一、搜索正在从文字匹配走向多模态理解

很多内容创作者还在用传统SEO的方式理解GEO。

他们优化标题，扩展正文，增加FAQ，调整关键词密度。所有动作都围绕文字展开。

但搜索系统正在发生变化。

Google 的 AI Overview 已经不只是“读文章”。它在理解图片，在处理视频，在识别截图里的操作界面，也在从教程视频的字幕里提取关键步骤。

表面看，这是搜索结果形态的变化。

本质上，是搜索理解方式的变化。

过去，搜索更像文字匹配。现在，搜索越来越像多模态理解。文字、图片、视频、音频、截图、字幕，都可能成为AI理解内容的入口。

如果GEO优化还停留在纯文字层面，内容可见度会越来越受限。

我去年做过一个实验。同样的内容，一版是纯文字版本，另一版加入结构化图片、图片说明、视频字幕和页面上下文优化。结果是，后者在 AI Overview 里的引用频率明显更高。

这个差异在某些查询类型上非常明显。

尤其是教程类、工具类、对比类和操作流程类内容。

二、多模态AI搜索到底在理解什么

要优化多模态AI搜索，先要理解优化对象。

多模态AI搜索，简单说，就是AI不再只处理文字，而是同时理解文字、图片、音频、视频等多种内容形式，并且能在这些形式之间建立关联。

这不是概念上的变化，而是已经进入搜索体验的变化。

Google Lens 可以通过一张图片直接搜索相关信息。AI Overview 在部分问题中开始引用视频片段。Gemini 模型本身就是多模态设计，文字和图像被放在同一个理解框架中处理。

这意味着，页面里的图片和视频，不再只是装饰。

它们正在变成内容资产。

但这里有一个关键问题。

AI究竟怎么“读”图片和视频？

对于图片，AI主要依赖五类信号：图片的 alt text、图片周围的文字上下文、图片文件名、页面整体主题，以及图片本身的视觉内容。

对于视频，AI主要依赖视频字幕，也就是 transcript。同时还会参考视频标题、视频描述、视频周围的文字说明，以及视频平台上的元数据。

这些信号，就是多模态GEO优化的切入点。

多模态GEO不是给页面多加几张图，而是让每一种内容形式都能被AI准确理解。

三、图片的GEO优化：让AI真正读懂图片

图片是大多数文章都会使用的元素。

但在GEO优化中，图片常常被浪费。

很多文章里的图片，只承担美化作用。它们看起来让页面更丰富，但拿掉之后，文章信息量几乎没有变化。这样的图片，对AI理解内容的帮助很有限。

真正有价值的图片，必须承载信息。

Alt Text不是关键词容器

很多人对 alt text 的理解还停留在“放关键词”。

要么完全不写。

要么写一个关键词堆砌的短语。

这两种做法在多模态AI搜索时代都不够有效。

Alt text 的正确写法，是用一句完整的话，描述这张图片在当前语境下的含义。

比如，文章在讲“如何设置 Google Search Console”，其中有一张截图展示 GSC 的添加资产页面。

差的 alt text 是：

Google Search Console 设置。

好的 alt text 是：

Google Search Console 添加资产页面，显示域名属性和 URL 前缀两种验证方式的选择界面。

区别很大。

前者只是告诉AI这张图和什么主题有关。后者告诉AI这张图正在传达什么信息。

AI在组织回答时，需要的不是标签，而是可用信息。

好的 alt text 不是描述图片属于什么主题，而是解释图片帮助用户理解了什么。

图片必须承担独立信息

如果一张图片去掉之后，文章没有任何信息损失，这张图片对GEO的贡献就很低。

真正对AI有价值的图片，通常有几类。

数据可视化图表，可以把复杂数据关系直观呈现出来。

操作流程截图，可以展示具体步骤。

对比图，可以呈现两种方案的视觉差异。

产品或实物细节图，可以表达文字很难精确描述的信息。

这些图片不是装饰，而是信息节点。

AI在理解页面时，会把它们纳入内容结构，而不是当作噪音忽略。

图片周围的文字决定理解准确度

AI理解图片，不只看图片本身。

它还会看图片前后的文字。

这里最容易被忽视的是图片说明，也就是 caption。

一张图片如果没有说明文字，AI只能依赖 alt text 和附近段落判断图片含义。这个判断可能准确，也可能模糊。

但如果图片下方有一句说明，例如：

上图展示了启用自动广告之后，广告位分布的典型样式。

AI对这张图片的理解会更明确。

图片说明不需要很长。

一句话就够。

关键是要把图片和当前段落的逻辑关系说清楚。

四、视频的GEO优化：字幕是核心资产

视频比图片更复杂。

因为视频是时序内容。AI处理视频时，不是只看某一个静态画面，而是要理解时间线、语音、画面、章节和上下文。

但在当前阶段，AI理解视频最重要的入口仍然是字幕。

也就是 transcript。

这意味着一件事。

视频有没有高质量字幕，直接决定它能不能被AI有效理解和引用。

字幕质量优先级最高

YouTube 自动字幕已经相当准确。

但在专业内容中，自动字幕仍然会出现两个问题。

第一，专业术语容易识别错误。

第二，缺少标点符号，导致可读性变差。

手动上传 SRT 字幕文件，是目前更有效的做法。它不仅对AI友好，也对用户体验和 YouTube 搜索排名有帮助。

如果你已经在 YouTube 上发布内容，优先给核心视频补充高质量字幕。

这是投入产出比很高的优化动作。

对于嵌入网站的视频，还可以在视频下方提供完整文字版 transcript。AI在处理页面内容时，可以直接从这段文字中提取与视频相关的信息。

这同时也有利于普通SEO。

因为它增加了页面文字内容，而且这些内容和视频高度相关。

视频结构要便于AI提取信息

AI处理长视频时，并不会平均理解每一秒。

它会更关注几个位置。

开头的内容概述。

章节标题。

明确说出结论或关键步骤的段落。

这对视频创作有一个很直接的要求。

视频开头的30秒到1分钟，要清楚说明这个视频解决什么问题，会讲哪些关键点。

这段内容被AI提取的概率更高。

如果视频超过5分钟，章节时间戳应该成为标配。

YouTube 支持在视频描述里添加章节时间戳。它不只是帮助用户导航，也帮助AI理解视频结构和每个章节的主题。

视频和文章要互补，而不是重复

很多人会把视频内容原封不动整理成文章。

这不是完全错误。

但从GEO优化角度看，它效率不高。

更好的方式，是让视频和文章分工。

文章负责提供可快速扫描的结构化信息、可复制的代码或命令、详细数据和引用来源。

视频负责展示操作过程、真实使用场景，以及更有温度的解释。

这样，文字和视频都有独立价值。

AI在引用时，也更容易判断哪种内容形式适合回答哪类问题。

表面看，这是内容复用。

本质上，是多模态内容协同。

五、多模态GEO优化的内容框架

多模态GEO优化不复杂。

复杂的是，很多人在内容发布后才想起补图、补视频、补字幕。

正确做法应该前置到内容策划阶段。

在写任何一篇文章前，我会先问三个问题。

第一，这篇内容里，哪些信息用图片表达比文字更高效？

流程、对比、数据、截图演示，都应该优先考虑图片化。对应的每张图片，都要有清晰 alt text 和一句说明文字。

第二，这篇内容有没有适合做成视频的部分？

操作演示、动态过程、需要语气和表情辅助理解的内容，都适合视频化。如果做了视频，就要保证字幕质量，添加章节，并在文章里嵌入视频和 transcript。

第三，文字、图片、视频有没有形成互补？

不要只检查是否重复。

更重要的是检查有没有信息真空。

有些关键信息，文字没有说清楚，图片没有表达，视频也没有覆盖。这样的内容，即使形式很多，仍然不完整。

多模态内容不是形式堆叠，而是信息分工。

六、案例复盘：为什么结构化图片和字幕会提高引用频率

去年我做的实验，就是围绕这个问题展开的。

初始状态很简单。

同一个主题，我准备了两种内容版本。

第一种是纯文字版本。它有完整标题、正文、FAQ和小节结构。

第二种是在相同文字基础上，加入结构化图片、图片 alt text、图片说明、嵌入视频、视频字幕和 transcript。

两版内容表达的主题一致，但内容形态不同。

分析过程里，我重点观察它们在 AI Overview 中的引用频率变化。特别是教程类、流程类、对比类查询。

结果很明显。

带有结构化图片和视频字幕优化的版本，更容易被 AI Overview 引用。差异在某些查询类型上甚至大到超出我的预期。

原因并不难理解。

纯文字版本只能提供文字信号。多模态版本提供了更多可验证、可解释、可引用的信息节点。

截图能证明步骤。

图表能解释关系。

字幕能提取视频中的关键表达。

transcript 能让视频内容进入页面文本结构。

这几类信号组合在一起，AI更容易判断页面内容是否适合引用。

结论也很明确。

多模态优化提高的不是页面“好看程度”，而是内容被AI理解和引用的概率。

七、不同内容类型应该如何做多模态优化

不同内容，适合的多模态策略不一样。

教程类内容，重点是截图和视频。每一个关键步骤最好都有对应截图，截图要配 alt text 和 caption。视频则用来展示完整操作流程，并提供 transcript。

评测类内容，重点是对比图、表格和实物细节图。AI需要理解不同产品或方案之间的差异，而不是只看到结论。

数据分析类内容，重点是图表。复杂数据如果只用文字描述，AI和用户都需要更高理解成本。图表可以把趋势、差异和结构直接呈现出来。

工具类内容，重点是界面截图和操作演示。用户搜索这类内容时，往往不是想听概念，而是想知道按钮在哪里、设置怎么选、结果怎么看。

本地服务类内容，重点是实景图片、地图截图、服务流程和用户场景。它们可以增强真实感，也能帮助AI理解本地化语境。

常见错误是所有内容都套同一种格式。

该用截图的地方用图库配图。

该用视频演示的地方只写文字步骤。

该用图表解释的数据，只写成一长段描述。

这些问题表面看是排版问题。

本质上是信息表达方式不匹配。

八、结构总结

内容形式	适用场景	GEO优化动作	常见错误
图片	流程、截图、对比、数据、产品细节	写完整 alt text，添加 caption，让图片承载独立信息	只放装饰图，alt text 堆关键词
视频	操作演示、动态过程、复杂解释、访谈内容	上传高质量字幕，添加章节时间戳，嵌入文章并提供 transcript	只嵌入视频，不提供字幕和文字版
字幕	YouTube视频、教程视频、访谈视频	使用SRT字幕，修正术语和标点	完全依赖自动字幕
文章正文	结构化解释、数据来源、代码命令、快速扫描	与图片和视频形成互补	把视频逐字转写成文章，缺少结构
图片说明	解释图片与段落的关系	用一句话说明图片展示的信息	图片无说明，AI只能猜测上下文
章节时间戳	超过5分钟的视频	在描述中标注章节和主题	长视频没有结构，AI难以提取重点

九、一个被忽视的变化

很多人低估了图片和视频的内容价值。

过去，图片常被当作提升阅读体验的元素。视频常被当作增加页面停留时间的工具。

但在多模态AI搜索中，它们的角色变了。

它们正在成为独立的信息载体。

比如一篇讲 Google Search Console 设置的教程，文字可以解释步骤，但截图能让AI和用户看到具体界面。视频可以展示完整操作过程，字幕可以把视频内容转成可提取文本。

如果这篇文章同时具备清晰正文、结构化截图、准确 alt text、说明文字、视频字幕和 transcript，它就比纯文字内容多了很多被理解的入口。

对应策略也很清楚。

以后做内容，不要等文章写完再找图。

应该在选题阶段就判断：哪些信息适合文字，哪些适合图片，哪些适合视频。

这一步越早做，多模态结构越自然。

未来的GEO竞争，不只是内容质量竞争，也是信息形态设计能力的竞争。

十、一个诚实提醒

多模态GEO优化现在仍处在早期阶段。

很多信号的权重和具体机制并不完全透明。我这里分享的判断，来自现有公开信息和实际测试，并不是百分之百确定的最终结论。

但有一件事是确定的。

搜索正在变得越来越多模态。

内容形式的多样性，迟早会成为影响可见度的重要因素。

现在开始建立多模态内容习惯，比等到规则完全清晰后再行动，至少早一到两年。

在技术变化早期，方向正确比执行完美更重要。

结尾

文字仍然是内容的骨架，但在多模态AI搜索时代，图片和视频已经成为可以被理解、引用和呈现的信息资产。