你的图表和信息图被 AI 引用了吗？我们是如何优化视觉内容的

面向 AI 的视觉内容优化越来越重要，因为系统正在变得多模态。实践证明：

Alt 文本最佳做法：

不要描述图片是什么。描述它带来的洞见。

不佳 alt 文本： “柱状图展示按季度的收入”

优秀 alt 文本： “柱状图显示 Q4 收入同比增长 25%，比 Q1-Q3 平均高出 12 个百分点”

第二种写法让 AI 能提取可引用的信息。

最佳长度： 80-125 字符。既能表达洞见，又够简洁。

处理链条：

AI 系统用多重信号：

1. Alt 文本（非多模态查询的主要依据）
2. 标题文本
3. 周边段落文本
4. 文件名
5. ImageObject schema
6. 视觉分析（针对多模态系统）

应综合优化这些信号，而非只关注某一项。

Schema 标记的确有助于提升 AI 可见性。

ImageObject 实现方式：

{
  "@type": "ImageObject",
  "contentUrl": "/images/revenue-chart.png",
  "caption": "2025年Q4收入同比增长25%",
  "description": "柱状图对比各季度收入，Q4增长25%",
  "representativeOfPage": true
}

为什么有效：

1. 明确信号 - 明确告知 AI 图片代表什么
2. 消除歧义 - AI 不必仅靠 alt 文本猜测
3. 重点标记 - representativeOfPage 标注关键图片

测试结果：

关键视觉加 ImageObject schema 的网站，图片相关内容 AI 引用率提升35%。

快速实现：

大多数 CMS 都有 schema 插件。把 ImageObject 加到主图和关键数据可视化上。

我们已经把面向 AI 优化视觉内容纳入内容流程。

新工作流：

1. 策划： 明确视觉内容要传递的关键洞见
2. 设计： 所有标签直接包含在图中，避免隐含
3. Alt 文本： 在图片制作前就编写（聚焦洞见）
4. 标题： 40-80字说明要点
5. 上下文： 周边段落明确提及视觉内容

洞见优先的方法：

每做一个视觉内容前，我们都会问：“我们希望 AI 能引用哪条具体结论？”

然后围绕这一可引用结论设计和优化整个视觉方案。

结果：

按此流程制作的视觉内容被引用次数是老图的4倍。

关于 AI 是否能直接读懂视觉内容——答案是：越来越可以了。

当前现状：

• GPT-4 Vision：能解读图表并提取数据
• Gemini：多模态理解能力强
• Claude：视觉分析能力可靠
• Perplexity：仍以文本检索为主

但注意：

即使能分析视觉，AI 系统仍极度依赖文本信号。为什么？

1. 文本大规模处理更快
2. 文本信号更可靠
3. 视觉分析误差更高

实际建议：

不要指望 AI 能直接理解图片。要像 AI 完全看不到图片一样优化文本信号（alt、标题、上下文）。视觉理解只是加分项，不是基础。

我们发布过大量数据可视化的原创研究，经验如下：

最常被引用的：

1. 对比图表 - “[A] vs [B]”类型
2. 趋势图 - 展示时间变化
3. 重点数据 - 大号数字配释义
4. 表格 - AI 最喜欢结构化数据

不容易被引用的：

1. 复杂多变量图表 - AI 难以解析
2. 艺术型信息图 - 重美观轻内容
3. 无坐标轴标签的图 - 信息不全
4. 嵌入文本的图片 - AI 难以识别图片内文字

黄金法则：

每个视觉内容都应表达一条可引用的具体结论。无法一句话概括的，AI 就难以引用。

无障碍优化与 AI 优化高度重合。

关联点：

两者都要求视觉内容无需看图也能理解：

• 无障碍：为屏幕阅读器和视障用户
• AI：优先处理文本信号

无障碍经验：

1. Alt 文本应传达“目的”，而非仅外观
2. 复杂视觉需补充详细描述
3. 数据应有文本版本（表格替代）
4. 颜色不能作为唯一区分方式

一举两得：

无障碍做得好，视觉内容也更易被 AI 识别。两者同步优化。

快速自查：

如果屏幕阅读器用户能通过文本信号理解你的视觉内容，AI 基本也可以。

视频角度：视频缩略图和画面同样适用类似原则。

我们的发现：

1. YouTube 视频描述被引用，而不是视频本身
2. 带有清晰文字的缩略图更易被 AI 提及
3. 视频转录文本是 AI 引用的金矿
4. 分章节/时间戳帮助 AI 找到具体片段

静态可视化方面：

建议为重要数据制作视频解说。转录文本为你增加一层文本信号，YouTube 也被 AI 大量索引。

举例：

一段2分钟讲解年度调查数据的视频，比静态信息图获得更多 AI 引用，因为转录文本能提供丰富的上下文。

这场讨论为我梳理出了完整的优化框架。

核心要点：

1. Alt 文本需描述洞见，而非仅仅图片内容
2. ImageObject schema 可提升引用率约35%
3. 标题和周边文本是关键信号
4. 简单、可引用的视觉内容优于复杂图表
5. 无障碍优化=AI 优化

我们的视觉内容发布清单：

每次发布前检查：

• Alt 文本（80-125字，聚焦洞见）
• 标题（40-80字，总结要点）
• ImageObject schema 标记
• 周边段落明确提及视觉内容
• 所有坐标轴和数据点可见
• 一条明确可引用的结论

流程变更：

我们现在在设计前就写好 alt 文本。先定义洞见，再设计匹配。

追踪：

用 Am I Cited 跟踪视觉内容被引用情况，持续优化有效方法。

感谢大家的实用建议，这将极大改变我们对数据可视化的策略。