图片和视频能被 AI 搜到吗？多模态检索下的内容清单
图片和视频不是没机会被搜到，而是缺了「能被读成文字」的那一层。这篇给出图片四件套、视频五件套的落地清单，以及为什么纯图片内容几乎不会被 AI 引用。
一句话结论：图片和视频不是没机会被搜到，而是缺了「能被读成文字」的那一层——多模态检索能理解画面，但真正决定它能不能被引用、被匹配的，是你在图片和视频周围留下的文字：文件名、替代文本、图注、字幕、转写稿。
这篇只解决一件事：把「看得见但读不到」的内容，变成可被检索与引用的素材。
关键信息一览
| 你会搜的问题 | 答案在哪一节 |
|---|---|
| AI 到底能不能看懂图 | 第一节 |
| 图片要做哪几件事 | 第二节 |
| 视频要做哪几件事 | 第三节 |
| 为什么纯图内容几乎不会被引用 | 第四节 |
| 有没有可照做的清单 | 第五节 |
一、机器能看懂画面，但引用需要文字
这一层常被误解。多模态模型确实能直接读图、读视频帧，但它做「引用」的时候，给出的往往是文字表述。于是出现一个看似矛盾的现象：
- 画面能被理解（模型能描述你图里有什么）；
- 但画面很难被引用（没有文字锚点，无法把这段内容与你的页面稳定地绑在一起）。
所以图片与视频优化的核心不是「让 AI 看见」，而是给它一个可引用的文字锚点。这与文本内容的逻辑一致：能被摘走的，永远是可以独立成立的那一句话（见AI 摘要与零点击）。
多模态的匹配本身也走语义通道：系统比的是「这段内容的意思离这个问题有多近」，而不是画面里出现了哪个词。这条机制的原理与写法影响，见为什么长问句也能被匹配。
二、图片四件套
一张图要进入检索与引用，需要四层信息。缺任何一层都不会报错，只是白丢一次机会。
| # | 项 | 怎么写 | 常见错误 |
|---|---|---|---|
| 1 | 文件名 | 用有意义的英文或拼音，短横线分词 | IMG_2831.jpg、微信图片_2026.png |
| 2 | 替代文本 | 一句话说清这张图在讲什么 | 留空，或写「配图」「示意图」 |
| 3 | 图注 | 图下方一句补充，说明结论或来源 | 只写「图 1」 |
| 4 | 结构化数据 | 关键图用 image 属性挂在对应节点上 | 全部图都不标记 |
根据 schema.org 对 image 属性的定义，这张图会作为其所在实体的一项属性被读取。也就是说：图的价值不只是好看，它是页面实体的一个属性。
三条经验：
- 替代文本是给机器看的，不是给 SEO 看的。 写清「这张图表达了什么」，不要塞关键词。
- 截图一定要配图注。 表格截图、后台截图这类内容，图里的信息量很大但机器读不全，图注是唯一的补位。
- 图不要承担唯一的信息。 一张只存在于图里的表格，等于对机器不存在——关键数据要在正文里也有。
三、视频五件套
视频比图片多一件事：它有时间轴。这意味着要做五层信息，其中后两层最常被跳过。
| # | 项 | 怎么做 |
|---|---|---|
| 1 | 标题 | 说明视频讲什么，不用悬念式标题 |
| 2 | 封面 | 与标题一致，不含误导性画面 |
| 3 | 字幕 | 有字幕的视频可被检索的范围大得多 |
| 4 | 章节 | 视频内分段并标出时间点，对应文中的小标题 |
| 5 | 转写稿 | 把口播整理成文字放在页面或同页下方 |
第 4、5 两项是把视频拉回文本通道的关键：章节等于小标题，转写稿等于正文。 做了这两件事，一段视频才可能像一篇文章那样被匹配。
如果视频本身讲的就是一篇文章的内容，最省事的做法是在文章里嵌入视频并附转写稿——文字和画面互相补位，两边都能被检索到。
四、为什么纯图内容几乎不会被引用
原因有两个，都不难理解：
- 没有可摘的句子。 引用需要一句能独立成立的话，纯图内容给不出；
- 信息不可核对。 图里的数字无法被逐字复述，模型引用它的风险高于收益。
这也解释了短视频平台的内容为什么很难成为「信源」：它们强在传播，弱在可核。要被引用，得先能被复述。
一件具体的事：把图里的信息改写成一句可引用的判断。比如一张后台截图，图注不要写「图 2 后台数据」，而写「该页面近 30 天的索引量从 120 涨到 780，说明重抓已经生效」。前者只是标注，后者才是可以被摘走、被复述的句子。可摘句子的通用写法见可引用块怎么写。
反过来说，纯图内容并非没价值，只是它的目标不同：它服务于「看过就走」的场景。如果你的目标是进入检索与引用面，就必须补文字。
五、多模态自查清单
| # | 检查项 | 通过标准 |
|---|---|---|
| 1 | 图片文件名 | 无 IMG_ / 微信图片 这类机器名 |
| 2 | 图片替代文本 | 每张图都有，且描述内容而非堆词 |
| 3 | 关键图有图注 | 截图与数据图必配图注 |
| 4 | 结构化数据 | 主图挂在页面实体上 |
| 5 | 表格不只在图里 | 关键数据正文中同样存在 |
| 6 | 视频有字幕 | 有可检索的字幕文本 |
| 7 | 视频有章节 | 分段标时间点，与小标题对应 |
| 8 | 视频有转写稿 | 页面或同页附文字稿 |
| 9 | 封面与标题一致 | 不做标题党式封面 |
| 10 | 图片体积 | 走现代格式，首屏图不超过百 KB 量级 |
第 10 条是体验问题，不是取舍问题：图片再规范，加载不出来等于没有。本站的做法是让图片走现代格式并显式给出宽高，细节与「哪些图不能转换」的坑见交付验收的口径。
六、怎么和文本内容配合
多模态不是独立的一套做法，它依附在页面主题上。最实用的三种组合：
- 教程类：正文写步骤，配操作截图（每张配图注）；
- 对比类：正文给对照表，配实物图或界面图作为佐证；
- 案例类：正文写过程，配过程截图与结果截图，时间线用视频补充。
三种组合的共同点是：图与视频都在补正文的可见性，而不是替代正文。 这条原则同样适用于另一类非文本资产——页面的结构化标记，见让 AI 爬虫愿意抓你的论坛。
手上已经有一批老页面时，资产项不必一次做完，按「先补文件名与替代文本、再补图注、最后补结构化数据」的顺序改即可，理由与顺序见存量页面怎么改成 AI 可读。
常见问题
只发图片消息（比如图片型推送）对搜索有帮助吗？
传播上有帮助，检索上帮助有限。原因见第四节：没有可摘的句子，也没有可核对的数字。要让这类内容进入检索面，需要另有一份文字版本。
视频转写稿放在哪里？
两种都可以：与视频同页、放在视频下方；或者单独成文并互相链接。同页更好，因为它让文字与画面在同一段落语境里互相印证。
图片替代文本要写多长？
一句话，说清内容即可。写太长会被截断，写太短等于没写。判断标准：把这段文字单独拿出来，别人能不能知道这张图是什么。
延伸阅读
- GEO 是什么？AI 搜索时代的生成式引擎优化完整指南 — 本篇所属专题的总纲
- AI 搜索优化的 10 个常见误区 — 「标记越多越好」是误区
- GEO 效果怎么衡量？AI 引用监控的 5 个指标与自查方法 — 多模态资产的收益怎么量
- GEO 工具怎么选？监测、审计与内容层的工具清单 — 资产体检类工具
- 微信搜一搜的 3 个 AI 入口：AI 回答、小程序推荐、元宝引用 — 多模态在搜一搜里的入口
- GEO 和 SEO 有什么区别？一张表讲清 AI 搜索时代的优化逻辑 — 图片在传统搜索与现代检索里的权重差
- GEO 交付怎么验收？一张可逐条核对的验收清单 — 把资产项纳入验收
鄂公网安备42010502001286号