llms.txt: ano ang ginagawa nito, ano ang hindi, at kung sulit ba itong gawin

Ang llms.txt ay isang iminumungkahing plain-text na Markdown file, inilalagay sa root ng isang website, na nagbibigay sa mga large language model ng maikli at piniling buod ng site at mga link sa pinakakapaki-pakinabang nitong mga pahina. Mura itong idagdag at maaaring makatulong sa mga AI tool na bumabasa nito, pero walang pangunahing AI search engine na nagkumpirma rito bilang signal para sa ranking o citation.

Ano nga ba ang llms.txt?

Simple ang ideya. Ginawa ang isang web page para sa mga browser: navigation, cookie banner, script, footer. Kailangang hukayin ng isang language model ang lahat ng iyan para maunawaan ang inyong negosyo. Ang panukalang llms.txt, inilathala noong 2024, ay nagmumungkahi ng iisang file sa /llms.txt na nakasulat sa Markdown na, sa madaling salita, nagsasabing "ito kami, at ito ang mga pahinang sulit basahin". Ang ilang bersyon ay tumuturo rin sa malilinis na Markdown na kopya ng mahahalagang pahina, at ang kasamang ideya, ang llms-full.txt, ay nagsasama-sama ng buong teksto ng dokumentasyon sa iisang file.

Sulit na maging eksakto tungkol sa katayuan nito. Ang llms.txt ay panukala ng komunidad, hindi web standard, at hindi ito kapareho ng robots.txt. Sinasabi ng robots.txt sa mga crawler kung ano ang maaari at hindi nila maaaring kunin. Walang pinapayagan o hinaharangan ang llms.txt; isa itong gabay sa pagbasa.

Ginagamit ba ito ng ChatGPT, Gemini, Perplexity o Google AI Overviews?

Dito lumalampas ang karamihan ng artikulo tungkol sa paksa, kaya mag-iingat kami. Sa panahon ng pagsulat, wala sa mga pangunahing AI search experience ang hayagang nagsabing naiimpluwensyahan ng llms.txt kung aling mga source ang kanilang sinisipi. Sinabi ng Google na umaasa ang mga AI feature nito sa karaniwang search index at ranking system nito, at nagduda ang mga kinatawan nito sa file. Ipinapakita ng mga server log ng iba't ibang may-ari ng site ang paminsan-minsang pagkuha sa llms.txt, pero ang pagkuha ay hindi patunay na ginamit ito sa isang sagot.

Malinaw na may halaga ang llms.txt sa mga tool na sinabihang gamitin ito: mga developer assistant, coding agent at documentation platform na naglo-load ng llms.txt ng isang proyekto para makapagtrabaho ang isang model gamit ang tumpak at kasalukuyang docs. Kung kasama sa inyong audience ang mga developer, sapat na iyon para bigyang-katwiran ang pagsisikap.

Ang pananaw namin sa SNMRush: ituring ang llms.txt bilang mabuting housekeeping, hindi visibility lever. Isang oras lang ito, pinipilit nito ang kapaki-pakinabang na kalinawan, at hindi nito maililigtas ang manipis na content.

Paano sumulat ng mahusay na llms.txt?

Maikli ang istruktura sa panukala. Isang H1 na may pangalan ng site o brand, isang buod na may isang talata sa isang blockquote, opsyonal na mga tala, saka mga H2 section na naglalaman ng listahan ng mga link na may tig-isang linyang paglalarawan. Ang section na tinatawag na "Optional" ay maaaring maglaman ng mga link na puwedeng laktawan ng isang model kung limitado ang konteksto.

Ang isang worked example para sa isang kathang-isip na accounting software company ay maaaring ganito ang balangkas:

• Pamagat: ang pangalan ng brand, eksakto kung paano ninyo gustong mapangalanan.
• Buod: dalawang pangungusap na nagsasabi kung ano ang produkto, sino ang pinagsisilbihan nito at saan ito nag-o-operate. Isulat ito bilang sagot na gusto ninyong ibigay ng isang assistant.
• Mga pangunahing pahina: product overview, pricing, ang tatlong pinakamahalagang help article, security at compliance.
• Mga explainer: ang mga gabay na sumasagot sa pinakakaraniwang tanong ng inyong audience.
• Optional: kasaysayan ng kumpanya, press, careers.

Ang buod na talata ang pinakamahalagang bahagi, at ito rin ang disiplina ng answer block na inirerekomenda namin sa bawat pahina. Kung hindi ninyo mailarawan ang inyong kumpanya sa dalawang simple at makatotohanang pangungusap, mahihirapan din ang isang AI system. Malalim na tinatalakay ng aming gabay sa answer-first na pagsulat ang kasanayang iyon.

Aling mga pahina ang dapat ninyong isama?

Pumili ng mga pahinang sumasagot sa totoong tanong, hindi ng mga pahinang pinakagusto ninyong ibenta. Dito pinatutunayan ng audience research ang halaga nito. Sa SNMRush, ginagamit namin ang SOMIN, isang AI audience-research platform, para makita kung aling mga tanong at tensyon ang ipinapahayag ng mga tao tungkol sa isang kategorya sa pampublikong usapan, saka sinusuri kung may malinaw na pahina ang site para sa bawat isa. Pumapasok sa llms.txt ang mga pahinang sumasagot sa mga tanong na iyon; napupunta sa content plan ang mga puwang. Kung gusto ninyong makita kung paano pumapasok ang research na iyon sa strategy sa mas malawak na paraan, ipinapaliwanag ng overview ng SOMIN strategy ang approach.

Maikling checklist sa pagpili:

1. Malinaw bang sinasagot ng pahina ang isang tanong sa unang talata nito?
2. Kasalukuyan ba ito, na may tumpak na presyo, feature at petsa?
3. Naa-access ba ito nang walang login, script o interstitial?
4. Matutuwa ba kayo kung sisipiin ito ng isang assistant nang salita sa salita?
5. Ito ba ang iisang pinakamahusay na pahina sa site para sa tanong na iyon, sa halip na isa sa limang nagsasapawang pahina?

Mga depinisyon: llms.txt at ang mga kapitbahay nito

• robots.txt: isang matagal nang standard na nagsasabi sa mga crawler kung aling mga path ang maaari nilang kunin. Dito ninyo pinapayagan o hinaharangan ang mga AI crawler gaya ng GPTBot o Google-Extended.
• sitemap.xml: isang machine-readable na listahan ng mga URL na matutuklasan ng mga search engine.
• llms.txt: isang iminumungkahing human-readable na Markdown na gabay sa inyong pinakakapaki-pakinabang na content para sa mga language model.
• llms-full.txt: isang iminumungkahing kasamang file na naglalaman ng buong teksto, kadalasang ginagamit para sa dokumentasyon.

Ano ang mas mahalaga kaysa sa llms.txt?

Kung isang linggo lang ang mayroon kayo, gugulin muna ito sa ibang lugar. Karamihan ng AI answer engine na nagba-browse sa web ay humuhugot sa mga search index, kaya nananatiling pundasyon ang crawlability, indexing at ranking. Kasunod ang content mismo: direktang sagot, tiyak na fact, tapat na paghahambing. Saka ang structured data at pare-parehong entity information, na tumutulong sa mga makina na maunawaan kung sino kayo. Panghuli, mga mention sa mga kapani-paniwalang third-party site, na humuhubog sa paglalarawan sa inyo ng mga assistant.

Kapaki-pakinabang din ang pagkakasunod-sunod na ito bilang panlaban sa paniniwalang kayang ipanalo ng iisang file o tag ang AI visibility. Lalong humuhusay sa pagtimbang ng mga source ang mga reasoning model na tinatalakay ng aming sister studio na GPT5 Marketing; ginagantimpalaan nila ang laman, at mahirap silang linlangin.

Paano malalaman kung gumagana ito?

Maging mapagpakumbaba sa attribution. Suriin ang inyong server log para sa mga request sa /llms.txt at itala ang mga user agent. Magpanatili ng nakapirming panel ng mga prompt at subaybayan kung sinisipi kayo ng mga AI tool, bago at pagkatapos ng pagbabago, pero asahang halo ang anumang epekto sa lahat ng iba pang ginagawa ninyo. Ipinapakita ng mga agency sa KPI Media case study ang halaga ng pagbabatay ng mga desisyon sa ebidensya sa halip na sa palagay, at ganoon din dito: sukatin, huwag ipagpalagay.

Diretso ang aming hatol. Magdagdag ng llms.txt kung may dokumentasyon kayo, developer audience, o gusto lang ninyo ng maayos na buod ng inyong site para sa mga makina. Isulat nang maingat ang buod na talata. Saka bumalik sa trabahong alam nang mahalaga: ang pagsagot sa mga tanong na talagang itinatanong ng inyong audience, nang mas mahusay kaysa sa iba.

Kung gusto ninyo ng pangalawang opinyon sa inyong setup, may kasamang llms.txt review ang bawat AI visibility audit ng SNMRush, kasabay ng crawler access, schema at citation tracking.