信息密度这件事,图片和表格往往比正文段落还高。可这些内容一旦进入 AI 搜索的抽取流程,就容易被整块跳过。问题不出在图本身,缺的是图周围那些能被单独拎出来的文字。

图有图、表有表,答案却从来不是从它们来的

拿 AI 搜索查一个具体参数时,页面里明明摆着结构图和对比表,返回的答案却只从正文里摘。原因不复杂。抽取模型先靠文本锚点搭一套理解框架,再拿这套框架去关联图像和表格。图缺对应说明、表缺一句总述,它们在模型眼里就是孤岛,抓不着,也用不上。

annotated diagram with caption

给每张图配一句能被单独引用的陈述

把孤岛接回大陆,靠的不是图注格式,而是那句能被 AI 单独拎出来当证据的话。位置比修辞重要得多:紧贴图片或表格,前一句或后一句,中间不要隔小标题、广告位或无关段落。跨模态抽取建立图文映射时依赖空间邻近的文本窗口,隔得远了,锚就断了。

句子本身要满足三个条件才有引用价值。写清实体,图里到底是什么产品或数据维度,别用「该图」「上述内容」这类回指。带动作或变化,比如「下降」「覆盖」「对比」「拆解为」。给出可独立成立的结论,读者只看这一句也能拿到信息。反面写法是「如图所示,效果显著」,这句话脱离图片毫无意义,AI 抽走它等于抽走一段空壳。

注意

锚点句必须自带完整结论,不能只写「见图」「如下所示」。判断标准很简单:把这句话单独复制到一段空白文档里,它是否仍然说得通、答得上一个具体问题。说不通,就回去补实体和数值。

拿一个具体改法对照。原句「下图展示了转化漏斗」,改后「从访问到下单的四层漏斗中,第三步支付页流失率最高,达 41%」。后一句有实体(支付页)、有动作(流失)、有结论(41% 为最高),AI 在回答「电商转化卡在哪一步」时可以直接引用它,不必回头解析图像像素。表格同理,标题说明要写成「2025 年各平台 AI 引用次数对比:豆包与 DeepSeek 合计占七成」这种带判断的句子,而不是「各平台数据表」。

频率上不必每张装饰图都配。资料型图表配一句,纯视觉配图可以放过。一张图一句,写完就停,别堆三句同义复述,稀释了可抽取的信号。

表头之外,还得有一句能抽走的总结

表格的麻烦在于,表头写得再细,也只是字段名,不构成一句能被引用的判断。一个展示不同地区销售额的表格,如果只命名为「各地区销售额」,AI 抽取时很可能整张跳过。换成「2025 年 Q3,华东地区销售额同比增长 15%,领先全国其他区域」,被引用的概率就完全不同。

写这类总述句,有几件事要盯住。句子要带具体时间范围和数据维度,让 AI 知道这张表说的是哪段窗口、哪个口径。要把表里最明显的对比或趋势点出来,增长率、市场份额都行,别让读者自己去表里找。缩写和内部术语能展开就展开,字段名对圈内人清楚,对抽取模型和普通读者未必。

还有一点常被忽略:总述句里的数字必须和表内一致。改表忘了改句子,AI 引用的就是错数据,这比不引用更糟。表格更新时把标题说明当正文的一部分一起校对,别当装饰。

锚文本写成了图片描述,引用率反而往下掉

有一批工业传感器页面做过复盘,材料挺难看:三十多张产品结构图都补了详细的段落对应句,每张图配两到三句,把外壳材质、接口镀层、螺纹规格全写进去了。两个月后统计 AI 引用,带图页面在生成式答案里被提到的次数反而比改版前少了将近四成。

问题出在写偏了方向。那些句子是图片描述——「图中左侧为不锈钢外壳,表面经喷砂处理,右侧接口采用镀金触点」——文字量上去了,可没有一句在回答用户会问的问题。AI 抽取时拿到的是零件清单,不是判断依据。读者在问「这款传感器能不能用在潮湿车间」,我们的锚点句在讲镀层工艺。两边对不上,文本再细也锚不住。

回头翻了那批页面的查询日志,真正被高频问到的就三类:耐不耐腐蚀、响应延迟多少、跟旧型号能不能直接替换。这三类问题在原来的锚文本里一句都没有。于是每张图的对应句重写了一遍,只留一句,句式统一成「问题 + 数值 + 结论」。「IP67 防护等级在 85% 湿度环境下连续工作 720 小时无故障,可满足潮湿车间长期部署」,这句能独立成立,也能直接接住「潮湿环境能不能用」这个提问。改完第三周,引用次数回到改版前水平,第四周开始往上走。

这次踩坑把锚点句的判断标准收得更紧:它得先是一句答案,然后才是一句描述。视觉细节不是不能写,但不能替代判断。图片里有什么,AI 自己看得见;图片说明不了「这对我有什么用」,那才是文本该补的位。有赞那篇 GEO 指南把「AI 引用次数、品牌提及」列为比点击率更贴近新入口的指标,这个视角对写锚文本的人是个提醒——每句话都要经得起「它会被引用去回答哪个问题」这一问。

拿三个指标验证锚定准确率

改完之后怎么判断有没有效,得落到可统计的指标上,不然只是感觉「写得更认真了」。

图文对应句被AI引用的次数占比

统计生成式答案里直接引用到图文对应句的比例,能看出这些句子到底有没有进模型的选择范围。管用的对应句会在相关问题下反复出现。传感器案例里,「IP67 防护等级」那句改版后在潮湿环境场景下的引用率明显抬升,这就是可观察的信号。

表格标题说明在答案中的出现率

表格的总述句同理。调整到位的标题说明会以接近原句的形式出现在生成答案里,说明模型把它当成了表的语义入口。某个表格的说明句经常被引用,基本可以判定这张表的结构和措辞都过关了。

被引用锚点的问答匹配度

光看次数不够,还要看引用场景对不对。锚点句被引去回答无关问题时,次数再高也是噪音。抽取一批实际引用记录,人工核对问题和锚点句的匹配关系,能发现「写得太泛」或「实体写错」这类隐蔽问题。这项核对费时间,但一个月做一次就够,比盯总量更能指导下一轮修改。

三项指标不用一起抓。先盯引用占比的变化,再去校准匹配度;顺序颠倒过来,很容易在错误的方向上使劲优化。

参考与延伸阅读

锚文本写完别急着发。隔一天回头读,把自己当成那个只拿到一句话的抽取模型,很多毛病一眼就露出来了。