几乎所有的 GEO 服务方案，都会从一件事开始：做 Prompt Research（提问研究）。

本文来源于广告门 adquan.com

先整理一批用户可能会问的问题，再测试品牌有没有被 AI 提到，接着看竞品出现率，最后围绕那些“没有出现”的问题去生产内容。这套方法看起来很熟悉，也很容易被品牌主理解。

因为它很像过去的 SEO：先做关键词研究，再看排名，再找缺口，再补内容。只不过现在，关键词变成了 Prompt，搜索排名变成了 AI 提及，SEO 内容变成了GEO 内容。

但问题也在这里。如果只是把 Keyword List 换成 Prompt List，GEO 看起来进步了，底层思维其实还停留在旧搜索时代。真正理解 GEO，必须先理解一个目前国内市场很少被认真讨论的概念：Query Fan-out。

很多品牌主会自然地以为：用户问了一个问题，AI 就围绕这个问题找资料，然后生成一个答案。所以 GEO 的任务就是：围绕这个问题做优化。

比如用户问：30 岁开始抗衰，有什么比较靠谱的方案？

如果按照 Prompt Research 的思路，我们可能会把它扩展成一批类似问题：30 岁抗衰推荐什么？年轻人怎么抗衰？抗衰产品怎么选？抗衰护肤品哪个品牌好？抗衰营养品有没有必要？这些问题当然有一定价值。它们可以帮助品牌理解用户可能如何提问，也可以作为测试 AI 回答的入口。

但它仍然只是围绕一个主题生成更多问法。问题在于，AI 并不只是按这些表面问法工作。一个用户提出的问题，进入具备搜索和检索能力的生成式 AI 系统之后，往往会被展开成更复杂的处理过程。这就是 Query Fan-out。

Query Fan-out（查询扇出），指的是 AI 搜索系统在接收到一个用户问题后，不只执行一次原始查询，而是将其展开为一组相互关联的子查询或检索路径，从不同子主题和数据源获取信息，再综合生成最终答案的机制。

也就是说，它更像是一套隐性的工作流。

还是用“30 岁开始抗衰”这个问题举例。表面看，这是一个抗衰方案推荐问题。但在搜索和生成过程中，系统可能会围绕多个方向寻找信息：30 岁是否真的需要开始抗衰？抗衰应该从护肤、营养、生活方式，还是医学美容入手？哪些成分或方案有科学依据？哪些方案适合长期使用？有没有安全风险？什么样的品牌更值得信任？价格、效果和使用门槛如何平衡？

严格来说，Query Fan-out 在技术层面展开的可能是多个子主题、相关查询和检索方向。但从品牌策略角度看，这些子主题并不是随机的问题。它们通常对应着用户完成一项任务时必须处理的不同子意图、判断条件和信息需求。

也正是在这一层意义上，Fan-out 才开始与 Intent Graph（意图图谱） 发生关系。

理解了 Fan-out，就会发现很多 GEO 方法存在一个内部断裂。它们一方面承认 AI 会围绕一个复杂问题展开多个相关方向，从多个来源检索信息，再综合生成答案。

但另一方面，到了执行层，却又退回到传统 SEO 的逻辑：找 Prompt，做列表，补内容，测出现率。这相当于看到了 Fan-out 现象，却没有真正用 Fan-out 重建 GEO 的方法。

很多时候，所谓 Prompt Research 只是把一个问题扩展成更多问题。但 Fan-out 真正提示我们的，不只是问题数量变多，而是用户问题背后存在一套更复杂的任务结构和信息需求。

所以这里需要做一个关键区分：Fan-out 是过程，Intent Graph 是结构。Fan-out 描述 AI 如何展开一个问题，Intent Graph 描述这个问题背后被展开出来的认知与决策结构。

Fan-out 展开的是查询，Intent Graph 重建的是用户任务。

换句话说，Fan-out 是 AI 的搜索动作，Intent Graph 是品牌需要重建的决策地图。

Intent Graph 不是 Google 官方公开展示的一张 AI 内部运算图，也不是 Query Fan-out 的同义词。品牌并不能完整看到模型每一次生成答案时到底展开了多少查询，也无法完全还原 AI 内部的所有判断。

但品牌可以基于 Fan-out 机制、用户研究、AI 回答、引用来源、搜索结果、行业知识和竞争表现，建立一张近似的策略地图。

本文将这张地图称为 Intent Graph。

Intent Graph，是围绕一个用户任务，由相互关联的子意图、判断标准、条件约束、证据需求与可能行动共同构成的动态关系网络。

它描述的不是用户问了多少个问题，而是为了完成这项任务，哪些问题必须被解决，这些问题如何相互影响，以及哪些信息会推动用户的认知、判断和选择发生变化。

这也是 Intent Graph 和 Prompt List 最根本的区别。

Prompt List 是一组平铺的问题：30 岁如何抗衰？什么抗衰成分有效？哪个抗衰品牌值得推荐？抗衰产品安全吗？但在真实决策中，这些问题并不是平行关系。

用户是否需要抗衰，会影响他是否进入产品选择。他选择护肤、营养还是医美，会改变后续需要评估的科学依据、安全风险和使用门槛。不同预算、健康状况和生活习惯，又会改变最终适合的解决方案。所以，Prompt List 告诉我们用户可能问什么。

Intent Graph 告诉我们，这些问题如何共同构成一次认知、判断和选择。

Prompt Research 不是没有用。它可以帮助品牌看到 AI 当前如何回答，也可以帮助品牌发现一些表层缺口。但它只能作为观察入口，不能成为 GEO 的战略框架。

因为品牌真正面对的问题，往往不是简单的“有没有内容”。很多 GEO 报告会告诉品牌：你在这些 Prompt 里没有出现，所以需要补内容。但真实情况可能更复杂。没有出现，不一定只是因为没有文章。有文章，也不代表有可采用的信息。

品牌自述，不等于外部证据。话题覆盖，不等于决策节点覆盖。提及率，也不等于推荐资格。

很多 GEO 报告发现的是 Content Gap，但品牌真正面对的可能是 Evidence Gap。也就是说，品牌缺的不是又一篇围绕 Prompt 写出来的文章，而是在关键判断维度上能够被检索、被验证、被综合采用的证据结构。

比如一个品牌可能写了很多“我们很专业”的内容。但如果在科学依据、安全性、真实案例、第三方评价、长期效果、专家背书这些方向上缺少清晰证据，AI 即使读到了品牌内容，也未必会把它放进高可信推荐的位置。

所以，GEO 的核心不是围绕每个 Prompt 写一篇文章，而是识别哪些判断维度会影响最终答案，并在这些维度上建立可信的信息和证据。

如果只看 Prompt，品牌主最容易问的是：这个问题里有没有出现我的品牌？

但如果理解 Fan-out 和 Intent Graph，问题就会变成：用户到底在通过 AI 完成什么任务？

为了完成这个任务，哪些问题必须被解决？这些问题之间有什么前置依赖、条件限制、风险权衡和证据关系？哪些判断维度会影响最终答案？我的品牌在哪些节点上有可信存在？又在哪些节点上缺失？最终，在特定答案里，品牌被放进了什么关系性位置？

这里所说的 Brand Role，并不是说 AI 像人一样主观决定给品牌贴标签，而是模型基于可获得的信息和证据，在特定回答中形成的关系性定位。它可能把一个品牌放成专业选择、高端选择、性价比替代、入门方案、特定人群选择，也可能只是把它作为一个普通候选提到一下。

这就是为什么“被提到”只是最表层的结果。

真正重要的是：品牌为什么被提到？凭什么被采纳？在什么条件下被推荐？又最终被赋予了什么决策角色？这才是从 Prompt List 走向 Intent Graph 的真正含义。

如果说 SEO 时代，品牌优化的是关键词和页面；那么 GEO 时代，品牌真正要理解的是任务、意图、证据和角色。Query Fan-out 的意义，不只是让我们发现更多 Prompt，也不是让品牌围绕更多问题机械生产内容。

它真正揭示的是：AI 生成答案之前，用户的问题可能被展开成多个相关子主题、检索方向和信息需求，并通过多路检索与信息综合形成最终答案。所以，GEO 的下一步，不是从 Keyword List 走向 Prompt List，而是从 Prompt List 走向 Intent Graph。

Prompt 是入口，Intent Graph 才是地图。

但 Intent Graph 不是把所有可能的问题收集起来，也不是试图穷尽 AI 的每一次查询。

品牌真正需要解决的是：在一张不断变化、无法被完全观测的意图图谱里，哪些节点值得经营，哪些证据真正影响答案，又如何判断品牌获得的究竟是露出，还是推荐资格？

下一篇，我们会继续往下拆。

一张真正有价值的 Intent Graph，至少应该包含四层结构：

• Task：用户到底在完成什么任务；

• Decision Nodes：哪些判断维度会影响最终答案；

• Evidence Architecture：每个判断节点需要什么证据支撑；

• Brand Role：品牌最终在答案中被赋予什么决策角色。

这四层结构，才是品牌从 Prompt 优化走向 GEO 策略工程的关键。被提到只是出现，被赋予正确的决策角色，才是 GEO 真正需要追求的结果。