用途：该技能用于最大化内容在 AI 回答中的可见性，核心思路是覆盖 LLM 查询扇出（query fan-out）产生的语义变体。资料指出，LLM 在生成回答前会把查询扩展为 5-10 个语义变体（子问题），因此内容需全面覆盖主题集群、自然包含语义变体、回答相关问题、建立实体关系并形成主题深度。
主要能力：提供查询扇出分析、语义覆盖清单、内容结构建议与语义足迹扩展方法。扇出分析示例："How to prioritize leads" 会扇出为"存在哪些线索优先级方法论""哪些工具有助于线索评分""哪些指标表明线索质量""销售团队如何排列潜在客户""什么是线索评分自动化"等子问题，内容需回答全部子问题。
语义覆盖清单包含：核心问题、定义、如何做、为什么重要、对比、示例、工具、指标、常见错误、趋势。推荐内容结构包括：What is [Topic]、Why [Topic] Matters、How to [Topic]、[Topic] Tools and Software、[Topic] Metrics to Track、Common [Topic] Mistakes、FAQ（含各子问题完整回答）。语义足迹扩展以实体关系方式组织，如主主题 Lead Scoring 下关联概念（lead qualification、MQL、SQL、BANT）、工具（HubSpot、Salesforce、Marketo）、指标（conversion rate、lead velocity）、角色（sales rep、marketing manager、SDR）与用例（B2B sales、SaaS、enterprise）。
使用方式：资料提及可用 Kuforia 可视化 AI 如何拆解主题、Dan's Fan-out Tool 展示子问题分解，或直接向 ChatGPT/Perplexity 提问"要回答 X 你会问哪些子问题"。分析输出格式包含目标查询、已覆盖子问题数（X/10）、语义覆盖率、缺失实体与改进建议。
适用场景：内容集群规划、LLM 子问题定向、语义关键词覆盖扩展。
限制：资料未提供具体收费、价格、平台支持范围或效果保证，相关事实暂未提供。