做 GEO 最该做的第一件事，不是写文章，是去看 AI 到底搜了什么。
原因很直接：客户在 AI 里问的是一整句话，AI 在回答之前会把这句话展开成一批更具体的搜索方向，再带着这些方向去检索，最后从检索结果里挑选页面组织答案。决定你的内容有没有机会出现的，是这批展开后的搜索词，而不是关键词表里的短词。
一、Query fan-out：AI 回答前的搜索动作
Query fan-out 指的是 AI 在生成答案之前，把一个用户问题扩展为多个检索式的过程。以「美线清关要多久」为例，模型可能同时检索 IOR 编码规则、5106 表格填写要求、滞箱费计算方式、HS 编码归类争议、AMS 与 ISF 申报时限等方向。
这个过程过去不可见。2026 年 10 月 14 日有作者开源了一个工具（chatgpt-fanout-queries，代码在 open-growth-skills 仓库），通过调用 Responses API 并开启联网搜索，保存完整原始响应后提取三个对象：实际发生的搜索词（queries）、搜索返回的来源（sources）、最终答案引用的链接（url_citation），并输出可离线打开的 HTML 报告。
需要强调一点：搜索返回的来源，不等于最终被引用的来源。这个区别决定了内容策略的方向。检索靠前的页面只获得「被看到」的机会，被引用的页面才获得「被使用」的机会。
二、三类内容缺口，处理方式不同
拿到展开词之后，把自有站点逐条对照，缺口通常落在三类里。
第一类是已覆盖但篇幅过浅。文章提到某个概念只有一句话，无法独立回答提问。处理方式是补写，把定义、责任主体、适用条件、出错后果一次写完整。
第二类是完全缺失。客户会搜、同行也少写的基础概念页，例如报关表格、编码规则、费用构成。这类应优先新建，因为它们竞争者少、意图明确、复用率高。
第三类是结构分散。同一意图被拆成多条搜索词，散落在多篇文章里，任何一篇都不完整。处理方式是收成专题页并建立内链，而不是继续增加单篇。
三、把搜索轨迹做成可交付证据
GEO 服务最容易失去信任的地方，是只给结论不给过程。
可执行的交付方式是在诊断报告前置一节：该问题被展开成哪些搜索词、返回了哪些来源、最终引用了谁，以及自有站点的对应页面是否存在。客户可以逐条核对，也可以三个月后回看变化。
对货代这类以长期复购为目标的行业，这类留痕比任何排名承诺都有用。
四、必须写清的边界
单次结果只能作为选题线索。它不代表搜索量，不代表排名难度，也不保证被 AI 引用。更稳妥的做法是用多组真实客户问题重复运行，再结合已有词库、站点表现与业务相关性综合判断。
同时应守住白帽边界：只分析公开可见的搜索行为、用于发现内容缺口，不探测 AI 的评价偏好，不套取评分与收录规则，不对客户承诺排名或「保证被引用」。
五、和 AI 落地的关系
内容缺口分析、站点页面比对、诊断报告归档，都是可流程化的工作。把「客户问题清单 → 展开词 → 缺口分类 → 选题排期」做成一月一次的固定动作，比临时找人写十篇文章更有效。
这也是货代 AI 落地里最容易算清楚账的一环：它不改变模型能力，只改变选题依据。
常见问题（FAQ）
Q1：GEO 和 SEO 是同一件事吗？
不完全相同。SEO 优化的是搜索引擎结果页上的短词检索与页面质量，GEO 关注的是生成式回答中被引用。两者共用站点质量基础，但 GEO 多一层「问题如何被展开」的分析。
Q2：query fan-out 报告能预测排名吗？
不能。报告只反映一次提问下模型可见的检索行为，不构成搜索量或排名依据。
Q3：货代应该先写哪些页面？
优先写客户会搜、同行少写的基础概念页，例如 IOR 编码、报关表格、滞箱费构成、编码归类争议。
Q4：多久跑一次比较合适？
按月运行，问题数控制在 10 到 20 个之间，同时保留每次运行结果做对比。
Q5：如何判断内容缺口是否补上？
同一批问题重复运行，观察对应页面是否进入检索来源，以及最终引用是否出现自有链接。
参考资料
- 《GEO 开源 Skill：ChatGPT 的 Fan-out Queries 报告》，作者 Jeff Li，开源仓库 open-growth-skills，2026 年 10 月 14 日发布
- 文中方法论边界（单次结果为选题线索、不代表搜索量与排名、不保证被引用）引自该文作者自述
