---
title: 实测中国 AI 助手的 Fan-out 策略：五个平台对比
canonical: "https://xiaofeng.dev/en/writing/china-ai-assistant-fanout-strategy/"
pubDate: 2026-09-06
author: 唐小锋 Xiaofeng TANG
description: 实测豆包、Kimi、元宝、DeepSeek 和通义千问五个中国 AI 助手，比较它们如何拆分和改写查询，并区分查询数组、搜索工具调用和不可见的内部过程。
tags: [AI Search, GEO, Query Fan-Out, Search Evidence]
---

> 资料检索日期：2026 年 9 月 6 日

上一篇文章已经通过 ChatGPT 的官方文档、网页 Network 响应和 API 返回，确认 query fanout 是真实存在的搜索机制。这篇转向中国 AI 助手，观察它们如何拆分和改写用户问题。

本文选取豆包、Kimi、元宝、DeepSeek 和通义千问五个平台，比较它们如何拆分和改写同一类用户问题。

## 一、验证方法

这次只验证产品返回层，不根据最终答案猜测隐藏过程。观察三个信号：

1. Network 响应中是否出现 `queries`、`query` 等查询字段；
2. 是否出现 `web_search` 等搜索工具调用；
3. 查询、搜索结果和最终引用之间能否建立关系。

不同平台的问题不完全相同，以下数量均为单次请求的观察结果。

## 二、豆包：直接返回 `queries` 数组

针对“AI roll-up 模式公司”这个问题，豆包网页端 Network 响应的 `search_query_result_block` 中出现了 `queries` 数组，共 4 条：

- AI roll-up 模式代表公司；
- roll-up 模式是什么，科技行业；
- AI roll-up 国内企业案例；
- AI roll-up business model 收购整合 AI 公司。

响应同时显示“搜索 4 个关键词，参考 20 篇资料”。四条查询分别覆盖概念解释、代表公司、国内案例和英文商业模式。

![豆包网页端网络响应中的查询扇出](/writing/wechat-tech-assets/domestic-ai-assistant-query-fanout/doubao-search-queries.png)

## 三、DeepSeek：响应中直接出现多条 `query`

DeepSeek 的 `completion` 响应中直接出现了 `queries` 数组。针对“AI roll-up 模式有哪些公司？”，实际返回 5 条查询：

- AI roll up 模式 公司 列表；
- AI roll-up 模式 公司；
- AI rollup 模式 企业 有哪些；
- AI roll up strategy companies list；
- 人工智能 roll up 整合 模式 公司。

这些查询覆盖中文、英文、同义表达，以及“企业有哪些”“整合模式公司”等更具体的方向。

![DeepSeek 网页端网络响应中的查询扇出](/writing/wechat-tech-assets/domestic-ai-assistant-query-fanout/deepseek-search-queries.png)

## 四、Kimi：`web_search` 参数中出现两条查询

Kimi 使用相同问题，Network 响应中的 `web_search.args.queries` 包含两条查询：

- AI roll-up 模式公司收购整合 2026；
- AI roll-up companies acquisitions 2025 2026。

它们分别指向中文收购整合案例和英文近期并购案例，把原问题改写成了带时间和业务动作的搜索方向。

![Kimi 网页端网络响应中的查询扇出](/writing/wechat-tech-assets/domestic-ai-assistant-query-fanout/kimi-search-queries.png)

## 五、通义千问：把问题拆成定义和案例

通义千问针对“AI roll-up 模式有哪些公司？”返回两条 `query`：

- AI roll up模式 定义；
- AI roll up模式 案例。

响应同时显示 `recall_num: 82`。它把公司名单问题拆成了“定义”和“案例”两个方向。

![通义千问网页端网络响应中的查询扇出](/writing/wechat-tech-assets/domestic-ai-assistant-query-fanout/qwen-search-queries.png)

## 六、元宝：能看到搜索工具调用，但查询词不完整

元宝的 Network 响应出现 `toolCallType: "web_search"` 和 `search_with_text` 事件，页面显示“引用 15 篇资料作为参考”，但没有展示完整查询词。因此只能确认搜索调用，不能判断具体 fanout 类型。

![元宝网页端网络响应中的搜索调用](/writing/wechat-tech-assets/domestic-ai-assistant-query-fanout/yuanbao-search-tool.png)

## 七、用八类 query variant 重新解读

上一篇《查询扇出详解》提到，Google 专利把 query variant 分成同义、追问、泛化、具体化、规范化、翻译、蕴含和澄清八类。

这一节是在做**单条查询的类型学解读**：把每个平台返回的具体查询，放进八类 query variant 中观察。它不是对平台整体策略的判断，更不是对内部实现的确认。

| 平台 | 观察到的查询 | 对应的扩展类型 |
| --- | --- | --- |
| 豆包 | 代表公司、行业解释、国内案例、商业模式 | 规范化、澄清、具体化、蕴含 |
| DeepSeek | 中文同义表达、英文表达、企业范围、整合模式 | 同义、翻译、泛化、具体化 |
| Kimi | 收购整合、英文并购案例、补充年份 | 具体化、翻译、蕴含 |
| 通义千问 | 模式定义、模式案例 | 澄清、蕴含 |
| 元宝 | 只看到搜索工具调用 | 暂无法判断 |

具体来看：

- `AI roll up 模式公司`、`AI rollup 模式企业有哪些`，属于 Equivalent Query，同一意图的不同表达；
- `AI roll up strategy companies list`，属于 Translation Query，使用英文表达扩大检索范围；
- `AI roll-up 模式公司列表`，接近 Canonicalization Query，试图寻找代表性公司或标准答案；
- `AI roll up模式 定义`，属于 Clarification Query，先消除概念歧义；
- `AI roll up模式 案例`、`AI roll-up 国内企业案例`，属于 Entailment Query，从概念继续追问实际案例；
- `AI roll-up 模式公司收购整合 2026`，属于 Specification Query，在主题上增加业务动作和时间条件。

不过，分类不能过度精确。比如“AI roll-up 国内企业案例”既可以看作具体化查询，也可以看作从概念推导出来的蕴含查询。这里重要的不是给每条查询贴上唯一标签，而是观察模型到底从原问题扩展了哪些维度。

## 八、五个平台的模式对比

第七节回答的是“每条查询属于哪一类”，这一节回答的是“平台整体采用了什么搜索策略”。平台对比不再逐条贴标签，而是看同一平台的多条查询如何共同工作。

| 平台 | 可观察字段 | 可见搜索项 | 主要模式 | 可见性 |
| --- | --- | ---: | --- | --- |
| 豆包 | `queries` 数组 | 4 | 关键词抽取 + 方向扩展 | 查询和结果较清楚 |
| DeepSeek | `queries[].query` | 5 | 中英文改写 + 查询扩展 | 查询数组直接返回 |
| Kimi | `web_search.args.queries` | 2 | 语义限定 + 时效扩展 | 工具参数中可见 |
| 通义千问 | `query` 列表 | 2 | 子主题拆解 | 查询列表直接可见 |
| 元宝 | `web_search`、`search_with_text` | 未完整显示 | 搜索调用可见，策略暂不能判断 | 搜索调用可见 |

五个平台的差异因此可以分成两层：一层是查询本身的改写类型，另一层是平台如何组织这些查询。DeepSeek 扩大中英文表达，豆包提取关键词并展开方向，通义千问拆分定义与案例，Kimi 补充业务动作和时间条件；元宝目前只能确认搜索调用。

## 九、下一步：搜索 API 才是更底层的机制

fanout 只是搜索链路的上游。查询生成之后，真正决定结果质量的，是搜索 API 如何解析这些关键词和查询输入，如何召回候选内容，再如何排序、去重和组织结果。

尤其是面向 AI 搜索的 AI-friendly Search API：它和传统网页搜索 API 到底有什么不同？能否理解查询之间的关系？是否会根据查询意图返回结构化内容、摘要和证据？这些问题比“平台生成了几条查询”更接近搜索系统的底层机制。

模拟与反推是另一条研究路线，下一篇单独讨论。本文到这里，先把五个平台暴露出的查询形态和平台策略区分清楚。