Query Fanout: разбивка на подзапросы
Первый шаг обработки любого промта. Понимание Query Fanout меняет то, как вы проектируете страницу.
🎯 Тема урока
Query Fanout (веер запросов): один промт → 10–15 подзапросов
1. Что происходит под капотом
Query Fanout — процесс, при котором ИИ берёт один сложный разговорный запрос и разбивает его на веер из 10–15 более простых поисковых масок.
Модель не идёт в поисковую систему с абзацем пользовательского текста. Сначала она вычленяет из него отдельные факты, условия и ограничения, а затем формулирует под каждое из них короткий поисковый запрос.
2. Пример разложения
Исходный промт пользователя:
«У меня неделю болит зуб, боль пульсирует, дико боюсь врачей. Посоветуйте в Питере надёжную клинику на Петроградке, где могут перелечить сложные каналы под микроскопом, во сне, с нормальным рейтингом и сразу скажут цену под ключ»
Веер поисковых масок, который сгенерирует ИИ:
- стоматология Санкт-Петербург перелечивание каналов под микроскопом седация
- лучшие клиники СПб эндодонтия микроскоп
- лечение зубов во сне отзывы цены стоматология СПб
- стоматология Петроградский район рейтинг
- перелечивание каналов цена под ключ СПб
- …и ещё 5–10 вариаций
Каждая маска уходит в поиск отдельно. Результаты объединяются в общий пул кандидатов — из него уже отбираются фрагменты для ответа.
3. Главное следствие для контента
В классическом SEO страницу затачивают под один главный ключ и его хвост. В GEO этого мало.
Ваша посадочная страница должна выглядеть как исчерпывающий ответ на «пучок» связанных вопросов, а не как продающий текст под один запрос.
4. Как собрать веер вручную: методика
Практический алгоритм на одну ключевую страницу.
Шаг 1. Соберите 10–20 реальных промтов. Не ключей, а именно промтов — так, как их пишет живой клиент. Источники: вопросы менеджеров по продажам, переписки в чатах, записи звонков, комментарии, «Люди также спрашивают».
Шаг 2. Прогоните промты через ИИ и попросите разложить. Задайте нейросети прямой вопрос:
Разложи этот пользовательский запрос на 10-15 отдельных поисковых
подзапросов, которые нужно проверить, чтобы дать исчерпывающий ответ.
Запрос: "<ваш промт>"Вы получите готовый веер — фактически ту же операцию, которую модель выполняет внутри себя.
Шаг 3. Сопоставьте веер со структурой страницы. Постройте таблицу: подзапрос → есть ли на странице отвечающий на него H2-блок.
| Подзапрос из веера | Блок на странице | Статус |
|---|---|---|
| цена под ключ | H2 «Сколько стоит перелечивание каналов» | ✅ |
| работа под микроскопом | — | ❌ добавить |
| лечение во сне (седация) | упомянуто одной строкой | ⚠️ развернуть в блок |
| район / как добраться | — | ❌ добавить |
Шаг 4. Закройте пробелы отдельными H2-блоками. Каждый непокрытый подзапрос превращается в подзаголовок с автономным абзацем-ответом на 300–500 символов.
5. Побочная польза
Такая проработка одновременно улучшает и классическое SEO: страница закрывает больше интентов, растёт полнота ответа и поведенческие. Это тот редкий случай, когда работа под ИИ не требует отдельного контента — она делает обычный контент лучше.
🧭 Что дальше?
Веер запросов ушёл в поиск. Разбираем, что происходит с найденными страницами дальше — технология RAG.