llms.txt: Was die Datei ist, wer sie nutzt und was sie nachweislich bringt

Was ist llms.txt?

llms.txt ist eine Markdown-Datei, die Sprachmodellen und KI-Agenten eine kuratierte Übersicht einer Website gibt. Sie liegt unter /llms.txt oder in einem Unterpfad wie /docs/llms.txt. Sie enthält eine Kurzbeschreibung und Links zu den wichtigsten Inhalten. Die Kurzfassung steht im Glossar unter llms.txt.

Den Vorschlag veröffentlichte Jeremy Howard am 3. September 2024 auf llmstxt.org. Seine Begründung: HTML-Seiten enthalten Navigation, Werbung und JavaScript, und Kontextfenster sind zu klein für ganze Websites. Agenten arbeiten besser mit knappen Informationen an einem Ort.

Die Datei ergänzt bestehende Standards. Die robots.txt regelt den Zugriff von Crawlern, die Sitemap listet alle URLs für Suchmaschinen. llms.txt wählt dagegen aus und erklärt, wie die verlinkten Inhalte zu lesen sind.

Version 2 des Vorschlags ergänzt zwei Punkte. Seiten sollen eine saubere Markdown-Fassung unter derselben URL mit der Endung .md anbieten. Link-Relationen im HTML oder im HTTP-Header (rel="alternate" und rel="describedby") helfen Agenten, diese Dateien zu finden.

Wie ist eine llms.txt aufgebaut?

Nur das H1 mit dem Namen der Website ist Pflicht. Alle weiteren Teile sind optional, ihre Reihenfolge ist aber festgelegt:

1. ein H1 mit dem Namen des Projekts oder der Website,

2. ein Blockquote mit einer kurzen Zusammenfassung,

3. beliebige Absätze oder Listen ohne Überschriften mit Zusatzinformationen,

4. H2-Abschnitte mit Linklisten im Format [Name](URL), optional mit Notiz,

5. ein Abschnitt „Optional“ mit Links, die ein Agent bei knappem Kontext überspringen darf.

# Muster Software

> Muster Software ist eine Buchhaltungslösung für kleine Betriebe in Deutschland und Österreich.

Alle Preise gelten netto in Euro. Die API ist REST-basiert.

## Dokumentation

- [Erste Schritte](https://muster.de/docs/start.md): Konto anlegen und erste Rechnung schreiben
- [API-Referenz](https://muster.de/docs/api.md): Endpunkte, Authentifizierung, Limits

## Optional

- [Changelog](https://muster.de/changelog.md)

Wer nutzt llms.txt?

Vor allem Anbieter von Entwicklerdokumentationen setzen die Datei ein. Laut Version 2 des Vorschlags veröffentlichen „tausende“ Websites eine llms.txt, Dokumentationsplattformen erzeugen sie automatisch. TechTafel hat am 13. November 2026 diese Dateien abgerufen:

• OpenAI für die Entwicklerdokumentation (developers.openai.com),

• Anthropic für die Claude-Dokumentation (docs.claude.com),

• Google für die Gemini-API-Dokumentation (ai.google.dev),

• Stripe, Cloudflare, Vercel und Perplexity für ihre Dokumentationen.

Breit verbreitet ist die Datei trotzdem nicht. SE Ranking fand sie bei 10,13 Prozent von knapp 300.000 untersuchten Domains. Bei Websites mit mehr als 100.000 Besuchen lag der Anteil mit 8,27 Prozent sogar etwas niedriger.

Die Dateien zeigen, wie unterschiedlich das Format genutzt wird. Cloudflare verweist in seiner llms.txt auf eigene Dateien je Produkt, die jeweils die vollständige Dokumentation auflisten. Stripe gibt Agenten direkt Anweisungen, etwa vor dem Festlegen einer Paketversion die aktuelle Version im npm-Verzeichnis zu prüfen. Die Datei dient dort als Gebrauchsanweisung für Coding-Agenten, weniger als Werbefläche für Suchmaschinen.

Was bringt llms.txt nachweislich?

Für Google Search bringt llms.txt nichts. Google schreibt in seinem Leitfaden zu generativen KI-Funktionen, Website-Betreiber bräuchten keine maschinenlesbaren Dateien, KI-Textdateien oder Markdown, weil Google Search sie nicht nutzt. Wer llms.txt für andere Dienste pflegt, darf das tun. Auf die Sichtbarkeit in Google Search wirkt es sich nicht aus. Google stellt zudem klar: Dass Google eine Datei crawlt oder indexiert, heißt nicht, dass sie besonders behandelt wird.

Für KI-Zitierungen gibt es keinen Nachweis. SE Ranking hat knapp 300.000 Domains mit Spearman-Korrelation und einem XGBoost-Modell untersucht. Ein Zusammenhang zwischen llms.txt und der Häufigkeit von KI-Zitierungen zeigte sich nicht. Ohne die Variable wurde das Modell sogar genauer. Die Autoren betonen, dass die Ergebnisse vom Datensatz abhängen. Welche KI-Systeme sie abgefragt haben, legt der Artikel nicht im Detail offen.

Chrome prüft die Datei inzwischen. Der Lighthouse-Audit im Bereich Agentic Browsing meldet nur Serverfehler beim Abruf. Fehlt die Datei, wertet Lighthouse das als „nicht anwendbar“ und zieht keine Punkte ab.

Für wen lohnt sich die Datei?

Nach Einschätzung der Redaktion lohnt llms.txt vor allem dort, wo Agenten gezielt lesen: Software-Dokumentationen, API-Referenzen und Wissensdatenbanken. Dort entspricht die Datei dem Zweck des Vorschlags, und der Aufwand bleibt gering (eine Stunde reicht oft).

Für eine Unternehmenswebsite oder einen Blog gibt es keinen belegten Nutzen. Wer in KI-Suchen sichtbar werden will, sollte zuerst die Grundlagen prüfen: Crawlbarkeit, robots.txt, klare Antworten im Text und strukturierte Daten. Den größeren Rahmen beschreibt der Artikel Was ist GEO?.

So gehen Sie vor:

1. Die 10 bis 30 wichtigsten Seiten auswählen, etwa Produkt, Preise, Dokumentation und Kontakt.

2. Je Seite eine Notiz schreiben, die in einem Satz sagt, was dort steht.

3. Die Datei nach dem Schema unter /llms.txt ablegen und mit UTF-8 ausliefern.

4. Abrufe im Server-Log beobachten, um zu sehen, ob Bots die Datei überhaupt laden.

Ob die Datei Ihre Sichtbarkeit in KI-Antworten verändert, zeigt nur eine Messung über mehrere Wochen. Passende Werkzeuge vergleicht der Beitrag zu Tools für KI-Sichtbarkeit. Legen Sie vor der Einführung einen Ausgangswert fest, sonst lässt sich kein Effekt erkennen.