هذه الأداة تظهر لك بالضبط ما

عندما يسأل عملاؤك شيئًا ما من ChatGPT أو Gemini، يطلق النموذج بهدوء مجموعة من عمليات البحث التقليدية على الويب في الخلفية، ويسترد صفحات التصنيف، ويجمع الإجابة منها. يتم الاستشهاد بالمواقع التي يتم تصنيفها لتلك الاستعلامات المخفية. أولئك الذين لا يفعلون ذلك، لا يفعلون ذلك. يقوم QueryFan بإنشاء مطالبات خاصة بالشخصية، وتشغيلها من خلال كلا النموذجين، والتقاط عمليات البحث الدقيقة التي أطلقها كل منهما. هذه القائمة هي هدفك الحقيقي لرؤية الذكاء الاصطناعي. إنه مجاني.

قوائم الكلمات الرئيسية مفيدة، ولكنها تفوت نصف الصورة فقط

اسمحوا لي أن أكون دقيقا بشأن ذلك قبل أن يكتب أي شخص ردا غاضبا.

أنا أستخدم مصطلح “الكلمات الرئيسية” للإشارة إلى استعلامات “اللقطة الواحدة” التي تدخل في محركات البحث التقليدية. نعم، أعلم أننا كنا في عالم “دلالي” لأكثر من عقد من الزمان، ولكن دعونا نتفق فقط على المصطلحات التي يمكن للجميع اتباعها في الوقت الحالي.

المشكلة الأساسية المتمثلة في “قوائم الكلمات الرئيسية” في سياق بحث الذكاء الاصطناعي هي ذات ثلاثة أبعاد:

1. عادةً ما تكون الاستعلامات (المطالبات) التي تدخل في LLMs أطول ومتعددة الأوجه ومحادثة بطبيعتها. تميل عمليات البحث التقليدية إلى أن تكون ذات نطاق أضيق.
2. البحث التقليدي هو “طلقة واحدة”. قم بالبحث، واحصل على معلوماتك، ثم قم بإجراء بحث مستقل آخر. تميل الاستعلامات/المطالبات الخاصة بـ LLM إلى أن تكون تحادثية بطبيعتها وتحمل سياق الرموز المميزة السابقة.
3. الآليات التي يستخدمها LLM للبحث على الويب تحمل أيضًا سياق التخصيص. إذا ذكر المستخدم سابقًا أنه نباتي، وقام بسؤال LLM عنه [running shoes]فمن المحتمل جدًا أن يقوم LLM بإجراء بحث لاستيعاب ذلك.

في جوهره، أصبح بحث الذكاء الاصطناعي نوعًا من “وحدة فك تشفير النية الشاملة” للمستخدمين. يتم تقسيم تلك المحادثات الكبيرة ومتعددة العناصر مع الذكاء الاصطناعي إلى مجموعات فرعية من الاستعلامات القابلة للحل، والتي يتم تشغيلها في الخلفية كعمليات بحث “تقليدية” على Google أو Bing، مع استخدام المواقع الناتجة لإنشاء استجابة. تُعرف هذه العملية باسم “الجيل المعزز للاسترجاع” (RAG).

تم نقل هدف التحسين. لم تعد تقوم بالتحسين فقط لما يكتبه الإنسان في مربع الدردشة. أنت تعمل على تحسين ما يبحث عنه وكيل الذكاء الاصطناعي بهدوء نيابةً عنه، في الخلفية، دون أن يعلم المستخدم بحدوث ذلك.

استعلامات الخلفية هذه هي ما يلتقطه QueryFan. غالبًا ما تكون مختلفة تمامًا عما طلبه المستخدم بالفعل. وهي القائمة الدقيقة للأشياء التي تحتاج إلى ترتيبها لتظهر في الإجابات التي ينشئها الذكاء الاصطناعي.

الشكل (أ): سقط موقع Reddit من الهاوية يوم الثلاثاء

أصبح نطاق هذه العلاقة السرية وعمقها واضحًا عندما كان Reddit يستمتع بزيادات كبيرة في Google، ووقعت المأساة في 10 سبتمبر 2026. وفقًا لبيانات تتبع الاقتباسات من PromptWatch، انهار معدل الاقتباس الخاص بـ Reddit في استجابات ChatGPT بين عشية وضحاها تقريبًا. لقد كان يصل إلى 15٪ من جميع الاستشهادات. وفي غضون أيام، كان يجلس أقل من 2٪.

كان السبب غير جذاب: فقد أزالت Google بهدوء القدرة على طلب 100 نتيجة بحث في وقت واحد ( num=100 المعلمة) من واجهة برمجة تطبيقات البحث الخاصة بها في ذلك التاريخ.

فكر فيما يخبرك به هذا. تم تتبع رؤية Reddit في استجابات ChatGPT إمكانات البحث المجمعة في Google، وليس أي شيء فعله Reddit، وليس تحديث بيانات التدريب، وليس تعديل المحاذاة. المعنى الضمني دقيق تمامًا مثل البيانو المسقط: كان ChatGPT يسحب نتائج بحث Google بشكل مجمّع، وكان Reddit يهيمن على تلك النتائج في ذلك الوقت، وعندما اختفى السحب المجمّع، اختفت أيضًا استشهادات Reddit.

إن أسطح بحث الذكاء الاصطناعي هي، في جزء كبير منها، عبارة عن أغلفة حول البحث التقليدي. جزء “الذكاء الاصطناعي” حقيقي (التوليف، والتخصيص، وتماسك المحادثة) ولكن استرجاع المعلومات الخطوة مألوفة بشكل ملحوظ. يقوم Google بفهرسة الويب وتصنيفه؛ يقوم الذكاء الاصطناعي باستشارة هذا الفهرس. المحتوى الخاص بك لا يزال بحاجة إلى الترتيب.

كيف يعمل QueryFan

الخطوة 1: كلماتك الرئيسية “التقليدية”.

قد تشتمل قائمة الكلمات الرئيسية التقليدية الخاصة بك للمصطلح “أحذية الجري” على صيغ مختلفة مقترحة لهذا المصطلح، من مصدر مثل Google Suggest.

بالنسبة إلى QueryFan، يمكننا ببساطة أن نأخذ موضوع “أحذية الجري” ونستخدمه كخطوة أولى، حيث سنقوم بإنشاء مطالبات حول هذا الموضوع.

الخطوة 2: تحديد الشخصيات

شخصياتك هي الطريقة التي سنقوم بها بتخصيص المطالبات التي ننشئها. سيؤدي هذا إلى تغيير اجتيازنا لمساحة الرمز المميز، ومواءمتنا مع بيانات التدريب من ملايين المجتمعات، ومشاركات المنتديات، وخيوط Reddit، وخطاب الإنترنت حيث يطرح المستخدمون الحقيقيون أسئلة حقيقية بهذه الهويات.

يرسل QueryFan مجموعة السمات + الموضوع الخاصة بك إلى LLM لإنشاء أنواع الأسئلة التي قد تطرحها الشخصية بالفعل على أداة الذكاء الاصطناعي. ليست الكلمات الرئيسية. أسئلة. أسئلة حقيقية، تحادثية، محملة بالسياق. ل [middle-aged vegan man who just started running] على سبيل المثال، فإنه سوف ينتج أشياء مثل:

• “ما هي أحذية الجري النباتية المناسبة للرجال في منتصف العمر الذين بدأوا للتو في الجري؟”
• “أين يمكنني شراء أحذية جري نباتية عبر الإنترنت في المملكة المتحدة؟”
• “ما الذي يجب أن أبحث عنه عند اختيار زوجي الأول من أحذية الجري كمبتدئ؟”

الخطوة 3: اختيار LLM والإثراء المطلوب أيضًا

فرع محادثات الذكاء الاصطناعي. الشخص الذي يسأل عن أحذية الجري النباتية سوف يطرح أسئلة متابعة: حول التكلفة، حول العلامات التجارية، حول الوقاية من الإصابات. يقوم QueryFan بتمرير المطالبات التي تم إنشاؤها من خلال واجهة برمجة التطبيقات Asked أيضًا لالتقاط أسئلة المتابعة ذات النية الأقرب حول كل سؤال. يعد الأشخاص الذين يسألون البيانات أيضًا الأداة المناسبة هنا لأنه تم تصميمه لنموذج قرب الأسئلة، وهو بالضبط ما تحتاجه عندما تحاول التنبؤ بالمكان الذي ستنتقل إليه المحادثة بعد ذلك.

على سبيل المثال، سيؤدي البحث في المملكة المتحدة عن “أحذية الجري” إلى ظهور أسئلة متابعة حول علامات تجارية محددة، وسؤال حول كيفية اختيار حذاء، وحتى الاستفسارات الطبية الشائعة.

يمكنك أيضًا تحديد ما إذا كنت ترغب في استخدام ChatGPT أو Gemini أو كليهما. يتعامل كل LLM مع الاستعلامات ويوزعها بشكل مختلف قليلاً، لذلك إذا كنت تعمل على تحسين نظام أساسي معين، فمن الأفضل الحصول على البيانات من هناك.

الخطوة 4: الاستعلام عن الخروج

يرسل QueryFan قائمة المطالبة المعززة إلى GPT-5 مع تمكين بحث الويب (عبر واجهة برمجة تطبيقات OpenAI Responses) وإلى Gemini مع تفعيل تأريض بحث Google (عبر واجهة برمجة تطبيقات Gemini Grounding). كلا النموذجين، عندما يقرران أن المطالبة تتطلب معلومات حالية، يقومان بإجراء عمليات بحث فعلية على Google خلف الكواليس.

تلتقط هذه العملية الاستعلامات المتشعبة نظرًا لأن كلا واجهات برمجة التطبيقات تتسم بالشفافية بشأن ما بحثت عنه. تقوم واجهة Gemini API بإرجاع أ webSearchQueries مصفوفة في groundingMetadata مجال كل رد على الارض. تقوم واجهة برمجة تطبيقات الاستجابة الخاصة بـ OpenAI بتسجيل استعلامات البحث الفعلية في ملف web_search_call الإخراج. QueryFan يحصد كليهما.

والنتيجة هي جدول: المطالبات الخاصة بالشخصية، واستعلامات بحث Google الفعلية التي أطلقها الذكاء الاصطناعي. ليس ما كتبه عميلك. ما بحث عنه الذكاء الاصطناعي نيابة عنهم. هذه هي أهدافك الجديدة لتحسين محركات البحث، وحتى الآن لا توجد أداة مجانية تبرزها على نطاق واسع.

السؤال الأساسي: ليس كل مطالبة تؤدي إلى البحث

تحذير موجز ولكنه مهم قبل الانطلاق لتصنيف كل شيء على أنه فرصة لتحسين محركات البحث.

لا تؤدي كل مطالبة إلى قيام الذكاء الاصطناعي بإجراء بحث على الويب. تتخذ النماذج قرارًا بناءً على إجماع التنبؤ بالرمز المميز فيما يتعلق بما إذا كانت المعلومات المباشرة مطلوبة.

على سبيل المثال، السؤال “ماذا تفعل خلايا الدم الحمراء؟” لا يؤدي إلى البحث. والسبب هو وجود منحنى جرس شديد الانحدار ستظهر الرموز المميزة له بعد ذلك. في مليارات وثائق التدريب، ظلت الإجابة مستقرة للغاية، لذلك يمكن إنشاء إجابة “داخل النموذج” بثقة.

وعلى الطرف الآخر من المقياس، هناك سؤال مثل “ماذا حدث في الأخبار اليوم؟” من شأنه أن يؤدي إلى البحث على شبكة الإنترنت. سيكون هناك منحنى مسطح للغاية لـ “ما هي الرموز المميزة التالية؟”، حيث لا توجد إجابة “ثابتة” ضمن بيانات التدريب؛ فهو يتغير دائمًا ويتطلب بيانات حية. إنها نسخة أخرى من مفهوم الاستعلام يستحق الحداثة (QDF) الذي استخدمه مُحسنات محركات البحث لسنوات.

إذا كنت مهتمًا بالتأريض، فقد قام Dan Petrovic ببعض الأعمال الممتازة في هذا المجال، بل وأصدر نماذج مدربة على Hugging Face للتنبؤ بما إذا كان سيتم تأجيل الاستعلامات عندما تصل إلى حد الثقة.

أسطح QueryFan التي تطالب بإجراء عمليات البحث والتي لم تفعل ذلك. فقط العناصر المؤرضة (تلك التي تسببت بالفعل في إجراء بحث Google) هي القابلة للتنفيذ من خلال تحسين محركات البحث. إن الإجابات النموذجية، في الوقت الحالي، بعيدة عن متناولك إلى حد كبير. ستحتاج إلى التأثير على بيانات التدريب لتحريك الإبرة هناك، وهو مشروع مختلف تمامًا، بأفق أطول بكثير.

ماذا تفعل بالنتائج

لديك الآن قائمة باستعلامات البحث الفعلية التي تطلقها أدوات الذكاء الاصطناعي عند الإجابة على أسئلة من شخصياتك المحددة. قم بإجراء تحليل الفجوة القياسي:

• أي من هذه الاستعلامات لديك محتوى لها؟
• ما الذي رتبت له بالفعل؟
• ما هي العناصر التي لا تتمتع بتغطية كاملة، سواء على موقعك أو في أي مكان من المحتمل أن يتم ذكرك فيه؟

الفئتان الأوليتان تشخيصيتان. والثالث هو قائمة الإجراءات الخاصة بك.

أحد الفروق المهمة عن مُحسنات محركات البحث التقليدية: موقعك ملك التصنيف ليس هو المسار الوحيد لرؤية الذكاء الاصطناعي. يقوم حاملو شهادات LLM بمسح أفضل 10، 20، وأحيانًا 50 نتيجة بحثًا عن استعلام مؤسسي ويقومون بتجميعها. يعد تصنيف موقع المراجعة الموثوق به في الموضع 3 طريقًا مشروعًا للظهور في إجابة تم إنشاؤها بواسطة الذكاء الاصطناعي، حتى لو لم يظهر نطاقك في الصفحة الأولى أبدًا. الحصول على مراجعة منتج على موقع متخصص ذي سلطة عالية، والحصول على إشارة في مقالة موجزة، والظهور في محتوى المجتمع ذي الصلة، كل هذه الأمور مهمة.

رؤية LLM هي التركيز على مواقع متعددة. وهذا يعني أن تحليل الفجوات له مخرجان: المحتوى المطلوب إنشاؤه على موقعك الخاص، والمواضع لكسب على مواقع الآخرين.

البونشلين

أعد عقلك إلى الرسم البياني لاقتباس Reddit. تلك التي سقطت من الهاوية عندما غيّرت Google معلمة واحدة لواجهة برمجة التطبيقات. تتبعت رؤية الذكاء الاصطناعي لشركة مستقلة تمامًا سلوك واجهة برمجة تطبيقات البحث التي لم تتحكم فيها وربما لم تكن تعلم بوجودها.

هذا هو شكل التبعية. والمعنى الضمني ليس أن تحسين محركات البحث (SEO) قد مات؛ إنه عكس ذلك تقريبًا. يعمل تحسين محركات البحث (SEO) الآن على إزالة إضافية واحدة: بدلاً من التحسين للاستعلام البشري، تحتاج إلى التحسين للاستعلام المترجم بواسطة الذكاء الاصطناعي الذي يحدث بين الإنسان وGoogle.

يمنحك QueryFan طريقة لمعرفة ما تنتجه هذه الترجمة بالفعل. تخبرك قائمة الكلمات الرئيسية بما كتبه الأشخاص في شريط البحث. يخبرك QueryFan بما بحث عنه ChatGPT وGemini نيابة عنهم، في الخلفية، دون أن يطلب منهم أحد الإعلان عن ذلك.

هذه قوائم مختلفة. الفجوة بينهما ليست تحسينًا بسيطًا لاستراتيجية المحتوى الخاصة بك. إنه جزء من بحث الذكاء الاصطناعي الذي لم يقم أحد بقياسه لأنه لم يكن لدى أحد أداة مجانية لقياسه.

الكشف: المؤلف هو منشئ Queryfan.

المزيد من الموارد:

تم نشر هذا المنشور في الأصل على Mark Williams-Cook Substack.

صورة مميزة: رومان سامبورسكي / شاترستوك