过去谈搜索，默认对象是文字。现在这个前提正在改变：用户可以直接用一张照片发起搜索，可以在结果页里看到图片卡片和视频片段，也可以让助手描述一段画面并据此给出建议。检索的对象从「文字」扩展到了「图像、视频以及它们的组合」，这就是通常所说的多模态。
对企业意味着多了一个入口，也多了一份要求
产品图、场景图、流程图、演示视频，这些过去主要起装饰和辅助作用，现在本身就是可被检索的内容。如果一张图没有任何文字说明，检索系统只能靠有限的视觉信息猜测它是什么，命中率自然低；反之，有准确描述、有上下文、格式规范的图片，就有机会进入图片类结果，带来过去完全不存在的曝光。
图片要做三件事
一是文件名有意义：用描述性的命名，而不是相机导出的编号。二是替代文本准确：简明说清图片内容，而不是堆关键词。三是图片周围有相关文字：图片所在的段落内容与图片主题一致，这能帮助系统确认它的语境。对于产品图，还应当补充规格、型号、适用场景等结构化信息。
视频的关键在文稿
视频内容能否被检索，很大程度上取决于有没有文字载体。一段没有字幕、没有文稿、没有章节标记的视频，对检索系统几乎是不透明的。可行的做法包括：提供完整的字幕或文稿文件，为视频添加章节时间戳，在视频所在页面给出内容摘要与关键要点。这些既服务于检索，也直接改善用户体验——很多人更愿意扫一眼文稿判断是否值得看。
别忽视移动端与加载
图片与视频是页面体积的主要来源，在多模态内容增多的同时，加载压力也随之上升。清晰的描述与合理的压缩要同时做到，否则就算被检索到，访客也会因为等待太久而离开。可见性与体验必须一起考虑。
小结
多模态让「能被看见」的定义变宽了。把图片与视频当作正式内容来管理——给它们命名、描述、文稿和上下文，它们就能在新的检索形态里，和文字一样参与获客。