Skip to main content
Query Fanout Estimator ノードは、アンサーエンジン(ChatGPT、Claude、Gemini、Perplexity など)が1つのユーザープロンプトを複数の Web 検索クエリ にどのように展開する可能性が高いかを予測します。こうして展開された検索は クエリファンアウトと呼ばれ、AI が生成する回答における情報の取得と引用を実際に左右しています。 このノードを使用すると、回答の背後にある検索レイヤーを理解できます。つまり、アンサーエンジンがどのクエリを実行する可能性があるか、意図のどの側面を探索するか、そしてより頻繁に引用されるためにコンテンツがどこをカバーする必要があるかを把握できます。
このノードを Agent に追加する方法については、Agents を使ってみるを参照してください。

​
このノードを使用する場面

Query Fanout Estimator は、次のような場合に使用します。
  • 特定の ユーザープロンプト が複数の Web 検索にどのように分解される可能性が高いかを確認したい
  • 特定のプロンプトにとって最も重要な 意図の強いクエリ を特定したい
  • 重要なプロンプトの背後にある ファンアウト領域 全体をカバーするコンテンツを計画したい
  • 想定されるファンアウトクエリを、AEO データノード、コンテンツブリーフ、キーワードクラスタリングのワークフローに渡したい
  • AEO 戦略のために、アンサーエンジンがプロンプトを情報取得の動作にどのように変換するかをモデル化したい

​
ノードの設定

Query Fanout Estimator ノードを選択すると、Agent ビルダーの右側に設定パネルが開きます。

​
Target Prompt(必須)

コンテンツの最適化の対象とするユーザープロンプトです。例:
  • 「AI 検索においてキーワード階層はどのように機能するのか?」
  • 「自社ブランドの AI での引用をモニタリングするための最適なツール」
  • 「クエリファンアウトは SEO 戦略にどのような影響を与えるのか?」
ノードは、アンサーエンジンがこのプロンプトに回答する際に実行する可能性が高い Web 検索クエリを推定します。

​
Output Label(必須)

ノードの出力のわかりやすい名前です。例:
  • query_fanout_estimate
  • predicted_fanout_queries
このラベルは、後続のステップ(コンテンツブリーフ、リサーチステップ、レポートなど)でファンアウトデータを参照するために使用します。

​
ノードの内部の仕組み

このノードは、2つのステップからなるパイプラインを実行します。

​
1. 実際のクエリファンアウトの例を取得する

Profound は、過去のクエリファンアウト のナレッジベースを保持しています。これは、ユーザープロンプトと、アンサーエンジンが内部で実際に実行した Web 検索クエリ(「ファンアウト」セット)の実際のペアです。 Target Prompt が指定されると、ノードは次の処理を行います。
  1. このファンアウトデータセットに対してセマンティック検索を実行する
  2. 最も類似したプロンプトとファンアウトの例を取得する
  3. それらの例をインコンテキストのデモンストレーションとして次の処理に渡す
これらの例は同じトピックに限定されるものではなく、アンサーエンジンが一般的にプロンプトを複数の検索にどのように展開するかを示すものです。

​
2. LLM を使用してプロンプトのファンアウトを推定する

次に、ノードはアンサーエンジンの情報取得レイヤーのように「考える」よう特別に設定されたモデルを使用します。
  • モデルは次のものを受け取ります。
    • Target Prompt
    • Profound のナレッジベースから取得した、過去のプロンプトとファンアウトの例のセット
  • モデルは次のように指示されます。
    • アンサーエンジンがプロンプトを複数の Web 検索クエリにどのように分解するかを推論する
    • 現実的で、意図が強く、意味的に多様な 検索クエリを生成する
    • (単なる言い換えのバリエーションではなく)関連するソースを取得できる サブクエリ に焦点を当てる
    • 元の意図のさまざまな側面(定義、比較、手順、評価など)を捉える(Profound)
モデルは、予測された Web 検索クエリのリスト、つまり 推定クエリファンアウト を返します。

​
出力

ノードは、アンサーエンジンがプロンプトからファンアウトする可能性が高い検索クエリを含む、構造化されたテキスト出力を返します。例:
このテキストは、後続のステップでリストに解析することも、他のノードに直接渡すこともできます。

​
ワークフローの例: ファンアウトに基づくコンテンツ計画

目標: 重要なプロンプトに対してアンサーエンジンが実行する可能性のあるクエリのセット全体をカバーするコンテンツ計画を作成します。 ステップ:
  1. Query Fanout Estimator
    • 入力: Target Prompt(例: 「AI が生成する回答はどのように引用を選ぶのか?」)
    • 出力: 予測されたファンアウトクエリ
  2. リサーチとインサイト
  3. コンテンツブリーフを作成する
    • ファンアウトクエリとリサーチ結果を Create Content Brief ノードに渡します
    • ブリーフで、意図の強い各サブクエリのカバーが必須となるようにします
  4. 記事を生成する
    • ブリーフを使用して、メインのプロンプト および そのファンアウトに明示的に対応する記事を Generate Article で生成します
  5. 最終的な記事をスコアリングする
    • AEO Content Scorecard を使用して、プロンプトから想定されるファンアウト領域を記事が十分にカバーしているかどうかを確認します
このワークフローにより、コンテンツが単一の表現だけでなく、アンサーエンジンがそのプロンプトの背後で実行する可能性が高い 検索のセット全体 に対して最適化されるようになります。

​
ベストプラクティス

  • 実際のユーザーの質問を反映した自然言語のプロンプトを使用してください。ファンアウトがより現実的になります。
  • ファンアウトの出力は、複数の後続ステップで活用できるよう、再利用可能なラベル(例: query_fanout_estimate)に保存してください。
  • このノードを Profound の AEO データノードと組み合わせて、予測されたファンアウトクエリ全体で自社サイトがどのくらいの頻度で表示されているかを確認してください。
  • ファンアウトの結果を活用して、アンサーエンジンが重視する可能性の高いサブクエリに直接対応する FAQ、見出し、セクション構成を設計してください。