昨天那套 3-2-1-1-0 的目的，是讓十年後那張照片還在。但「還在」跟「拿得到」是兩件事。一個八萬張的檔案庫，如果你只記得「大概是前年秋天、好像在花蓮、客戶叫什麼我忘了」，那張照片跟位元腐蝕掉的那張，在實務上沒有差別——你一樣交不出來。昨天講到關鍵字與 IPTC 欄位要寫進檔案本身，那句話只寫了一半：寫進去之後，你打算怎麼把它撈出來。
📖 學
檢索有兩條完全不同的路
第一條是描述式檢索：事先把「這張是什麼」寫成文字存進中介資料，搜尋時比對字串。它精確、可布林運算、可稽核——搜「陳先生 AND 婚禮 AND 已授權」回來的就是三個條件的交集，一張不多一張不少。代價是它只知道你寫過的東西。
第二條是語意式檢索：模型把影像轉成向量（embedding），把你打的句子也轉成同一空間的向量，找最靠近的。不必事先寫任何東西，打「逆光下走在沙灘上的小孩」就找得到。代價是模糊、不可稽核、沒有邊界——它回的是「最像」的前 N 張而非「符合條件」的全部，而且它永遠會回東西給你，包括完全不對的。
正確的關係是：語意搜尋處理「我形容得出來但沒寫下來」的，描述式中介資料處理「我形容不出來、但一定要精確」的。人名、案件編號、模特兒授權狀態、著作權聲明、有沒有交過件——沒有任何視覺模型看得出來，因為它們根本不在畫面裡。
中介資料住在三層樓
| 層 | 誰寫的 | 典型內容 | 會不會被改 |
|---|---|---|---|
| EXIF | 相機自動寫 | 光圈、快門、ISO、鏡頭、時間、GPS | 幾乎不動，是事實紀錄 |
| IPTC（今天以 XMP 承載） | 人／軟體寫 | 關鍵字、標題、說明、創作者、著作權、授權 | 整個工作流都在動它 |
| XMP 容器 | 軟體寫 | 上面那些的實際存放格式，加上編輯指令、階層資訊 | 每次存檔都在動 |
一句話記住：EXIF 是相機給你的，IPTC 是你給未來的自己的，XMP 是兩者今天的載體。而只存在目錄裡的關鍵字，換軟體就沒了——這是昨天講過的同一個坑。
IPTC 標準本身在近兩年動過兩次，值得知道。2024 年 12 月的 2024.1 版改的是關鍵字（Keywords）欄位的定義，明文寫進「關鍵字可以是自由文字，不必取自受控詞彙」，並且把「光線、鏡頭效果、氛圍、主色調」這類描述正式納入合法用法。這不是放寬，是追認——圖庫與攝影師本來就這樣用了十幾年。2025 年 11 月的 2025.1 版則新增四個 AI 相關屬性：AI Prompt Information、AI Prompt Writer Name、AI System Used、AI System Version Used。「這張圖是不是生成的、用什麼生的、提示詞誰寫的」開始有固定欄位可放。這跟昨天提到的 C2PA 是同一件事的兩種做法：C2PA 用密碼學簽章證明來歷，IPTC 用欄位聲明來歷。
關鍵字階層：不是為了整齊，是為了少打字
階層關鍵字的價值不在樹狀圖好看，而在一次標註、多層命中：把「台南」放在「台灣 › 南部 › 台南」底下，標了台南的照片自動也被台灣、南部命中。平的詞彙表每張要打五到八個字，階層的打兩個就夠，其餘由父層帶出。
受控詞彙（controlled vocabulary）解的是另一個問題——同義詞漂移。你今年打「黑白」，去年打「B&W」，前年打「單色」，三年後搜任何一個都只搜到三分之一。這不是紀律問題，是記憶問題，解法只有把詞彙表固定下來、之後只從表裡挑。Lightroom Classic 可匯入 .txt 關鍵字表，社群有免費的 Open Source Lightroom Keyword List Project，也有 Controlled Vocabulary 這類動輒上萬條的付費專業詞表。
但有個坑：階層在檔案外面不保證還在。Lightroom 匯出預設勾選「Write Keywords as Lightroom Hierarchy」，會把階層以 lr:hierarchicalSubject 寫進 XMP；沒勾的話，別的軟體讀到的只是一堆攤平的平行關鍵字。這跟昨天檢查目錄備份是同等級的疏忽——平常沒事，需要的那天才發現。
別建太深，三層通常夠用：地點、人物、事件、主題、技法五個根各往下兩層，總量控制在兩三百條。一個你自己記不住的上萬條詞彙表，結局就是你不用它。
語意搜尋在 2026 年的實際位置
Adobe 走的是雲端路線。2026 年 4 月起，Lightroom 網頁版的改良搜尋支援任何語言的自然語句，可以直接打「有人跟鳥同框的照片」而不必事先下關鍵字，甚至下「2025 年 9 月一個白狗和小孩沿海灘奔跑的 RAW 檔」這種混合視覺內容與中介資料條件的句子。
關鍵限制要講清楚：這是雲端功能，Lightroom Classic 沒有。它依賴影像同步到 Adobe 雲端才算得出向量，Classic 的本地模式只有傳統中介資料搜尋。對把幾十 TB 留在本地 NAS 的人，這等於用不到——除非整庫上雲，那又回到昨天的頻寬與成本問題。
本地路線因此有市場。Excire Search 2026 是德國團隊做的 Lightroom Classic 外掛，AI 分析全跑在自己電腦上，建本地可搜尋資料庫，順帶做自動分類與 AI 輔助初選。開源這邊，Immich 用 CLIP 做智慧搜尋，影像與查詢文字各自轉成 embedding 比距離，全程在自架伺服器上跑、不對外送圖；它到 2026 年初已超過九萬顆 GitHub 星，2026 年 7 月 1 日發布 v3.0.0 穩定版。
原理知道一點有用：embedding 是模型對影像的內部表示，換模型就是換空間，舊向量完全不能用。所以語意索引是可再生但不可攜的——換工具或模型升級就得整庫重算，八萬張約幾小時到一整夜的 GPU 時間；好消息是它壞了不必備份，重算就好。這跟關鍵字剛好相反：關鍵字是人的判斷，毀了永遠回不來。昨天那句「目錄要納入 3-2-1」保的是關鍵字，不是向量索引。
分層：哪些手打，哪些交給機器
必須人寫、且寫進檔案的是法律與識別欄位：創作者、著作權聲明、授權條款、模特兒與場地授權狀態、客戶或案件編號、被攝者姓名。這些錯了會出事，也沒有模型猜得到。值得人寫但可以偷懶的是事件層級關鍵字：一次拍攝幾百張共用同一組「婚禮 › 儀式 › 台南 › 2026」，匯入時整批套用，三十秒的事。交給機器的是逐張視覺內容：誰在畫面裡、什麼顏色、什麼場景、是不是逆光。
算一下工時就懂了。八萬張全靠人工逐張下關鍵字，每張二十秒是四百四十小時；只做事件層級加法律欄位，一次拍攝三分鐘、八萬張攤成三百次拍攝，是十五小時。省下的那四百多小時，才是語意搜尋真正的價值——它不是「更聰明的搜尋」，是「讓你不必做那四百小時」。
界線與反方
AI 標籤不要無條件寫回檔案。 一旦寫進 XMP，它就跟你親手打的混在一起，日後分不出哪些是人的判斷、哪些是機器的猜測；而機器會猜錯，錯的標籤留十年比沒有標籤更糟。折衷是加前綴（例如 ai:海灘），或只留在工具自己的資料庫裡不落地。
語意搜尋的召回率沒有保證。 它回「最像的前五十張」，不會告訴你「總共有八十張符合」。交件、授權盤點、著作權稽核這種需要「全部」的場合，只能靠布林中介資料搜尋。這是能力差異不是成熟度問題——向量距離本來就沒有「符合／不符合」這條線。
詞彙表是長出來的，不是設計出來的。 一個現在就在用的十二條表，勝過規劃三個月、上萬條、還沒開始用的完美體系。
IPTC 的 AI 欄位是聲明不是證明。 2025.1 那四個屬性只是給你一個標準位置放「這是生成的」，任何人都能改。要不可否認的來歷，還是得靠 C2PA 的簽章。兩者搭配用，不要以為填了欄位就等於可信。
🧠 記
- 檢索有兩條路：描述式（人寫、精確、可布林、可稽核）與語意式（向量、模糊、無邊界、不必事先寫）。互補而非互斥。
- 中介資料三層：EXIF 是相機給的事實，IPTC 是你給未來的判斷，XMP 是載體。IPTC 2024.1（2024-12）明訂關鍵字可為自由文字；2025.1（2025-11）新增四個 AI 屬性。
- 階層關鍵字的價值是「一次標註、多層命中」，受控詞彙的價值是擋同義詞漂移。匯出務必確認「Write Keywords as Lightroom Hierarchy」有勾，否則階層在別的軟體會被攤平。深度控制在三層、總量兩三百條。
- 2026 年語意搜尋的實況：Adobe 的是雲端／桌面版功能，Lightroom Classic 沒有；本地路線走 Excire Search 2026（Classic 外掛）或 Immich（CLIP、自架、v3.0.0 於 2026-07-01 發布）。embedding 換模型即失效，屬於可再生不可攜的索引，不必備份。
- 分工原則：法律與識別欄位必須人寫且寫進檔案；事件層級關鍵字整批套用；逐張視覺內容交給機器。八萬張全人工約四百四十小時，分層後約十五小時。AI 標籤寫回檔案要加前綴或不落地；需要「全部」的場合只能用布林中介資料搜尋。
✍️ 實踐
今天做兩件小事，約 20 分鐘。目標不是建好體系，是先量出你現在的檢索能力。
- 五題檢索測驗（8 分鐘）。 出五道你真的會遇到的題目，各給自己 90 秒：（a）去年某月某地的某次拍攝；（b）某個人出現過的所有照片；（c）某客戶所有已交件的成品；（d）所有還沒確認模特兒授權的人像；（e）某種視覺特徵，例如逆光剪影。記下每題花幾秒、找不找得到。
- 寫一份十二條的詞彙表骨架（7 分鐘）。 只寫五個根：地點、人物、事件、主題、技法，每個根底下先放兩到三個你最常拍的具體項目，總共不超過十五條。存成純文字檔，用縮排表示階層。Lightroom Classic 可從 Metadata › Import Keywords 匯入這種
.txt。 - 檢查一個匯出預設（3 分鐘）。 打開你最常用的匯出預設，到 Metadata 區塊，確認 Metadata 下拉不是「Copyright Only」，並確認「Write Keywords as Lightroom Hierarchy」有勾。順手確認著作權欄位不是空的。
- 挑一個欄位補完（2 分鐘）。 在匯入預設（Import 時的 Apply During Import）加上創作者與著作權聲明，讓之後每一張進來的照片自動帶著。這是所有中介資料工作裡投報率最高的一步。
自我檢查：
- 第 1 題到第 5 題裡，有幾題是靠「我記得放在哪個資料夾」找到的？如果超過三題，你的檢索目前依賴的是你的記憶而不是你的系統——記憶會退化，而檔案庫只會變大。
- 第 (c)(d) 題答不出來？那兩題是語意搜尋永遠救不了的部分，因為交件與授權狀態不在畫面裡。這正是你該優先手動建立的欄位。
🔗 延伸學習
- IPTC Photo Metadata Standard 2025.1 — 2025 年 11 月版官方規格全文，含新增的四個 AI 內容屬性與 IPTC Core／Extension 完整欄位定義。
- Photo Metadata Standard updated to version 2024.1（IPTC） — 官方公告，說明關鍵字欄位定義改為明確允許自由文字的來龍去脈。
- Semantic search in Lightroom on the web（Adobe） — Adobe 官方說明頁，語意搜尋的支援範圍、語法與適用版本。
- Searching | Immich Docs — 自架方案的智慧搜尋文件，說明 CLIP embedding 如何在本地建立與查詢。
- Keyword Lists / Controlled Vocabularies（The Lightroom Queen） — 免費與付費受控詞彙表的整理清單，含 Open Source Lightroom Keyword List Project。
💬 問 AI
我要把攝影檔案庫從「靠記憶找照片」升級成「靠系統找照片」，請幫我設計檢索架構：
1. 我的現況是：總量約 ____ 張、主要題材是 ____、編輯軟體是 ____、檔案放在 ____（本地／NAS／雲端）、目前有沒有下關鍵字 ____。請幫我把「必須人工填寫的欄位」「可以整批套用的事件層級關鍵字」「應該交給 AI 視覺搜尋的部分」三者分清楚，逐項說明理由，並估算各自的一次性工時與每次拍攝的邊際工時。
2. 幫我起草一份不超過 30 條、深度不超過三層的受控詞彙骨架，根節點用地點／人物／事件／主題／技法，針對我的題材給具體項目，並指出哪些詞最容易寫成同義詞而需要事先固定。
3. 最後請幫我畫界線：列出三種「語意搜尋看起來能做、實際上不可靠」的檢索需求，說明各自為什麼不可靠、以及替代做法是什麼。並說明如果我把 AI 產生的標籤寫回檔案的 XMP，五年後可能踩到哪些坑。