query fan-out

haladóelterjedt

Az AI-kereső a kérdésedet a háttérben több részkérdésre bontja, ezeket egyszerre keresi meg, majd a találatokból egyetlen választ állít össze.

Érthetően

Ha megkérsz egy jó könyvtárost, hogy segítsen eldönteni, hová menj nyaralni a családdal, nem egyetlen könyvet hoz ki. Elszalad a térképekhez, az útikönyvekhez, az árlistákhoz és az időjárási adatokhoz, aztán a végén összefoglalja, amit talált. A query fan-out ugyanez, csak géppel és másodpercek alatt.

A hagyományos keresőbe beírsz néhány szót, és arra az egy keresésre kapsz találati listát. Az AI-alapú kereső (például a Google AI Mode vagy a ChatGPT keresője) viszont a kérdésedből több kisebb keresést gyárt, mert egy összetett kérdésre ritkán felel meg egyetlen weboldal.

Ezért tud az AI-kereső olyan kérdésre is összefüggő választ adni, amelyet korábban öt-hat külön kereséssel kellett volna körbejárnod. A honlapok gazdáinak viszont új helyzet: nem elég egyetlen kulcsszóra jól szerepelni, mert a gép olyan részkérdésekre keres, amelyeket te soha nem írtál be, és többnyire nem is látsz.

Hogyan működik

Beírod a kérdésedet, a nyelvi modell pedig értelmezi: mit akarsz valójában megtudni, és milyen résztémákból áll a kérdés.
A rendszer ebből több részkérdést fogalmaz meg, például árakról, véleményekről, összehasonlításokról, friss hírekről. Egyszerű kérdésnél ez néhány darab, mély kutatásnál akár több száz is lehet.
A részkérdéseket egyszerre, párhuzamosan futtatja le a weben és más adatforrásokban, például térképes, termék- vagy hírkeresőben.
A beérkező találatokból kiválogatja a legrelevánsabb szövegrészeket. Ha valami hiányzik, újabb keresési kört indíthat.
A nyelvi modell a kiválasztott részletekből egyetlen összefüggő választ ír, és általában hivatkozásként megmutatja a felhasznált forrásokat.

Példa a mindennapokból

Megkérdezed az AI-keresőtől: „Melyik robotporszívó jó egy kutyás, szőnyeges lakásba 150 ezer forint alatt?” A gép a háttérben külön rákeres a kutyaszőrrel jól boldoguló modellekre, a szőnyegen mért teljesítményre, az aktuális árakra és a vásárlói tesztekre. Te mindebből egyetlen összefoglaló választ látsz, néhány forráslinkkel.

Kit érint

marketingesA tartalomnak már nem egyetlen kulcsszóra, hanem a téma köré szerveződő részkérdések egész sorára kell jó választ adnia, különben kimarad az AI-válaszokból. → Marketing

vállalkozó, vezetőA céged attól függően kerül be vagy marad ki az AI-kereső válaszából, hogy a részkérdésekre talál-e rólad megbízható, konkrét információt.

fejlesztőHa saját keresőt, RAG-rendszert vagy kutató agentet építesz, a kérdés szétbontása az egyik leghatásosabb módszer a pontosabb válaszokhoz. → Kód

mindenkiAki AI-keresőt használ, annak a válaszát ez a láthatatlan háttérmunka határozza meg, ezért érdemes tudni, hogy létezik.

Gyakori félreértés

TévhitAz AI-kereső pontosan arra keres rá, amit beírtam, csak szebben fogalmazza meg a találatokat.

ValójábanA gép a kérdésedből saját maga gyárt több, eltérő megfogalmazású keresést, és a válasz ezek eredményéből áll össze. Ezért kerülhet a válaszba olyan oldal is, amely a te eredeti szavaidra soha nem jelent volna meg.

Korlátok és kockázatok

A részkérdéseket többnyire nem látod, vagy csak részben: néhány eszköz megmutatja, mire keresett rá, de a teljes listát ritkán. Így nehéz ellenőrizni, mit hagyott ki a gép.
Ha a rendszer félreérti a szándékodat, rossz irányba bontja szét a kérdést, és magabiztos, de mellélövő választ kapsz.
A részkérdések változhatnak a megfogalmazástól, az előzményektől és a felhasználótól függően, ezért ugyanarra a kérdésre más-más forrásokból épülhet fel a válasz.
Az összefoglaló válasz miatt kevesebben kattintanak át az eredeti oldalakra, ami a tartalomkészítők forgalmát csökkentheti.

Hasonló, de nem ugyanaz

kulcsszavas keresés – Ott egyetlen keresés fut le arra, amit beírtál, a query fan-outnál a gép maga indít sok keresést a kérdésed alapján.
RAG (visszakereséssel bővített generálás) – A RAG az egész megoldás neve, amelyben a modell keresett szövegekre támaszkodva válaszol. A query fan-out ennek csak a keresési lépését teszi szélesebbé.
mélykutatás (deep research) – A mélykutatás percekig tartó, több körös munkafolyamat, amely jelentést ír. A query fan-out az a technika, amelyet közben – és a gyors AI-keresésben is – a kérdések szétbontására használ.

Kapcsolódó fogalmak

Tágabb

AI-keresés, információ-visszakeresés

Szűkebb

részkérdés

Rokon

RAG, AI Mode, AI-áttekintés, mélykutatás, keresési szándék, lekérdezés-átfogalmazás, generatív keresőoptimalizálás

Röviden a története

A „fan-out” (szétágazás) az elektronikából ered, onnan vette át az informatika arra az esetre, amikor egy kérés több párhuzamos szálra oszlik. Maga a módszer nem új: a keresőrendszerek fejlesztői korábban is alkalmazták a kérdések felbontását és átfogalmazását. A „query fan-out” nevet a Google tette ismertté 2025-ben, amikor az AI Mode bemutatásakor így nevezte meg a működés alapját.

Hol tart most

2026 végén a nagy AI-keresők és csevegő asszisztensek alapműködésének része, a felhasználók többsége tudtán kívül naponta használja. A marketingszakmában a generatív keresőoptimalizálás egyik központi fogalma lett, de a részkérdések továbbra is nagyrészt láthatatlanok.

Állapot: 2026. november

A hírekben

1 Agent Age-sztoriban fordul elő; a görbe a hírmagazin heti előfordulása.

Hazai szakmai anyagok: a GEO nagyrészt a SEO-ra épül, bécsi konferenciatanulságok2026. nov. 5. · Marketing

Más nevei

query fan-out · query fan out · fan-out keresés · fan-out lekérdezés · lekérdezés-szétágaztatás · kérdésszétbontás · query fan-out technika · fan-out queries

Források

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.