条查询扇出的页面，被引用概率比只排名主查询高 161% 4. 只排名查询扇出 vs 只排名主查询，前者被引用概率高 49% 5. 67.82% 的 AI 概览（AIO）引用根本不在 top-10（主查询和查询扇出都不在）；但只看前 3 条引用，54.14% 在 top-10 内 6. 仅约 27% 的查询扇出查询在多次搜索中保持稳定 **评价**：**在本文考察的公开研究中，Surfer 是方法和样本披露最完整的一项实证研究**：关键词数量、URL 数量、Gemini 提取查询扇出的步骤均透明，样本量足够，并明确声明"相关不等于因果（correlation ≠ causation）"。"27% 稳定性"数据指向查询扇出的高方差本质，有直接实践意义。文末推荐自家 Topical Map 工具，但工具推荐与研究数据明确分离，不影响数据可信度。 ### NextGrowth.ai — 二手整理（数据有误） - **链接**：[nextgrowth.ai/query-fanout-ai-explained](https://nextgrowth.ai/query-fanout-ai-explained/) - **作者**：The Nguyen，2026-05-13 **核心观点**： 1. AI 概览（AIO）引用率从 76% 降至 38%（标注来源"ALM Corp"） 2. 8-16 条并行子查询，161% 引用提升，斯皮尔曼（Spearman）相关系数 0.77（标注来源"ALM Corp"） 3. 26-50% 子查询覆盖率被引用更多，覆盖 100% 反而更差 4. 40-60 词原子化段落，25.7% 新鲜度提升 5. 五步优化法 + 工具推荐（Qforia / Profound / ZipTie / Otterly / AthenaHQ） **评价**：**数据有多处错误**。① "ALM Corp"研究实为 Surfer SEO——来源误标；②"76%→38% 引用率下降"在 Surfer 原文中不存在（原文的 76% 指 AIO 触发率），系误读或混入其他来源；③ 文中编辑声明自己承认"did NOT conduct our own 173K-URL crawl study""Unverified URLs are cited as plain text"。八种查询变体框架正确引用了 iPullRank，基本机制描述与 Google 官方文档一致——这部分可参考，但所有量化数据须以 Surfer 原文为准。**GEO（生成引擎优化）领域目前存在明显的二手引用链污染：一项原始研究的数据被后续文章重新包装后，研究机构、数字含义甚至指标定义都可能发生变化。** ### Astiva AI — 厂商营销（方法论可用，数据不可引用） - **链接**：[astiva.ai/blog/content-hubs-ai-visibility](https://astiva.ai/blog/content-hubs-ai-visibility) - **作者**：Satish K（Astiva AI CEO），2026-06-19 **核心观点**： 1. 支柱页（pillar）+ 8-15 个辐射页（spoke）的中心辐射（hub-and-spoke）架构，引用率提升 2-3× 2. 双向内链将引用率从 12% 提升至 41% 3. 覆盖 5+ 子意图的页面引用概率高 3.2× 4. 季度刷新、60-90 天新鲜度衰减、schema 标记提升引用 2.5× 5. 五步建设法 + Detect → Diagnose → Displace → Prove 品牌化方法论 **评价**：**厂商内容，方法论合理但数据链路不透明**。重复了 NextGrowth 的两处错误（"ALM Corp"误标 + "26-50% 甜点区"），且"2-3×""12%→41%""3.2×""46%/67% 集中度"等数字来源多为 Slate、FuelOnline、Position Digital、Growth Memo 等聚合站点或厂商研究，无原始可查链接。中心辐射（hub-and-spoke）方法论本身是行业常识，与 iPullRank/Surfer 方向一致，可参考框架，但不要直接引用数字。全文穿插自家产品介绍和定价 CTA，属典型的"先造共识再卖工具"营销结构。 ### 小结 | 文章 | 性质 | 可信度 | 可直接引用 | | ------------- | ----------- | --- | ---------------------------------- | | iPullRank | 行业研究 / 机制分析 | 高 | 机制分析和查询变体分类可参考；推测性结论需标注 | | Surfer SEO | 一手实证研究 | 高 | 173K URL 等量化数据可直接引用 | | NextGrowth.ai | 二手整理 | 低 | 机制描述可参考；量化数据不建议引用 | | Astiva AI | 厂商营销 | 低 | 方法论可参考；量化数据不建议引用 | 总体来看，关于查询扇出（Query Fan-out）的证据应按四类来源区分对待：Google 官方确认（AI Mode 部署与定义）、Google 专利描述（查询变体生成等技术原理，属历史背景而非当前实现）、社区实证研究（如 Surfer 的引用数据）、行业推测（如意图偏移推演）。尤其不能把后两者——社区研究与行业推测——包装成 Google 已确认的产品机制。