过去十几年，网站优化基本等同于文字优化。但在 2026 年，主流 AI 平台已经能同时处理文本、图像、视频和音频。如果页面上只有文字是可读的，其他地方的信息就白白浪费了。
图片：从“放上去”到“说清楚”
图片本身对机器是黑箱，能帮助机器理解的是围绕图片的文字线索：
- Alt 文本。用一句话描述图片内容，不是堆砌关键词。例如“车间内的全自动装配线”比“装配线 装配 车间 设备”有用得多。
- 有意义的文件名。自动生成的乱码文件名无法传达信息，改成描述性文件名成本极低。
- 周边文字。图片前后的说明文字会被一起理解，图注是很好的补充位置。
- 图片内的文字。把关键参数、联系方式做进图片里，等于让机器看不见这些信息。重要文字应该用 HTML 文本呈现。
视频：字幕不只是无障碍功能
- 字幕与文字稿。视频内容能被机器解析的前提是有文字版本。上传视频时同步提供字幕文件，或把文字稿放在视频下方。
- 章节时间戳。标注关键内容出现的时间点，便于定位和引用。
- 封面与标题。清晰描述视频主题，避免使用“宣传片”“公司介绍”这类没有信息量的标题。
- 托管位置。把视频托管在自有域名下，配合结构化数据标记，比只放在第三方平台更有利于企业积累自己的内容资产。
音频与文档
播客、讲解音频同样需要文字稿。产品手册、白皮书这类 PDF 文档，应确保文字可被提取，而不是扫描图片拼成的电子版。文档内的标题层级、目录结构，也影响机器能否快速定位内容。
一个整体思路：内容簇
与其把文字、图片、视频看作三种独立素材，不如把它们当成围绕同一主题的一组材料。文字讲清逻辑，图片补充细节，视频演示过程，结构化数据标明属性。这样一组彼此印证的内容，在机器视角里的可信度，明显高于单一形式的零散内容。
多模态优化听起来技术性很强，但落地的起点很朴素：确保页面上的每一条信息，都有文字能把它说清楚。