查询扇出详解：从 Google 专利到 17 万 URL 实证

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。

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（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：

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（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 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 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：

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
• 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
• 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
• 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
• 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

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。