GEO 流量密码因子之一：Fan-out Rank 听 Span 的 Workshop，关于 GEO 的影响因子如下图： 原文 https://signal.zyppy.com/p/ai-citation-ranking-factors 里面 Fan-out Rank 到底是什么？有什么对我们做 SEO 或做 GEO 有什么提示？ 下面是我 Research & 一些实操心得在最后一个模块。我们先了解下面，是第一步： 一、GEO 工作原理 & Query Fan-out Model 是什么？ 如上图，把下面这个论文的图，我微调了下。具体来源，你们看：「GEO：生成式引擎优化 https://arxiv.org/html/2311.09735v3 」 类似 ChatGPT ，不仅仅会改写你的 Query & 还会 Query Fan-out（查询扩散）。 第一步：Query Reformulation（查询改写） 例如，用户输入： best CRM 进入查询改写，可能改成： best CRM for small business 2026 注意这里的 small business，要思考下为啥？因为 best crm 其实信息不足的：面向谁？大概什么使用场景？等等 这时候 ChatGPT 只能无脑推行业老大吗？不对！它根据你的历史数据、上下文、你之前的记录等信号，改写成它认为高概率的查询。俗称千人千面 但你依旧问的很具体，它基本不会大改或者不改 第二步：Query Fan-out（查询扩散） 在上面改写后的主意图 Query 基础上，下一步拆成多个 Sub Queries 子 Query： Best CRM for small business in 2026 Best free CRM for small business in 2026 Best CRM for** healthcare small business** in 2026 CRM software pricing 2026 CRM software features 2026 … 这就是 Query Fan-out（查询扩散） 这记住：free 、pricing、features… 不是人类真正搜的，是 AI 扩散出来的！！ 重点提：healthcare ，这个词「Best CRM for healthcare small business in 2026」如果这是你的 ICP 理想付费客户画像的搜索意图，那就找到「金矿词」了。 大家都知道你可以围绕这个词，先做 SEO 文章内容！ 二、那如何 Research 出更多的 Fan-out Queries 方式方法很多，我举几个我感觉很靠谱的： 方法一：竞品调研 profound ai 为首的 AI 去围绕词根 Research 他们的 Queries。如下图 方法二：ChatGPT 下拉框 不多说，如下图： 方法三等等： 社区用户研究：从 Reddit、Quora、G2 等真实讨论中提取用户场景、痛点和隐藏需求 LLM 模拟 Fan-out：让 ChatGPT / Claude 模拟 AI Search，生成回答一个 Query 前可能展开的子查询 ChatGPT 新账号自己 Query，看结果反推 Bing 或 Clarity 数据反推 要记住，本来都是 Search 用户，只是换了个输入框 Query 而已。底层逻辑没变，人还是那个人，需求还是那些需求，只是 AI 帮用户把没说出口的话，全扩散出来了。 大模型根据你的主 Query，推导出你的 不同意图、不同维度、以及隐含的背景问题，大概覆盖以下维度： 意图重构：判断你是购买决策、了解概念、还是找替代方案，拆成更精确的子查询。 背景原理：补全没说出口的上下文，如 "CRM 是什么"、"CRM 怎么提效"。 主题搜索：横向扩展关联词，如 "CRM integrations"、"CRM vs help desk"。 商业决策与对比：扩散出价格、竞品对比、ROI 等强决策意图词——这些词背后站着准备掏钱的用户。 实时数据与垂直图谱：拉取最新价格、版本更新，拼入 healthcare、legal 等行业标签做精准匹配。 这里的你，就是我们想要的 ICP 理想客户画像。 你要代入进去：如果你的付费客户是 healthcare 行业的 small business，那 “Best CRM for healthcare small business” 这条扩散词就是金矿 它既是 AI 后台会去爬的子查询，又精准卡在你的 ICP 决策路径上。用 ICP 去筛选 Fan-out Queries，留下来的才是值得 All in 的内容选题。 三、怎么应用到 SEO 或 GEO？ 我们用 "best AI video generators" 这个词来完整走一遍实操流程。 用户输入 "best ai video generators" 时，不会只用这一个词去搜，而是在后台并发调用 8-12 个子查询，其中大概率包含： "best ai video generators for content creators" "best ai video generators for short-form social media" "ai video generator pricing comparison 2026" "best free ai video generators" "ai video generator that can create animations" … 背后对应不同用户决策阶段： Content creators → 用户画像 Short-form social media → 使用场景 Pricing comparison → 商业决策 Free AI video generators → 价格约束 Animations → 功能需求 Runway vs HeyGen → 竞品比较 基础实操：如果你单独写了一篇极度垂直、高质量的 "best ai video generators for content creators" 并在传统 SEO 中排到了前几名。那肯定会有 GEO 流量 文章建议： 结论先行：在文章开头，用一到两句话直接回答。例如："For content creators who need fast social clips, Runway Gen-3 offers the best motion quality; for talking-head avatars, HeyGen is the go-to choice." 块状结构化表格（Table/List）：用表格对比价格、功能、输出时长、分辨率 覆盖多个子意图：Runway vs HeyGen 、Best AI video generator for YouTube creators、for TikTok shorts … … 进阶实操：站内同理 1 到 N，同主题继续原创多篇分发到 LLMs 喜欢的信源 既然你发现了这个点，不要只写一篇孤立的文章。 同时同步建设外部信号： Reddit discussions G2 reviews 覆盖 AI 常引用的信源地方 … 小结 GEO 的核心逻辑就三句话： AI 搜索会把用户的一个主 Query 扩散成 8-12 个子查询（Fan-out） 你的内容只要精准命中其中一条子查询并排在前列，就能被 AI 引用为 Citation。 所以实操路径很清晰：先用 ICP 筛出属于你的「金矿子查询」，再围绕它做垂直深度内容 + 结构化金句，最后外部信源同步放大，让 AI 在多个子查询维度都能抓到你。