Mentionable
Mentionable

list_fan_outs

Tool MCP list_fan_outs : queries fan-out dédupliquées lancées en interne par les LLMs sur vos prompts trackés, classées par fréquence, dates first/last seen, LLMs.

Mis à jour le 2026-04-26

list_fan_outs

list_fan_outs expose les queries de recherche brutes que les LLMs lancent en interne pour répondre à vos prompts trackés. Chaque ligne est une query dédupliquée, classée par fréquence, avec les LLMs qui l'ont émise, les prompts qui l'ont déclenchée et les dates first/last seen.

Quand l'utiliser

Sortez ce tool quand l'utilisateur veut comprendre "qu'est-ce que le LLM cherche réellement pour me répondre ?". C'est le meilleur tool pour la découverte de contenu : chaque fan-out récurrente est un angle éditorial sur lequel les LLMs vont déjà chercher des sources externes. Combinez avec list_llm_sources pour voir qui gagne ces recherches aujourd'hui, et avec list_prompts pour remonter d'une query au prompt utilisateur qui l'a déclenchée.

Paramètres

Champ Type Défaut Description
projectId string (CUID) requis Projet à interroger.
cursor string — Cursor d'offset numérique.
limit integer 20 1 à 100.
filters.search string — Match substring sur le texte de la query.
filters.promptId string (CUID) — Restreindre aux fan-outs d'un prompt.
filters.llm enum — Restreindre à un LLM.
sortBy enum frequency frequency ou recent.

Les queries de moins de 4 caractères sont droppées côté serveur.

Réponse

data est un tableau d'objets query dédupliqués. occurrences indique combien de fois la query a été émise sur l'ensemble des prompts trackés et des LLMs.

{
  "data": [
    {
      "query": "ai visibility tracking software",
      "occurrences": 23,
      "llms": ["CHATGPT", "GEMINI", "PERPLEXITY"],
      "promptIds": ["clxprompt001", "clxprompt007"],
      "firstSeenAt": "2026-03-15T06:00:00.000Z",
      "lastSeenAt": "2026-04-25T06:00:00.000Z"
    }
  ],
  "pageInfo": { "hasMore": true, "nextCursor": "20", "totalCount": 142 }
}

Conseils et patterns

  • Triez par frequency pour faire remonter les queries que les LLMs lancent le plus souvent. Ce sont les sujets de contenu à plus fort effet de levier.
  • Filtrez par llm pour comparer ce que chaque moteur cherche sur le même set de prompts. Les écarts révèlent les angles morts spécifiques à un moteur.
  • Utilisez filters.promptId pour passer d'un prompt unique aux fan-outs qui drivent sa réponse.
  • Une query avec beaucoup de llms et un lastSeenAt récent est un signal d'intention stable et cross-engine, qui mérite un contenu dédié.

Tools liés