Перейти к содержимому
SEO & GEO Guide 2026

Посадочная под Query Fan-Out

TL;DR

Заголовок раздела «TL;DR»

Посадочная под Query Fan-Out — это страница, спроектированная так, чтобы закрыть не один запрос, а весь веер под-запросов (sub-queries), на который AI Mode и Яндекс Нейро раскладывают тему пользователя, и отдать по каждому самодостаточный извлекаемый пассаж. Механика fan-out разобрана в Query Fan-Out: один запрос декомпозируется на 8-16 параллельных под-запросов, по каждому идёт независимый retrieval, а финальный ответ синтезируется из пассажей разных источников — причём по данным, которые приводит исследование Princeton GEO (arXiv 2311.09735) и аналитика цитирований, до 68% цитируемых пассажей берутся со страниц вне топ-10 органики. Практическое следствие: побеждает не самая длинная статья, а та, что по каждому sub-query даёт лучший отдельный блок. Этот playbook — пошаговая сборка такой страницы: реконструкция веера под-запросов, карта «что закрываем здесь, а что выносим в spoke», passage-extractable структура, коммерческий intent-слой (для лендингов), разметка и связи, тест покрытия и итерация. Оптимальная длина извлекаемого пассажа по Princeton — 134-167 слов; целимся в неё для каждого блока под H2/H3. Этот playbook применяет к конкретной посадочной общие принципы Citability и встраивается в hub-and-spoke модель из Семантики 2026.

Этап 1. Реконструкция веера под-запросов

Заголовок раздела «Этап 1. Реконструкция веера под-запросов»

Реконструкция веера — это сбор того набора sub-queries, на который AI-движок реально раскладывает вашу тему, потому что именно по ним пойдёт параллельный retrieval. Угадывать «из головы» нельзя — веер собирают из живых источников. Минимум: задать главный запрос в Perplexity и спросить «какие ещё вопросы задают люди по этой теме», снять блок «Люди также спрашивают» (PAA) в Google и быстрые ответы Яндекса, собрать поисковые подсказки (autocomplete) обеих систем, прогнать главный запрос в AI Mode / Нейро и выписать, на какие под-вопросы они фактически отвечают, и просмотреть top-страницы конкурентов на предмет того, какие под-темы они закрывают. Полученные 8-20 формулировок — это и есть карта retrieval. По каждой фиксируют интент (информационный / транзакционный / навигационный) — это понадобится на Этапе 4.

Сбор веера под-запросов

0 из 6 (0%)

Этап 2. Карта sub-queries: что на странице, что в spoke

Заголовок раздела «Этап 2. Карта sub-queries: что на странице, что в spoke»

Карта sub-queries — это решение, какие под-запросы закрывает данная посадочная, а какие выносятся в отдельные spoke-страницы со ссылкой. Это ключевая развилка: попытка раскрыть на одной странице всё и сразу даёт поверхностные блоки, которые проигрывают в retrieval; вынос слишком многого — рассыпает тему. Правило: на посадочной остаются под-запросы одного интента и одной формы ответа (тесно связанные с главным), а под-запросы, требующие иного интента или глубокого отдельного разбора, становятся spoke’ами. Посадочная при этом работает как локальный hub: даёт по каждому вынесенному sub-query короткий извлекаемый ответ-анонс и ссылку на spoke с deep-dive. Эта логика — продолжение hub-and-spoke из Семантики 2026, но на уровне одной страницы.

Распределение под-запросов

0 из 5 (0%)

Этап 3. Passage-extractable структура

Заголовок раздела «Этап 3. Passage-extractable структура»

Passage-extractable структура — это вёрстка, в которой каждый sub-query закрыт отдельным самодостаточным блоком, читаемым вне контекста страницы. AI Mode извлекает не страницу, а пассаж, поэтому блок должен отвечать на свой под-запрос целиком и сразу. Минимум по каждому блоку: H2/H3 сформулирован как сам под-запрос (вопрос или конкретная под-тема), первое предложение даёт прямой ответ в TL;DR-стиле, далее — пассаж на 134-167 слов с фактами и цифрами, definition-блоки помечены паттерном «термин — это …», для перечислений и сравнений используются списки и таблицы, между фактами нет длинных вводных и нет отсылок «как сказано выше» (иначе блок теряет самодостаточность). Полный разбор техники — в Citability, Этап 1; здесь она применяется поблочно — один sub-query = один извлекаемый пассаж.

Структура блоков под извлечение

0 из 6 (0%)

Этап 4. Коммерческий intent-слой (для лендингов)

Заголовок раздела «Этап 4. Коммерческий intent-слой (для лендингов)»

Коммерческий intent-слой — это набор блоков, который превращает информационную fan-out-страницу в посадочную, способную и попасть в AI-ответ, и продать. На коммерческую тему модель раскладывает веер, смешивающий интенты: «что это» и «как выбрать» (информационные) соседствуют с «сколько стоит», «как купить», «доставка», «отзывы» (транзакционные). Закрыть нужно оба слоя: информационные пассажи дают цитируемость и охват веера, транзакционные — конверсию. Минимум: блок «как выбрать / какой подойдёт» с критериями, блок цены/условий с конкретикой (а не «уточняйте»), блок «как купить / оформить», блок доверия (отзывы, гарантии, сертификаты — где это уместно нише), и CTA внутри ключевых блоков, а не только в конце. Важно: транзакционные блоки тоже делаются извлекаемыми — короткий прямой ответ на «сколько стоит» или «как заказать» сам может попасть в generative-ответ.

Коммерческие блоки

0 из 6 (0%)

Этап 5. Разметка и связи

Заголовок раздела «Этап 5. Разметка и связи»

Разметка и связи — это структурированные данные и внутренняя перелинковка, которые помогают движку понять состав страницы и пройти к spoke’ам. Минимум: BreadcrumbList для позиции в структуре, FAQPage для блоков вопрос-ответ, соответствующих под-запросам (где это честные Q&A, а не маскировка), для коммерческих посадочных — Product/Offer (см. Schema.org JSON-LD), оглавление с anchor-ссылками на блоки (улучшает и навигацию, и шанс deep-link в выдаче), внутренние ссылки на каждый spoke с осмысленным анкором, и обратные ссылки со spoke’ов на эту посадочную как на их hub. Anchor-навигация плюс чёткие H2-вопросы повышают вероятность, что движок сошлётся прямо на нужный фрагмент.

Разметка и перелинковка

0 из 5 (0%)

Этап 6. Тест покрытия и итерация

Заголовок раздела «Этап 6. Тест покрытия и итерация»

Тест покрытия — это проверка, что готовая страница реально закрывает собранный веер и попадает в generative-ответы. Без неё оптимизация идёт вслепую. Минимум: пройтись по списку sub-queries из Этапа 1 и убедиться, что у каждого есть свой извлекаемый блок (или spoke со ссылкой), прочитать каждый блок изолированно — понятен ли ответ вне страницы, задать главный и 5-10 под-запросов в AI Mode / Перплексити / Нейро и проверить, цитируется ли страница, и по тем под-запросам, где не цитируется, — усилить или добавить блок. Веер и ответы движков нестабильны, поэтому тест повторяют периодически; общий цикл отслеживания — в Мониторинге AI-видимости.

Проверка и доработка

0 из 6 (0%)

Анти-паттерны

Заголовок раздела «Анти-паттерны»
  • ❌ Один длинный текст без блочной структуры — fan-out извлекает пассажи; сплошное полотно проигрывает по каждому sub-query конкуренту с отдельным блоком.
  • ❌ Поверхностно обо всём — 20 под-тем по два предложения проигрывают 20 страницам, каждая из которых раскрывает свою.
  • ❌ Закрыть весь веер на одной странице любой ценой — смешение интентов рушит извлекаемость; часть под-запросов должна стать spoke’ами.
  • ❌ FAQ-маскировка — вопросы ради Schema, не отвечающие на реальные под-запросы, не дают цитируемости и рискуют разметочным штрафом.
  • ❌ CTA и цена только в подвале — транзакционные под-запросы остаются незакрытыми, конверсия и охват теряются.

Следующие шаги

Заголовок раздела «Следующие шаги»