张小吉
← 博客

别再只追 AI 有没有提到你，先看它替用户搜了哪些问题

14 分钟AI Search · SEO · 内容策略

最近看 AI Search，我觉得很多团队把问题问晚了一步。

大家最常问的是：ChatGPT、AI Mode、Perplexity 里有没有提到我们？

这个问题重要，但它已经是结果。更靠前的问题是：AI 在生成答案之前，替用户搜了哪些问题？

Backlinko 这周写了 query fan-out。这个词如果硬翻成技术名词，会很像机器翻译。我更愿意把它叫成一问多搜。

用户只问一句话，AI 在后台可能会拆成一组更小的问题，再把不同来源里的证据拼成答案。

Backlinko 原文图，How query fan-out works
图源：Backlinko, Query Fan-Out

这件事会改变内容团队判断机会的方式。不是马上重建网站，也不是追几百个 prompt，而是先看最重要的用户问题背后，有哪些子问题需要被回答。

AI 不是只查用户输入的那一句话

传统 SEO 的工作方式比较容易理解。用户搜一个关键词，搜索引擎给出一组页面，团队看排名、点击和转化。

AI Search 里的过程不完全一样。

用户可能只问：哪个 CRM 适合 20 人以内的 B2B SaaS 团队？

AI 可能会继续拆出这些问题：

  1. 20 人以内团队用 CRM 最常见的限制是什么。
  2. 哪些 CRM 适合销售流程还不复杂的团队。
  3. 哪些工具配置成本低。
  4. 哪些产品有邮件、客服、支付和数据仓库集成。
  5. 哪些工具在评价站、社区和对比页里反复出现。
  6. 哪些产品适合从表格迁移。

用户没有把这些话都问出来，但 AI 为了生成一个像样的答案，会自己补这些问题。

所以内容竞争不只发生在用户输入的那一句话上，也发生在它背后那组问题里。

如果团队只做一张关键词表，就会漏掉很多取证点。你可能有一篇主关键词页面，但没有解释限制条件，没有真实案例，没有替代方案对比，也没有让 AI 能直接抽取的短段落。页面给人看是完整的，但机器取证时不一定够用。

Bing 的动作说明搜索正在变成取证系统

这个变化不是只存在于概念文章里。Bing 最近几个月的动作，已经把方向讲得很清楚。

2025 年，Microsoft 推出 Grounding with Bing Search，让 Azure AI Agent Service 里的 agents 能接入实时网页数据。Microsoft Learn 里也把它作为 agents API 的工具来讲，开发者可以把 Bing Search 或 Bing Custom Search 连接到 Foundry Agent Service，用网页数据约束 agent 的回答。

到 2026 年 6 月 2 日，Microsoft 又发布 Web IQ，把它描述成面向 AI agents 的 grounding APIs。官方的说法里有一个关键点：agent 时代的系统不是发出一次搜索就结束，而是会反复检索、基于证据推理，再根据新信息调整。

Microsoft 原文图，Web IQ 高层架构
图源：Microsoft Bing Blog, Web IQ

对内容团队来说，这意味着搜索正在从给人排网页，变成给 AI 找证据。

过去搜索引擎更像是在帮用户决定点哪一页。现在 grounding 更像是在帮 AI 判断应该相信哪些信息、抽取哪些段落、引用哪些来源。

这也是为什么 Bing Webmaster Tools 的 AI Performance 值得关注。它不只看传统点击，还看页面是否出现在 AI answers 的 citations 里，并展示 grounding queries，也就是 AI 在引用内容时用到的一些检索短语样本。

Bing 原文图，AI Performance dashboard
图源：Bing Webmaster Blog, AI Performance

这说明 AI Search 的复盘会越来越靠近取证过程。

以前你可能只问这个页面排第几。现在你还要问：

  1. 这个页面在哪些问题下被引用。
  2. AI 引用的是哪个页面。
  3. 它是因为定义、数据、案例，还是对比内容被引用。
  4. 它有没有把品牌说出来。
  5. 它说出来的语境是否准确。

这不是让小团队马上买一堆工具。更现实的做法，是先做一张很土的表。

左边写用户真正会问的问题，中间拆子问题，右边写你有哪些页面能回答。没有页面、没有清楚段落、没有证据来源的地方，就是内容缺口。

被引用和被提到，不是一回事

Semrush 这周的 ghost citations study 也值得放进来。

它和 Kevin Indig 分析多个 AI 搜索引擎里的 domain appearances，提出一个很容易被忽略的现象：AI 引用了某个网站，不代表答案正文会明确提到这个品牌。Semrush 把这种情况叫 ghost citation。

Semrush 原文图，How AI appearances break down
图源：Semrush, The Ghost Citations Study

如果你是一个工具、SaaS 或服务公司，页面被引用当然有价值。但如果用户读完答案，只看到某个观点或数据，没有看到你的品牌，那它对心智的帮助就有限。

所以 AI visibility 不能只做一个总分。至少要拆成两层：

  1. 页面是否被引用。
  2. 品牌是否被提到。

再往下，还要看提到的语境。是被当成推荐对象，还是只是被拿来证明某个背景事实。是出现在比较型问题里，还是只出现在信息型问题里。

对小团队来说，这个区分尤其重要。资源有限，不能把每个信息型问题都当成同等机会。更值得优先看的，是那些会影响购买判断的问题。

比如下面三类问题，价值通常不一样：

  1. 什么是客户数据平台。
  2. 客户数据平台和数据仓库有什么区别。
  3. 适合早期 B2B SaaS 的客户数据平台有哪些。

第一类问题可能带来引用，但未必带来品牌提及。第三类问题更接近决策场景，更值得观察品牌有没有出现。

不要追无限 prompt，先管住 10 个高价值问题

很多团队一开始做 AI Search 复盘，很容易陷入另一个坑：列一大堆 prompt。

换个说法问一次，换个平台问一次，加上竞品、地区、行业、场景，很快就变成几十上百条。最后表格很满，但没有一个明确动作。

Semrush 关于 AI search prompts 的文章 给了一个更适合小团队的提醒：不要追无限 prompt，要做一组代表性问题。

我会建议先从 10 到 20 个问题开始。

这些问题不一定是搜索量最大的，而是最接近业务判断的。它们应该来自销售对话、客服问题、用户调研、竞品对比、社区讨论和已有 Search Console 数据。

每个问题都按同一张表拆：

主问题子问题现有页面缺口需要补什么是否被引用是否提到品牌
适合早期 B2B SaaS 的 CRM 有哪些配置成本产品对比页没有早期团队场景增加 20 人以内团队案例待查待查
适合早期 B2B SaaS 的 CRM 有哪些迁移成本无缺少迁移说明新建从表格迁移指南待查待查
适合早期 B2B SaaS 的 CRM 有哪些集成能力功能页只列功能，没有场景补邮件、客服、支付集成场景待查待查

这张表的价值不是好看，而是逼团队做取舍。

如果一个子问题没有页面回答，就补页面。如果页面有但很散，就补一个能被单独抽取的段落。如果页面只有营销话术，没有限制条件、例子和证据，就先别期待 AI 会稳定引用它。

真正要改的不是标题，而是证据密度

一问多搜会让很多老问题重新变重要。

页面有没有清楚定义。有没有适用场景。有没有限制条件。有没有具体例子。有没有数据来源。有没有把同一个概念在文字、图片、视频和结构化信息里说一致。

这些东西过去也重要，但在 AI Search 里会更明显。

因为 AI 不是只把你的页面当一个整体看。它会找能回答某个子问题的段落。一个页面标题写得再好，如果核心答案藏在很后面，或者一整段都是泛泛的价值主张，就不太适合作为证据。

所以我不建议小团队第一步就去大规模改标题、堆 FAQ 或重写全站。

更现实的动作是：

  1. 先选 10 个最有商业价值的问题。
  2. 每个问题拆 5 到 8 个子问题。
  3. 找出已有页面能回答哪些子问题。
  4. 给关键页面补清楚定义、边界、比较、案例和数据来源。
  5. 每月固定抽样，看 AI 是否引用页面，是否提到品牌，语境是否准确。

如果跑完一轮，你会发现很多内容缺口其实很具体。

不是我们要做 GEO。

而是这个比较页没有回答迁移成本。

不是我们要提升 AI visibility。

而是 AI 在回答最佳工具时，引用了第三方榜单，没有引用我们的产品页，也没有说出我们的品牌。

这才是小团队能动手的地方。

先把一问多搜做成工作表

我不认为一问多搜是一个需要立刻变成 KPI 的新词。

它更像一个工作提醒：别只盯着用户问出来的那一句话，要看 AI 可能会替用户补查哪些问题。

对小团队来说，今天最值得做的不是追完整的 AI Search 报表，而是先搭一张问题拆解表。它应该回答六件事：

  1. 用户真正会问什么。
  2. 这个问题背后有哪些子问题。
  3. 我们现在哪些页面能回答。
  4. 哪些子问题没有证据。
  5. 哪些页面被 AI 引用过。
  6. 哪些场景里品牌被说出来了。

只要这张表能每月导出几个具体内容动作，它就比一个漂亮但无法解释的 AI visibility 分数有用。

AI Search 的变化很多，但小团队不用每个新词都追。先把最重要的用户问题拆开，把该有的证据补齐，再看 AI 是否愿意拿你当答案的一部分。

这件事不性感，但它比泛泛地问 AI 有没有提到我更接近增长。

参考来源

  1. Backlinko：Query Fan-Out
  2. Microsoft Bing Blog：Introducing Grounding with Bing Search in Azure AI Agent Service
  3. Microsoft Learn：Use Grounding with Bing Search tools with the agents API
  4. Microsoft Bing Blog：Announcing Microsoft Web IQ
  5. Bing Webmaster Blog：Introducing AI Performance in Bing Webmaster Tools Public Preview
  6. Semrush：The Ghost Citations Study
  7. Semrush：Which AI Search Prompts Should You Track?