GEO 开源 Skill：ChatGPT 的 Fan-out Queries 报告

作者 子木 日期 2026-10-14
Agent Skill GEO ChatGPT AI搜索
GEO 开源 Skill：ChatGPT 的 Fan-out Queries 报告

你问 ChatGPT 一个问题，它在回答前到底搜了什么？

对做 GEO 的人来说，关键不只是答案，还包括：问题被展开成了哪些搜索词、搜索返回了哪些来源，以及哪些页面最终被引用。手动追踪这条链路很麻烦：要调 Responses API、开启 Web Search、保存完整 JSON，再从层层 output 中找 web_search_call、queries、sources 和 url_citation。而且，搜索返回的来源不等于最终答案引用的来源。

所以我把这套流程做成了 Agent Skill：chatgpt-fanout-queries。

给它一个真实问题，它会保留 API 返回的可见搜索轨迹，提取搜索词、工具调用、来源 URL、最终引用和回答，并生成可离线打开的 HTML 报告。

图 01：一个问题的可见搜索轨迹（概念示意）

开源 + 免费，欢迎用起来、提 Issue、一起把它做得更实用。

GitHub 地址：

https://github.com/JeffLi1993/open-growth-skills/tree/main/chatgpt-fanout-queries/

一、为什么做这个 Skill？

Query fan-out 已经成了 GEO 里一个很重要的视角。

用户输入的可能只是一句“best ai video generator”，但模型搜索时会把它展开成更具体的方向：某个产品的导出能力、某个工具的 AI 生成功能、某个平台的使用场景。你的页面能不能被看见，往往取决于它是否命中了这些展开后的需求。

这个 Skill 做的，就是把展开后的搜索词、搜索来源和最终引用原样拿出来。它只记录 Responses API 实际返回的内容。如图：

image.png

这些输出能拿来做什么？

一句话：把 AI 的可见搜索词和你的站内内容对照，找出已覆盖、覆盖太浅和完全缺失的 topic。 落到内容营销上，主要有四种用法：

  • 补齐主题覆盖：AI 围绕核心问题还会搜哪些子主题，站内哪些还没回答

  • 发现内容缺口：对比搜索词、搜索来源和已有页面，找出值得新增的实体、场景、比较关系和用户问题

  • 调整内容结构：把反复出现的搜索意图组织成专题页、支柱页和内链，搭成 Topic Cluster，而不是零散追单个关键词

  • 排内容优先级：结合来源类型和最终引用，判断这个主题更适合做产品页、比较页、教程、案例还是数据型内容

要提醒的是，单次结果只是选题线索，不代表搜索量、排名难度，也不保证被 AI 引用。更稳的做法是用多组真实问题重复运行，再结合已有关键词、GSC 数据和业务相关性判断。

图 02：从 Fan-out Topics 到内容行动（方法示意）

开源 + 免费，欢迎用起来、提 Issue、一起把它做得更实用。

GitHub 地址：

https://github.com/JeffLi1993/open-growth-skills

二、它具体会做什么？

整个工作流不是一句 prompt 碰运气，而是一条可复现的数据流程：

  • 原问题直送：不重写、不偷加研究指令，便于对比不同模型和参数

  • 保存原始响应：先写入完整 raw-response.json，再做任何解析

  • 提取可见搜索词：只保留 API 实际返回的 queries 或 query

  • 分开来源与引用：搜索结果出现过，不等于最终答案使用了它

  • 保留调用记录：搜索、打开页面、页内查找分开计数

  • 生成结构化产物：JSON、CSV、Markdown 和一份完整 HTML 报告

  • 附加白话概览：在线模式下，默认再调用一次同一模型，根据已采集数据概括搜索角度、来源类型与明显遗漏

每次运行都会建立一个独立目录，里面保留：

文件 用途
raw-response.json 完整 API 原始响应
request.json 原问题与请求参数，不含 API Key
summary.json 模型、状态、用量、调用与来源统计
queries.json API 暴露的 fan-out 搜索词
web-search-calls.json 原样保留的 Web Search 工具调用
sources.csv 搜索来源与引用 URL 的并集
citations.json 最终答案里的 URL 引用与原始偏移
answer.md 回答正文与去重后的引用链接
overview.md 模型生成的中文概览，可选
report.html 自包含、可离线打开的可视化报告

数据是可以继续分析的，报告是可以直接给人看的。如图：best ai ppt maker 、best ai video generator 案例：

image.png

三、一个真实案例

我用这个 Skill 跑了一次：best ai ppt maker

image.png

结果如下：

image.png

这次 API 返回了 1 次 Web Search 工具调用，但这次调用里实际暴露了 4 条搜索词：

image.png

另外搜索返回了 41 个来源 URL，最终答案则引用了 3 个 URL。

image.png

这些结果有啥用呢？

1、「内容方向」：如果你要做营销内容，你要创作的主题方向

2、「内容竞品」：对应来源 & 被引用的内容 URL 都是你参考对象

3、「内容营销渠道」：这些 domains 有些就是你后续做内容营销的平台

对 GEO 研究来说，这些差异正是最值得分析的部分。

开源 + 免费，欢迎用起来、提 Issue、一起把它做得更实用。

GitHub 地址：

https://github.com/JeffLi1993/open-growth-skills

四、怎么用？

它是一个标准 Agent Skill，仓库发布后可以这样安装：

npx skills add github.com/JeffLi1993/open-growth-skills --skill chatgpt-fanout-queries

然后直接把要研究的问题交给 Agent。例如：

用 chatgpt-fanout-queries 分析：best ai website builder for a SaaS startup

image.png

这个注意，需要你先配置下 Open API 的 key：在 .env 里配置你自己的 OPENAI_API_KEY 和默认模型即可。API Key 只放在本地，不会写入研究报告。

五、这个 Skill 刻意保持克制

有些事它是故意不做的：

  • API 没给搜索词，不会根据答案去猜

  • 搜到的来源和答案里引用的来源分开算，不混成一个数

  • 不会因为某个结果排在前面，就说它更重要、更可信

  • 不会说 API 跑出来的结果就等于 ChatGPT 网页版

不是做不到，而是不该做。

做 GEO，数据少一点没关系，最怕的是把猜的当成真的。

图 07：可见数据与推断边界（概念示意）

最后说两句

我做这个 Skill，不是为了又做一个输入问题、输出答案的 AI 工具。

它真正想解决的是：当你在研究 AI 搜索时，怎么把一次本来很难复核的过程，变成一组可保存、可对比、可重新解析的研究产物。

问题是怎么被展开的，哪些页面出现在搜索来源中，哪些又真正出现在答案里 - 把这些看清楚，才能让 GEO 从猜模型喜欢什么，走向对可见证据分析 & 内容方向的建设。

GitHub 地址：

https://github.com/JeffLi1993/open-growth-skills

觉得有用欢迎给个 Star ⭐，有想法就提 Issue，也欢迎拿你的真实 GEO 问题来测试。

👋 加我微信，交流 AI 出海 & SEO

微信号：qqcode168

微信扫码添加