AI搜索查询扇出实操：30分钟极速搞定跨境内容布局！

各位跨境朋友，大家好！今天咱们要聊一个关乎未来跨境实战命脉的重磅话题：搜索引擎里的“查询扇出”（Query Fan-Out）。作为一名深耕跨境多年的老兵，我深知大家对海外市场的每一次变化都格外关注。这可不是什么小打小闹的技术更新，而是搜索引擎底层逻辑的一次根本性重塑，它将彻底改变我们做海外营销、做内容布局的思路。

新媒网跨境获悉，现在，搜索引擎已经不仅仅是一个信息目录，它正摇身一变，成为一个直接给出答案的“智能顾问”。而这个转变的核心，正是“查询扇出”这项技术。简单来说，以前你问一个问题，搜索引擎给你一堆链接，你自己点进去找答案。现在，它会主动替你“跑腿”，把问题拆解成无数个小问题，然后从海量数据中帮你把答案综合好，直接呈现给你。这种从“信息提供者”到“答案合成者”的转变，对我们跨境商家、内容创作者来说，是机遇也是挑战，需要我们深入理解，才能乘势而上。

不止于一次搜索：查询扇出的深层逻辑

传统的搜索模式，就像你手里拿着一张关键词清单，挨个去匹配网页。但现在，AI系统可不是这么玩的。它会把你的初始问题“炸开”，或者说“扇出”成一大串相关的、更具体的小问题。

这就像你有个经验丰富的研究助理。你给他一个大课题，他不会只盯着一个方向，而是会同时从多个角度去挖掘，替你问出无数个更深层、更精准的问题。它同时在网络深处执行这些查询，挖出比单一搜索更全面、更高度相关的内容。

这种技术的首要目标，是超越简单的关键词匹配。它要理解你话语背后，那些你可能没明说的真实意图，然后给出一个上下文丰富、整合好的答案。通过预判你的后续问题，探索话题的方方面面，它想让你“不费吹灰之力”，就能获得高价值的搜索体验。

从搜索服务商的角度看，这样做有个重要的商业考量：那就是让用户在搜索环境里就能得到完整答案，把搜索引擎从一个“中转站”变成一个“终点站”，从而掌握更多用户的信息旅程。

三步走：查询扇出的“幕后”运作机制

查询扇出这个机制，就像一部精密的机器，在用户提交查询的短短几毫秒内，就完成了从模糊到精确、从复杂到全面的转变。它主要分为以下三个阶段：

第一阶段：查询分解与意图分析

当你敲下回车键那一刻，AI系统（比如谷歌的大语言模型Gemini）就开始忙碌了。它不仅仅是抓取关键词，而是会深入分析你的语言表达，找出话题的核心点、你真正的意图（比如是想比较产品，还是想了解一个概念，或是准备做决策），甚至包括那些你没明说的潜在需求。

基于这些分析，系统会生成大量的“合成查询”——几十甚至上百个针对原问题不同方面的子查询。这不是随机的分解，而是一个结构化的过程。外媒透露，谷歌的一项专利（美国专利号US20240289407A1）就详细描述了一种“提示式扩展”方法，指示大语言模型创建出涵盖不同意图（比较、探索）、词汇变化（同义词、转述）和实体改写（特定品牌或功能）的多样化查询。

请注意，这种高级分解通常只针对复杂、多意图或细致入微的提示。像“西班牙的首都在哪里”这种简单的客观查询，可能就不会触发如此大规模的扇出。这些机器生成的、我们肉眼看不见的子查询，构成了内容可见性的新战场——你成功与否，不再只取决于你的内容是否与用户最初的查询匹配，更在于它是否能精准回应AI系统生成的那些“隐藏查询”。

第二阶段：多源并行检索

一旦子查询生成完毕，它们就会被同时执行。这是一个关键环节，让系统能以极快的速度收集到海量信息。

这些信息来源远不止我们平时看到的网页。它会涵盖大量结构化、甚至只有谷歌内部才有的专属数据库。比如，谷歌的系统会查询其知识图谱（Knowledge Graph）获取实体信息，查询其购物图谱（Shopping Graph）获取实时产品数据（每小时更新20亿次），查询谷歌财经获取市场数据，以及其他专门的数据库，比如本地商家列表或航班信息。

这种多源、并行的执行方式，极大地扩展了最终答案的信息池。它能从那些可能只存在于专业数据库中、而非高排名网页上的地方，拉取到高度相关的数据。

第三阶段：信息综合与答案生成

在最后阶段，系统会将所有并行子查询检索到的海量信息进行汇总。大语言模型会进行复杂的推理和综合处理。它会利用一套质量信号（包括经验、专业、权威和可信赖度，即E-E-A-T原则）来评估这些检索到的内容。然后，它会在这些零散的信息之间进行推理，连接点滴线索，比较事实，识别模式，最终构建出一个单一、连贯、全面的回应。

最终的输出结果，不再仅仅是一堆信息片段，而是一个结构良好、数据丰富且细致入微的总结。这个综合性的答案旨在完整回应原始查询，并且通常还会更进一步，主动回答用户可能产生的后续问题，提供更加完整和令人满意的信息体验。

扇出机制的核心：为AI答案“落地”

查询扇出最关键的作用之一，就是为AI生成的回应提供“落地”基础。这个“落地”过程，就是把AI的输出与可验证的现实世界信息连接起来，这正是对抗大语言模型“幻觉”现象——即模型生成听起来合理但实际上错误的信息——的主要防御手段。

传统的AI模型是基于训练数据中的模式来生成文本的，但如果缺乏与实时、事实性来源的直接连接，它们的输出就可能变得过时或脱离现实。查询扇出直接解决了这个弱点。通过撒下几十甚至上百个子查询的“大网”，系统旨在从多样化、权威的来源中识别并检索出具体的、语义丰富的、值得引用的“信息块”。这些信息块构成了最终答案的事实性“基石”。

这个过程让AI能够综合出一个牢牢植根于事实、可验证数据的全面回应。最终生成的文本通常会附带引用或链接回信息来源页面。这不仅增加了AI答案的可信度和可靠性，也为用户提供了探索原始资料以获取更深层次上下文的路径。因此，查询扇出不仅仅是一种查找更多信息的方法；它更是确保所查信息准确可靠的关键机制。

查询扇出与其他AI范式的关联与区分

在AI领域，我们经常会听到一些相互关联的概念，比如查询分解、多智能体系统和检索增强生成。虽然它们有交织之处，但并非可以互换。理解它们的独特作用和关系，能让我们看清为什么查询扇出这种架构，特别适合大规模的网络搜索。

查询分解 vs. 查询扇出：范围上的差异

“查询分解”和“查询扇出”两个词紧密相关，但前者是后者的一个组成部分。查询分解，特指将一个复杂的查询分解成一系列更简单、更容易处理的子问题。它是扇出流程的第一步，也是基础。在多跳问答等学术研究领域，人们非常注重开发有效的分解策略，因为子问题质量直接影响最终答案的准确性。

而查询扇出，指的是整个端到端的信息检索系统。它不仅包含最初的查询分解，还包括随后针对所有生成子查询的并行信息检索，以及最终将这些信息综合成一个完整答案的阶段。一个外媒研究人员开发的“FanOutQA”数据集，就是为了测试大语言模型的能力，完美地阐释了这种关系。该数据集包含需要多跳、多文档推理的复杂“扇出问题”。数据集的核心部分，就是人工标注的每个扇出问题到一系列简单子问题的分解。这表明，分解是解决更广泛的扇出问题所必需的第一步。

本质上说，分解是一种战术，而扇出则是一种完整的战略。

多智能体系统（MAS）——比较分析

查询扇出可以看作是多智能体方法的一种特定、高度结构化的实现，但它与更广泛、更动态的“多智能体系统”（MAS）概念有着显著区别。多智能体系统定义为由多个自主AI智能体组成，它们相互协作、沟通和协调，以解决单个智能体无法完成的问题。

在查询扇出架构中，每个独立的子查询可以被视为简单、并行的“子智能体”，各自肩负着特定的信息收集任务。然而，它们的运作是高度受限且由中心统一协调的。这些子智能体在检索过程中不会相互通信、协商任务或分享学习经验。它们并行执行指令，并将发现报告给一个中央的“协调者”或“合成者”智能体，由其组装最终的响应。

相比之下，真正的多智能体系统涉及更复杂、更去中心化的交互。MAS中的智能体可以相互委派任务、就资源进行协商、解决冲突，并实时分享学习经验以调整其集体策略。虽然这为解决复杂的开放式问题提供了巨大的能力和灵活性，但也带来了协调、可靠性和调试方面的重大挑战。一些研究强调了这些系统在生产环境中的脆弱性。

对于像谷歌搜索这样的面向公众的服务，选择结构化扇出架构而非更动态的MAS，是清晰的工程权衡。搜索引擎必须以极低的延迟和高可靠性服务数十亿用户。扇出模型提供了“分而治之”的关键优势，同时避免了真正的MAS中固有的巨大协调开销和潜在的连锁故障。它实际上是一种“驯服”的多智能体系统，针对网络搜索的特定约束进行了优化：速度、规模和可预测性。

检索增强生成（RAG）——共生关系

查询扇出并非检索增强生成（RAG）的替代方案；相反，它是对RAG框架的强大增强。RAG是一种通用的架构模式，旨在通过首先从外部知识库检索相关信息，然后将该信息作为上下文提供给大语言模型来生成响应，从而提高大语言模型生成答案的质量。这个过程有助于将大语言模型的输出“落地”到事实性、最新鲜的信息中，减少“幻觉”的风险。

在这个框架内，查询扇出可以被理解为一种高度先进且可扩展的检索机制。它不再是系统仅仅寻找与用户初始查询匹配文档的单一、简单检索步骤，而是执行一个多管齐下、并行的检索。它利用分解来识别所需信息的所有不同方面，然后收集更丰富、更多样化的上下文文档和数据点，以馈送给生成阶段。

通过分解查询并从多个不同来源提取信息，扇出为RAG系统的“生成”部分提供了经过预处理、多方面的上下文。这极大地提高了最终答案的质量、准确性和全面性，使整个RAG流程更加健壮可靠。外媒在FanOutQA基准测试方面进行的学术工作，为商业扇出系统旨在执行的认知任务提供了一个有价值的非专有窗口。通过研究这些基准问题及其人工创建的分解结构，内容策略师可以有效地“逆向工程”这一过程。这使得他们能够构建自己的内容，明确回答AI可能生成的离散的、基于事实的子问题，从而使他们的内容更“可引用”，更有可能被纳入综合性AI答案中。

查询扇出在实践中的应用——谷歌AI生态系统

查询扇出和答案综合这些抽象概念，可不是纸上谈兵，它们是谷歌搜索产品十年来最重大演进的实际驱动引擎。谷歌已经明确证实，查询扇出是其新一代生成式AI搜索功能的核心技术。它采用分层方法部署，在计算能力和用户意图之间取得平衡。通过研究这些产品以及谷歌自身的专利，我们可以清楚地看到这项技术是如何运作的。

AI概览和AI模式的引擎

查询扇出是谷歌两大旗舰生成式搜索体验——AI概览（AI Overviews）和AI模式（AI Mode）的基础技术。AI概览是AI生成的摘要，会出现在某些查询的传统搜索引擎结果页面（SERP）顶部。这些概览通过扇出过程从多个来源收集信息并综合出简洁的答案，旨在快速满足用户的即时信息需求，而无需他们点击多个网站。

AI模式则代表了这项技术更沉浸、更广泛的应用。当用户选择进入AI模式时，扇出过程通常会更全面，旨在生成一个详细的、对话式的回应，可以完全取代传统的蓝色链接列表。有趣的是，对于完全相同的查询，AI概览和AI模式的回应及其引用的来源可能存在显著差异。这表明扇出过程的深度和广度是可调的，可以根据具体的产品界面和用户意图的复杂程度进行调整。

深度搜索——扇出的新前沿

对于最复杂、研究密集型的查询，谷歌推出了一项名为“深度搜索”（Deep Search）的功能，这代表了迄今为止扇出技术最强大的应用。标准AI模式查询可能生成几十个子查询，而深度搜索则将此提升到一个全新的水平，发出数百个同时进行的后台查询，从各个可能的角度探索一个主题。它的设计目标是对零散的信息进行推理，并将研究结果综合成谷歌所描述的“专家级、附带完整引用的报告”。

这个过程计算密集，可能需要几分钟才能完成，这就是它作为一项可选功能而非默认功能的原因。深度搜索旨在为用户节省数小时手动研究多方面主题的时间，展示了底层扇出架构的巨大可扩展性和潜力。这种分层实现——从相对轻量的AI概览到标准的AI模式，再到密集型的深度搜索——是一种蓄意策略。它允许系统有效地管理其庞大的计算资源，只有当它检测到足够复杂的查询或用户明确要求更彻底的调查时，才分配更多的算力（更广、更深的扇出）。这种方法在优化成本的同时，仍能在最有价值的地方提供高级功能。

证据来源：谷歌专利揭示的洞察

查询扇出对谷歌的战略重要性，通过描述其机制的技术文档和专利申请得到了强调。尽管专利不能确认实时产品的确切实现方式，但它们有力地证明了公司内部的长期研发重点。

• 美国专利号US20240289407A1，“基于提示的查询生成”：这份专利申请尤其具有启发性。它详细描述了一个使用大语言模型执行“提示式扩展”的系统，从用户初始搜索中生成多个替代查询。系统被特别指示创建反映不同用户意图的查询，例如比较式（“A与B”）、探索式（“X如何运作”）或决策式（“最适合Y的X”）。该专利还描述了过滤机制，以确保生成的查询具有多样性。这种方法直接反映了扇出过程中查询分解的描述机制。

• 美国专利号US12158907B1，“主题搜索”：这份专利描述了一个将搜索结果组织成“主题”的系统，并为每个主题提供AI生成的摘要。它概述了如何根据这些推断出的主题，将单个用户查询触发生成多个子查询。例如，查询“搬到丹佛”可能会被扇出为关于“社区”、“生活成本”和“活动”的主题子查询。这与查询扇出如何将一个广泛主题分解为其组成部分以提供更结构化和全面答案的方式完美契合。

将谷歌专有的实时数据图整合到这个过程中，提供了显著且具有防御性的竞争优势。扇出系统不仅仅查询公共网络；它还能直接访问谷歌内部工具和数据库，如购物图谱、谷歌财经和航班数据。这些是庞大、高价值且不断更新的数据集，竞争系统难以轻易复制。通过将这些内部工具作为检索过程中的“一等公民”，谷歌的AI能够提供不仅全面，而且及时、具有商业相关性且可操作的答案，将搜索引擎转变为一个强大的规划和交易工具。

驾驭新的搜索格局

查询扇出作为AI驱动搜索主导架构的兴起，不仅仅是一个技术上的好奇心，更是一场需要我们重新思考数字内容和搜索引擎优化（SEO）策略的“地震”。那些未能适应这一新现实的从业者，可能会面临在专门用来发现他们的系统中变得“隐形”的风险。旧的排名规则正在被新的推理、相关性和机器可读性原则所取代。

关键词的“失宠”——从排名到推理

多年来，SEO的核心一直围绕着关键词——研究高搜索量的词汇，并优化页面以争取这些特定查询的排名。而查询扇出，让这种模式变得危险地简单，并日益过时。新的范式将重点从关键词匹配转向了主题相关性和AI驱动的推理。

在一个“查询扇出”的世界里，成功不再由单一高价值词汇的第一名排名来定义。相反，可见性是通过成为AI在幕后生成的无数语义相关的子查询的有用且权威的来源来获得的。内容现在不仅根据其自身的优点进行评估，还根据它如何很好地融入AI为回答用户复杂提示而构建的“推理链”来评估。一个网站可能不会在广泛的初始查询中排名靠前，但因为它为AI生成的某个特定、小众子查询提供了最佳答案，所以它可能被作为关键来源浮现。

因此，目标不再是“出现在某个关键词下”，而是“在一个完整的主题集群中全面呈现”。

AI优先世界的内容策略

为了在新环境中蓬勃发展，内容策略必须从“为人类阅读而创建页面”，演变为“为机器消费而构建知识资产”。这需要我们有意识地关注内容的深度、结构和权威性。

• 建立主题权威和深度： 最有效的策略是放弃零散、关键词导向的文章，转向创建全面的内容中心或主题集群。目标是建立一个强大的语义基础，详尽地涵盖一个主题及其所有相关子主题。这包括预判并全面回答用户（或者更重要的是，代表用户进行研究的AI）可能对某个主题提出的所有潜在后续问题。这种方法能展示深厚的专业知识，使网站成为特定主题信息的一站式商店，从而增加其内容被选中回答众多扇出查询之一的可能性。

• 优化“分块”： AI系统不会从头到尾阅读网页；它们会解析网页以提取有意义的、独立的“信息块”。内容必须结构化以方便这一过程。每个段落或部分都应该是语义完整的，即使从整个页面的上下文中提取出来，也能提供价值并有意义。实用的策略包括使用清晰、基于问题的语义标题（H2、H3），编写简洁的段落，并采用可扫描的格式，如项目符号、编号列表和结构化数据（例如，Schema.org标记）。FAQ部分尤其有效，因为它们已经以AI系统正在寻找的问答结构进行格式化。

• 优先考虑E-E-A-T和语义丰富性： 经验、专业、权威和可信赖性（E-E-A-T）的信号变得至关重要，因为AI系统明确设计为优先考虑来自可信赖和可靠来源的内容。这意味着要加倍努力遵循最佳实践，例如发布带有作者署名的内容，引用可靠的研究，并展示第一手经验。此外，内容应具有语义丰富性，使用AI能够识别并连接到其知识图谱的特定实体（人物、地点、组织、产品、概念）。这有助于系统更准确地理解内容中的上下文和关系。

查询扇出的兴起创造了一种“强者恒强”的动态，但“强者”的定义已经改变了。虽然拥有既定主题权威的网站处于有利地位，但该系统也创造了新的机会。一个规模较小、高度专业的网站现在可以通过为非常具体的子查询提供权威答案来获得可见性，甚至可能与规模更大的老牌域名一起被引用。因此，权威性正变得更加细化——不再是关于一个通用的、网站范围的得分，而更多地是关于在特定相互关联主题集上可证明的深厚专业知识。

这迫使那些过去常常各自为政的角色（SEO、内容策略和信息架构）现在必须深度整合，不再仅仅是制作网页，而是生产机器可读的知识资产。

衡量成功的新指标——超越点击

向综合性AI答案的转变带来了巨大的衡量挑战。如果AI直接在结果页面上提供了完整答案，用户可能没有理由点击进入源网站，这使得传统的有机点击率（CTR）和页面级流量等指标意义大减。因此，衡量重点必须从页面级表现转向主题级可见性和引用频率。

新的关键绩效指标（KPI）不再是“我们是否在关键词X上排名第一？”，而是“在我们的核心主题中，我们的品牌在AI生成的答案中作为权威来源被引用的频率是多少？”。这需要新的分析方法和工具。营销人员和SEO从业者将需要：

• 直接监控AI搜索平台，查看他们的内容在哪里以及如何被呈现。
• 跟踪全网的品牌提及和正面评价，作为权威性的间接信号。
• 利用新兴的SEO工具类别，这些工具旨在模拟查询扇出过程。它们可以分析目标查询，生成可能的子查询，并评估网站内容对这些查询的覆盖范围，从而发现差距和改进机会。

延迟、成本与可扩展性：不得不面对的挑战

查询扇出虽然在答案质量上带来了革命性的提升，但在全球范围内的实施却带来了巨大的工程挑战。将一个查询分解成数百个子查询并非轻易之举；它引入了与延迟、计算成本和系统稳定性相关的显著复杂性。理解这些技术限制至关重要，因为它们是塑造现代AI搜索业务策略和用户体验的主要力量。

“规模下长尾”问题——最慢任务的桎梏

在任何大规模、高扇出分布式系统中，最大的挑战就是管理“长尾延迟”。在一个单一请求需要数百或数千个服务器并行响应的系统中，总响应时间并非由平均响应时间决定，而是由最慢任务的响应时间决定。这会使得延迟变异性呈指数级放大。

一个简单的统计例子可以说明这个问题：如果单个服务器有99%的机会快速响应（例如，在10毫秒以内），而有1%的机会很慢（例如，1秒），那么扇出只有一个的查询只有1%的几率会很慢。然而，如果一个查询的扇出是100，那么它有63.4%的几率会变慢（1-0.99^100）。即使在数百个被查询的服务器中，只要有一个服务器性能不佳，就足以给用户带来显著的延迟。

这个“规模下长尾”问题，正是像谷歌深度搜索这种扇出数百个子查询的功能并非默认模式，而且可能需要几分钟才能运行的核心原因。答案的全面性与交付速度之间的权衡，是这种基本工程限制的直接且不可避免的后果。整个分层产品系列——从快速的AI概览到缓慢但彻底的深度搜索——正是围绕分布式计算的物理和经济限制构建的商业策略。

计算和财务成本

执行查询扇出是一项极其消耗资源的操作，伴随着巨大的计算和财务成本。

• 计算成本：几十个或几百个子查询中的每一个都会消耗CPU周期、内存和网络带宽。当分解或综合阶段涉及大语言模型（LLM）处理时，计算负荷会急剧增加。像多智能体系统这样更复杂的架构，作为扇出的概念近亲，众所周知其成本极高，一些估计表明它们使用的令牌（因此也消耗计算资源）是标准聊天交互的15倍。

• 财务成本：这种计算负担直接转化为服务提供商的财务支出。每天为数十亿次这种复杂查询运行服务器、网络设备和消耗电力的成本是巨大的。提供类似功能的云服务，例如亚马逊Kinesis Data Streams的“增强扇出”功能，其特定定价层就反映了为多个消费者提供专用、高吞吐量的高昂成本。

因此，何时触发扇出以及扇出深度如何，不仅仅是一个技术选择，更是一个关键的经济考量。

架构解决方案与缓解策略

像谷歌这样的公司，其工程师团队已经开发出一套复杂的策略工具，以缓解高扇出系统中延迟和成本的挑战。这些技术旨在使系统“容忍长尾”，而无需付出成本高昂的过度资源配置。

• 扇出感知资源分配：一个关键原则是使系统具备“扇出感知”能力。这意味着系统理解，属于更大扇出查询的任务对整体延迟更关键。然后，它可以动态地为这些任务分配更多资源，以确保它们快速完成，而不是平等对待所有任务。这比为每个任务分配最坏情况下的资源要高效得多。

• 对冲请求：为了应对单个慢速服务器延迟整个查询的问题，系统可以采用“对冲请求”策略。向一个服务器发送请求后，客户端会等待一小段时间（例如，预期延迟的95%分位点）。如果在此期间没有收到响应，它会向副本服务器发送第二个相同的请求。然后，它会使用第一个响应的服务器结果，并取消另一个请求。这种简单的技术可以以适度增加整体系统负载为代价，显著缩短延迟长尾。

• 微分区和选择性复制：系统可以不为每台机器拥有一个大型数据分区，而是将数据分成数千个更小的“微分区”。这使得负载均衡可以更加精细和动态。如果某个特定数据或主题变得“热门”并受到大量子查询，系统可以仅为该微分区创建额外的副本，并将负载分散到多台机器上，而无需重新平衡整个系统。

• 尽可能减少扇出：架构设计也可以旨在最小化所需的扇出程度。例如，在每个副本上维护一个更大、更高效的单一索引，可能比将查询扇出到许多更小、分段的索引（每个都需要独立查询）性能更好。

查询扇出的未来演进，将由对更复杂AI推理的渴望与管理不断上升的检索成本的需求之间的张力所决定。随着大语言模型能力越来越强，它们将实现更高级的查询分解，从而需要更广、更深的扇出以收集更细致的证据。然而，对延迟和成本的指数级影响仍将是一个硬性约束。因此，下一波创新可能将侧重于效率：开发更智能的分解模型，以更少的子查询实现相同结果；创建更高效的索引和检索技术；以及构建更健壮的容忍长尾的基础设施。未来不仅仅是更广的扇出，更是更智能的扇出。

总结与展望

“查询扇出”不仅仅是搜索技术的一次渐进式改进；它代表了机器如何调节我们获取信息方式的根本性架构和哲学转变。通过将单个用户提示分解成一连串并行、有针对性的查询，并将结果综合成一个全面答案，AI系统正在从传统的“数字图书管理员”角色，转变为“自主研究助理”。新媒网跨境认为，这场由多智能体系统和检索增强生成等先进概念的实际应用所推动的变革，正在重塑整个数字格局。

对用户而言，这一转变预示着更直观、更高效、更强大的信息发现体验，复杂问题能直接得到解答，后续需求也能被预判并提前满足。

新媒网（公号: 新媒网跨境发布），是一个专业的跨境电商、游戏、支付、贸易和广告社区平台，为百万跨境人传递最新的海外淘金精准资讯情报。

本文来源：新媒网 https://nmedialink.com/posts/ai-search-query-fanout-master-xborder-layout-30min.html