llms.txt: Was es ist und wie man eine schreibt

Was der Vorschlag tatsächlich sagt

Das Problem, für das llms.txt entworfen wurde, ist Kontext, nicht Crawling. Wenn ein Modell oder ein Agent eine Frage mithilfe Ihrer Website beantworten soll, hat es ein begrenztes Kontextfenster und einen sperrigen Input: HTML-Seiten voller Navigation, Cookie-Banner, Sidebars, Werbung und per JavaScript gerenderter Inhalte. Eine große Website in etwas zu überführen, worüber ein Modell sinnvoll nachdenken kann, ist verlustbehaftet und teuer.

Die llms.txt-Spezifikation schlägt zwei sich ergänzende Lösungen vor. Erstens eine einzelne Markdown-Datei unter /llms.txt, die als kuratierter Index dient — das ist dieses Projekt, das sind die Seiten, die zählen, in Prioritätsreihenfolge. Zweitens saubere Markdown-Fassungen einzelner Seiten unter vorhersehbaren URLs (eine Seite unter /docs/setup zusätzlich unter /docs/setup.md), damit ein Agent nach der Auswahl eines Links aus Ihrem Index Text statt eines Templates abrufen kann.

Beachten Sie, was die Datei nicht ist. Sie enthält keine Direktiven, keine Allow- oder Disallow-Regeln und keine Berechtigungen. Sie ist eine Leseliste, die Sie anbieten — und jeder Abnehmer darf sie ignorieren. Die Spezifikation setzt bewusst auf Markdown statt JSON oder XML, gerade weil der vorgesehene Abnehmer ein Sprachmodell ist und weil Menschen die Datei von Hand pflegen können müssen.

• Wie es um die Verbreitung wirklich steht
• paragraphs
• bullets

Wie es um die Verbreitung wirklich steht

Seien Sie skeptisch, wenn jemand behauptet, llms.txt sei inzwischen ein Rankingfaktor. Googles John Mueller hat die Datei öffentlich mit dem alten Keywords-Meta-Tag verglichen und erklärt, dass Google sie nicht für die Suche verwendet; Berichte dazu finden Sie bei Search Engine Roundtable. Googles eigene Dokumentation zu Crawling und Indexierung erwähnt die Datei mit keinem Wort; die Datei, die dort für die Crawler-Steuerung dokumentiert ist, heißt robots.txt.

Auf Abnehmerseite lautet die ehrliche Antwort: Kein großer Assistenz-Anbieter hat dokumentiert, dass sein Crawler oder seine Retrieval-Schicht /llms.txt heranzieht, um zu entscheiden, was abgerufen oder zitiert wird. Nachweislich genutzt wird die Datei in die andere Richtung: Entwicklerinnen und Entwickler fügen eine llms.txt-URL in einen Chat ein oder verweisen einen Coding-Agent darauf, und der Agent folgt den Links. Das ist ein realer Workflow — und genau der Workflow, für den die Spezifikation geschrieben wurde.

Auf Publisher-Seite ist die Verbreitung am ehesten in Entwicklerdokumentationen sichtbar, auch weil Doku-Plattformen wie Mintlify die Datei für die von ihnen gehosteten Seiten automatisch erzeugen. Das ist ein guter Grund, eine zu haben, wenn Sie Doku ausliefern — und ein schlechter Grund anzunehmen, das Ökosystem habe sich auf einen Standard geeinigt. Eine Konvention, deren Einführung praktisch nichts kostet, sagt wenig darüber aus, ob sie irgendjemand auswertet.

llms.txt schreiben: das exakte Format

Die Spezifikation definiert eine präzise Dokumentreihenfolge, und genau darin liegt der Sinn — ein Abnehmer soll die Datei mit einem einfachen Markdown-Parser lesen können statt mit Heuristiken.

Das einzige Pflichtelement ist eine H1 mit dem Namen der Website oder des Projekts. Alles danach ist optional, aber in der Position festgelegt: ein optionales Blockquote direkt nach der H1 mit einer kurzen Zusammenfassung der wichtigsten Informationen, um den Rest zu verstehen; danach null oder mehr Markdown-Abschnitte mit Fließtext oder Listen für zusätzliche Details, ohne Überschriften; danach null oder mehr H2-Abschnitte mit jeweils einer Linkliste.

Linkzeilen bestehen aus einem Markdown-Listenpunkt mit Hyperlink und einer optionalen Beschreibung nach einem Doppelpunkt: Name, URL, dann ein Satz, der erklärt, wann man die Seite lesen sollte. Diese Beschreibungen leisten echte Arbeit — an ihnen entscheidet ein Modell, für welche zwei Ihrer fünfzehn Links es Kontext ausgibt. Schreiben Sie sie also als Wegweiser, nicht als Werbetext.

Eine H2 hat eine besondere Bedeutung: ein Abschnitt mit dem Titel Optional. Links darunter dürfen übersprungen werden, wenn weniger Kontext zur Verfügung steht. Nutzen Sie ihn für Changelogs, tiefe Referenzinhalte und alles, was ein Leser auch ohne beantworten könnte. Eine separate Konvention, llms-full.txt, die den vollständigen zusammengefügten Text Ihrer Dokumentation enthält, ist bei Doku-Plattformen beliebt, gehört aber nicht zur Kernspezifikation — behandeln Sie sie als Zugabe und veröffentlichen Sie sie nur, wenn Ihre Inhalte tatsächlich in ein modernes Kontextfenster passen.

• Liefern Sie die Datei im Wurzelverzeichnis der Domain als /llms.txt aus, als text/plain oder text/markdown, über HTTPS.
• Halten Sie sie kurz. Zehn bis dreißig kuratierte Links schlagen einen Sitemap-Dump; wenn Sie jede URL bräuchten, haben Sie bereits eine XML-Sitemap.
• Schreiben Sie Beschreibungen, die unterscheiden: „Preisstufen und Limits“, nicht „Mehr über Growli erfahren“.
• Verlinken Sie nur Seiten, die öffentlich zugänglich und stabil sind. Tote Links in einem kuratierten Index sind schlimmer als gar kein Index.
• Lassen Sie die Datei im Build erzeugen statt von Hand, wenn sich Ihre Doku wöchentlich ändert.

Ein Praxisbeispiel: die Datei von Growli

Unsere ist bewusst klein. Growli misst, wie KI-Assistenten Unternehmen erwähnen und empfehlen — die Seiten, die ein Agent braucht, sind also: was das Produkt tut, wie die Messung funktioniert, was es kostet und welche Research-Beiträge unsere Begriffe definieren. Mehr verdient keinen Platz.

Als Datei gelesen: eine H1, eine Zusammenfassung im Blockquote, dann zwei H2-Abschnitte — der zweite heißt Optional. Jede Zeile unten ist eine Zeile dieser Datei:

• # Growli
• > Growli verfolgt, wie KI-Assistenten — ChatGPT, Gemini, Claude, Perplexity, Copilot und Grok — Unternehmen erwähnen, vergleichen und empfehlen, und macht aus den Lücken priorisierte Maßnahmen.
• ## Core
• How it works: die Messmethode — Prompt-Sets, Abfragefrequenz und wie Erwähnungen und Empfehlungen bewertet werden.
• AI visibility: Definition der Kennzahl, was sie bewegt und was nicht.
• ## Optional
• Blog: Research-Beiträge zu Assistenzverhalten, Zitationsmustern und Messmethodik.

Die Einordnung neben robots.txt und strukturierten Daten

Diese drei Dateien beantworten drei verschiedene Fragen, und sie zu vermischen ist der häufigste Fehler, den wir in Audits sehen.

robots.txt beantwortet: Darfst du das abrufen? Sie ist eine Datei zur Zugriffssteuerung für Crawler mit seit Langem etabliertem, dokumentiertem Parsing-Verhalten, und dort erlauben oder verbieten Sie benannte KI-Crawler. Wenn Sie Training oder Crawling einschränken wollen, geschieht das dort und in Ihren Nutzungsbedingungen, niemals in llms.txt. Strukturierte Daten beantworten: Was ist das? Das Schema.org-Vokabular in JSON-LD erlaubt Ihnen, unmissverständlich anzugeben, dass Sie eine Organization mit diesem Namen, diesen Produkten, diesem Preis und diesen Bewertungen sind — genau die Art maschinenlesbarer Fakten, die eine Zusammenfassung überlebt. llms.txt beantwortet nur: Was soll ich zuerst lesen? Und zwar für einen Abnehmer, der sich bereits entschieden hat, Sie zu lesen.

Beim Aufwand-Nutzen-Verhältnis ist die Reihenfolge unspektakulär, aber konsistent: zuerst Crawlbarkeit und serverseitig gerenderte Inhalte, dann strukturierte Daten auf Entitätsebene, dann llms.txt. Eine Datei, die auf Seiten verlinkt, die ohne JavaScript leer bleiben, hilft niemandem.

Also: sollten Sie eine veröffentlichen?

Ja, wenn Sie eine Dokumentation, eine API, ein Entwicklerprodukt oder eine Wissensdatenbank haben — der Aufwand beträgt Minuten, die Datei ist für Menschen lesbar, und der Workflow, jemandem beziehungsweise einem Agent Ihre llms.txt-URL zu geben, ist bereits verbreitet. Veröffentlichen, aktuell halten, weitermachen.

Vermutlich keine Priorität, wenn Sie ein lokaler Dienstleister, ein E-Commerce-Katalog oder eine Marketing-Website mit zwölf Seiten sind. Es gibt keinen Beleg dafür, dass die Datei beeinflusst, ob ein Assistent Sie empfiehlt, und der Aufwand ist besser in das investiert, was Assistenten nachweislich lesen: Seiten, die ohne JavaScript rendern, explizite Vergleichs- und Preisinhalte, konsistente Entitätsfakten über Ihre Website und Verzeichnisse Dritter hinweg sowie Erwähnungen in Bewertungsportalen und Übersichtsartikeln, auf die sich Modelle stützen, wenn sie „beste X für Y“ beantworten.

Der ehrliche Test heißt Messung. Verfolgen Sie, wie oft Assistenten Sie nennen, bei welchen Prompts und welche Quellen sie dabei zitieren — genau dafür ist unser Tracking der AI visibility gebaut, und how it works erklärt die Methode. Wenn eine veröffentlichte llms.txt diese Zahlen für Ihre Website bewegt, werden Sie es sehen. Wenn nicht, haben Sie zwanzig Minuten investiert und etwas Wahres gelernt.

FAQ