一个做手冲咖啡器具的品牌，产品图拍得相当好：白底、多角度、打光讲究，每张都修过。他们做了两年内容，AI 里问「手冲壶推荐」，一次都没提过他们。
我打开他们产品页看源码，图片那段是这样的：
<img src="/wp-content/uploads/2024/03/IMG_3847.jpg">
没有 alt，没有图注，文件名是一串相机自动编号。
对客户来说，这张图很清楚：一把壶，一个滤杯，木质把手。对机器来说，这个位置上除了一张它没法解码的图片，什么都没有。
一、AI 看不见图，它读的是字
这件事说出来会让人不舒服：主流大模型并没有真的在“看”你的图片。
它做的第一件事是去找这张图周围的文字——文件名、alt、图注、页面正文、结构化数据。文本线索够强，它才愿意再花算力去做一层深层视觉分析；线索不够，这张图对它来说就是一个空占位。
有研究把这件事量化了：在文本查询下，纯图片内容的跨模态匹配得分大约是零点六，而带文本的内容能到零点八附近。这个差距是结构性的，不靠把图拍得更好看能补回来。
所以那句听起来很怪的话其实是对的：AI 看不见图，它只读旁边的字。
二、四个字段，决定这张图归谁
把图片周围的文本拆开看，有四个位置是机器一定会读的，而且每一个都很便宜，只是大多数人空着：
| 字段 | 写什么 | 最常见的错误 |
|---|---|---|
| 文件名 | 用英文描述画面里的东西：ceramic-pour-over-set.jpg | IMG_3847.jpg |
| Alt 文本 | 画面里的实体，以及它们之间的关系，中文二十到三十字 | 堆一串关键词，或者干脆留空 |
| 图注 | 一句陈述句，说明这张图证明了什么 | 「产品展示」「细节图」这类标签 |
| 结构化数据 | ImageObject / VideoObject，明确声明这张图是什么 | 以为插进页面就自动有了 |
视频还有第五个位置：transcript。要注意一个细节——把口播文字以 HTML 形式放在播放器下方，而不是只塞进字幕文件里。机器读的是页面上的字，不是封装在文件里的轨道。
另外提醒一句：这些字段不是给搜索引擎的仪式，是给模型的输入。写得像广告（「高端品质，匠心之作」）等于没写，因为那不是对画面的描述。
三、更狠的一层：同一张图，可能根本不是你的
这一层很多人不知道，但它决定了电商和制造业的图搜命运。
假设你卖一款小家电，图片是厂家提供的。全国有两百家经销商在传同一张图。你以为你在和同行比图，其实不是——近重复的图片会被聚成一簇，只留一个位置。
接下来会发生什么？因为像素几乎一样，模型没法靠画面分出高下，平局只能靠画面之外的东西打破：品牌强度、域名权威、结构化数据、页面上下文。
也就是说：图越是一样，你的品牌信号越重要；图越是独一无二，品牌信号越不重要。
反过来看，这就是一个很便宜的护城河——自己拍、带真实使用场景、别人没有的角度，那张图落在只有你有的位置上，平局根本不会发生。
四、一张图会拆成一串搜索
还有一件事会改变你对「一张图」的认知。
当用户把一张书架的照片交给 AI，它不会只做一次搜索。它会同时发起好几路：识别每一本书、找相似的书、找评价高的、找哪里能买。
这就是我们之前讲过的查询扇出，只不过这次扇出的起点是一张图。
对做内容的人来说，意思很直接：你竞争的不是一个查询，是一簇。一张图旁边如果只有一行「产品图」，那一簇里没有一路跟你有关；如果那张图旁边写清了材质、尺寸、适用场景、价格区间，它就可能同时接住好几路。
五、别为流量做，为证据做
最后要说清楚一件事，免得方向走偏。
视觉搜索的量确实大——按月都是几十亿次的规模，其中约五分之一带商业意图。但这里有个最常被夸大的地方：「占搜索量的比例」和「给你带来的流量」是两件事。实测下来，图片搜索带来的引荐流量通常只占站点总流量的一小块。
所以如果你的目标是流量，这件事的性价比并不高。但如果你的目标是让 AI 在回答里能拿出证据，那图是你手里最容易被当成证据的东西。
| 图这一块的两种做法 | 拿到的结果 |
|---|---|
| 图拍得漂亮，字段全空 | 机器读不到，等于没上传 |
| 字段写全，图是厂商的统一图 | 能被匹配到商品，但排不进只有你有的位置 |
| 厂商统一图 + 完整字段 + 强品牌信号 | 只能在平局里靠品牌赢，赢面不稳定 |
| 自己拍的场景图 + 完整字段 | 落在独有位置，同时接住多路子查询 |
六、今天就能做的四件事
- 把主推产品的图重命名：用英文描述画面内容，不要留相机编号。这一步成本最低，收益最直接。
- 给每张主图写 alt 和图注：alt 说清实体和关系，图注写一句陈述句——「这把壶的把手是实木的，握持处做了防滑纹」，而不是「产品细节图」。
- 补结构化数据：图片用 ImageObject，视频用 VideoObject，视频把口播文字以 HTML 放在播放器下方，再加章节标记。
- 挑三个 SKU 自己拍：带真实使用场景、别人没有的角度。不用全店重拍，先做最赚钱的那三个。
七、常见问题
我们的图都是厂家给的，必须重拍吗
不必全重拍。优先级这样排：主推的三五个 SKU 自己拍，其余把字段补全。厂商图补上完整字段，仍然能被匹配到商品，只是拿不到那个「只有你有的位置」——差别在平局的时候谁赢。
alt 写多少字合适
中文大约二十到三十字，说清「什么东西 + 在什么关系里」就够了。不是越长越好，堆一串关键词反而像在作弊，机器也不认。
视频要不要做字幕
要，而且要把口播文字以 HTML 形式放在播放器下方，别只塞进字幕文件里。机器读的是页面上的字，不是封装在文件里的轨道。再配上章节标记，它就知道答案在第几分钟。
图搜流量听说很大，值得专门投入吗
把两件事分开看：视觉搜索占搜索量的比例确实高，但它带来的引荐流量通常只占站点总流量的一小块。所以别为流量做，为「证据」做——图是你内容里最容易被当成证据的那一部分。
延伸阅读
AI 看不见你的图。它看见的是你为这张图写下的那几行字——写了的，它记得；没写的，这张图就不存在。