Nicht ganz. RAG beschreibt den allgemeinen Prozess, bei dem eine KI externe Daten abruft, um eine Antwort zu generieren. Query Fan-Out ist ein spezifischer Schritt innerhalb oder vor diesem Prozess. Während Standard-RAG oft nur nach dem exakten Wortlaut sucht, „fächert“ Query Fan-Out die Suche in verschiedene Richtungen auf, um ein Thema ganzheitlich zu erfassen.

Nein, Keywords bleiben wichtig, damit die KI das Thema überhaupt zuordnen kann. Aber: Sie reichen nicht mehr aus. Ein Keyword ist heute nur noch der „Startschuss“. Der Fokus muss darauf liegen, den gesamten Kontext (die Entitäten und Unterfragen) abzudecken, der durch das Query Fan-Out entstehen könnte.

Wie erkenne ich, welche Sub-Queries die KI erzeugt? Ein guter Trick ist die Nutzung von KI-Tools selbst: Frage ChatGPT oder Perplexity: „Welche Teilaspekte müssen geklärt werden, um die Frage [Dein Thema] umfassend zu beantworten?“ Die Liste, die du erhältst, spiegelt oft die Pfade wider, die ein Query Fan-Out einschlagen würde.

Eine sehr große. Damit die KI-Systeme die Ergebnisse der verschiedenen Suchpfade korrekt zusammenführen können, helfen klare Signale wie Schema.org-Markups, Tabellen und prägnante Zwischenüberschriften. Je „häppchengerechter“ die Informationen serviert werden, desto leichter lässt sich ein Teilergebnis extrahieren.

Absolut. Wenn jemand nach „bestes italienisches Restaurant für Geschäftsessen“ sucht, erzeugt das System Sub-Queries wie „italienische Restaurants in der Nähe“, „Restaurants mit ruhiger Atmosphäre“ und „Speisekarten/Preise“. Wer all diese Infos strukturiert auf seiner Seite hat, wird zum idealen Treffer für die kombinierte Antwort.