本课目标： 把一个复合需求拆成可以分别回答的子问题。

原文题名： 覆盖 AI 拆出来的子问题，而不只是回答用户表面上问的那一句

技术背景

查询扇出（query fan-out）是指系统围绕原问题生成并执行多个子查询；这些子查询可能来自查询改写、查询扩展或查询拆分。查询拆分是其中一种常见方式：系统把复合问题拆成多个可以分别检索的子问题，再综合生成回答。Agentic RAG 进一步强化了这个趋势——系统可能根据第一轮检索结果判断信息是否充分，不充分时自动生成新的子查询进行二次、三次检索。

GEO 策略

内容要覆盖 AI 拆出来的子问题，而不只是回答用户表面上问的那一句。

落地动作

• 每个核心页面围绕主问题，在 H2 层级覆盖 3-5 个用户最可能追问的子问题
• FAQ 模块使用真实追问链（「怎么选」→「多少钱」→「用多久」→「维护贵不贵」）
• 同一主题建立「主问题页 + 子问题深度页」的内容组，主页面提供概览和答案块，子页面提供细分领域的深度分析
• 子问题的答案同样遵循答案块特征（语义自洽、结论前置、长度可控）

图解

主问题可以按性能、成本等任务拆开，各子问题需要完整答案。拆分仅为示例，实际查询由产品决定。

因果逻辑详解

用户在 AI 产品中输入「家用空气净化器怎么选」，系统可能将其拆解为多个子查询：「CADR 怎么看」「甲醛 CCM 是什么」「卧室用多大风量合适」「滤芯更换成本」「不同价位差在哪」。每个子查询会独立触发检索和排序。如果你的页面只回答了「怎么选」这个笼统问题，但没有覆盖任何子问题的具体细节，那么在子查询的检索中，你的内容可能不会出现。

反过来，如果你的页面按子问题组织了内容（每个 H2 对应一个子问题，开头有结论句），那么当系统拆分查询后，你的不同内容块可以分别命中不同子查询。在 Agentic RAG 场景中，系统甚至可能在第一轮检索到你的主问题页后，根据信息缺口生成新的子查询——如果你的网站同时有覆盖这些子查询的深度页面，就有更大概率在后续轮次中继续被检索到。

这就是为什么在很多 GEO 场景中，「一个主题一组内容」比单篇长文更容易覆盖多轮查询和子问题召回。长文如果结构清晰、H2 按子问题组织、每段都有答案块，同样可以覆盖多个子查询；但在覆盖深度和检索精度上，专题页通常更有优势。

相关策略： 策略 02（语义场覆盖）、策略 06（语义块组织）

动手练习

选择一个选型问题，写出 4 个子问题，并标记现有页面分别在哪一节回答。

完成后，记录你改了什么、依据是什么、还有哪些条件没有验证。

---

GEOBOK · 专注GEO · 让你的内容成为 AI 的首选答案