llms.txt

Was ist eine llms.txt?

Eine llms.txt ist eine Textdatei, die eine Website eigens für Sprachmodelle und KI-Agenten bereitstellt. Sie beschreibt in wenigen Zeilen, worum es auf der Website geht, und verlinkt die Inhalte, die ein Modell für Antworten oder Aufgaben am ehesten braucht. Der Name verbindet „LLMs“ mit der Dateiendung „.txt“. LLM steht für Large Language Model, also ein großes Sprachmodell wie GPT, Gemini oder Claude. Die Datei heißt llms.txt mit s, nicht llm.txt.

Geschrieben wird sie in Markdown, einer einfachen Auszeichnungssprache, die Überschriften, Listen und Links mit Zeichen wie # oder - markiert. So bleibt die Datei für Menschen lesbar und für Programme zuverlässig auswertbar.

Den Vorschlag veröffentlichte Jeremy Howard, Mitgründer von Answer.AI und fast.ai, am 3. September 2024. Die Spezifikation steht auf llmstxt.org, seit dem 10. August 2026 in Version 2. Howard begründet den Vorschlag damit, dass Webseiten für Menschen gebaut sind. Navigation, Werbung und JavaScript erschweren es, aus einer HTML-Seite sauberen Text zu gewinnen, und die meisten Websites passen nicht vollständig in das Kontextfenster eines Modells, also in die Textmenge, die es auf einmal verarbeiten kann. Die llms.txt soll deshalb an einer festen Stelle eine kurze, kuratierte Übersicht mit Links zu den Details liefern.

Was eine llms.txt nicht ist

Laut Ahrefs wird die llms.txt oft mit zwei anderen Dingen verwechselt. Dazu kommt eine verbreitete Erwartung, für die es bisher keinen Beleg gibt.

• Keine Kopie der Inhalte. Die llms.txt ist ein Verzeichnis mit Links. Markdown-Fassungen einzelner Seiten sind ein eigenes Verfahren, das die Spezifikation als Linkziel empfiehlt.
• Keine Direktive. Anders als die robots.txt erlaubt oder verbietet die llms.txt nichts. Crawler lassen sich mit ihr weder steuern noch aussperren.
• Kein belegter Sichtbarkeitshebel. Die Rahmung als Maßnahme für KI-Sichtbarkeit kam laut Ahrefs erst später aus der SEO-Branche, getragen von der Spekulation, KI-Plattformen würden die Datei belohnen.

Aufbau und Format einer llms.txt

Die Spezifikation schreibt eine feste Reihenfolge vor. Pflicht ist nur die erste Überschrift, alle weiteren Teile sind optional.

1. H1 mit dem Namen des Projekts oder der Website.
2. Zitatblock (Blockquote) mit einer kurzen Zusammenfassung der wichtigsten Informationen.
3. Hinweise ohne Überschrift, etwa Absätze oder Listen, die beim Einordnen der verlinkten Dateien helfen.
4. Abschnitte mit H2-Überschrift und Linklisten. Jeder Eintrag ist ein Markdown-Link der Form [Name](URL), optional mit Doppelpunkt und kurzer Notiz.

Ein Abschnitt mit der Überschrift „Optional“ sammelt nach Konvention Links, die ein Agent bei knappem Kontext überspringen kann. In Version 1 zeigte er Werkzeugen, die eine llms.txt automatisch zu einem Kontext für Sprachmodelle ausbauten, welche Links sie weglassen können. Seit Version 2 ist er nur noch eine Konvention.

# Tarifrechner-API

> Schnittstelle zur Berechnung von Kfz-Versicherungstarifen. Jede Anfrage braucht einen API-Schlüssel.

Alle Beispiele verwenden JSON. Beträge sind in Euro angegeben.

## Dokumentation

- [Schnellstart](https://example.com/docs/schnellstart.md): erster Aufruf mit Beispielcode
- [Authentifizierung](https://example.com/docs/auth.md): API-Schlüssel anlegen und erneuern
- [Tarif berechnen](https://example.com/docs/tarif.md): Parameter und Antwortformat

## Optional

- [Änderungsprotokoll](https://example.com/docs/changelog.md)

Die Links sollen auf Inhalte zeigen, die ein Sprachmodell gut verarbeiten kann. Die Spezifikation schlägt dafür Markdown-Fassungen der Seiten unter derselben URL vor, mit angehängtem .md (seite.html.md) oder mit .md statt der bisherigen Endung (seite.md). Die llms.txt selbst bleibt so klein, dass sie vollständig in das Kontextfenster passt. Die Details stehen hinter den Links und werden nur bei Bedarf abgerufen.

llms-full.txt und Markdown-Fassungen

Neben der llms.txt gibt es die llms-full.txt. Sie fasst den gesamten Inhalt einer Dokumentation in einer einzigen Datei zusammen, bei der Dokumentationsplattform Mintlify etwa mit Titel, Quell-URL, Beschreibung und vollständigem Markdown-Text jeder Seite. Die llms.txt ist damit das Inhaltsverzeichnis, die llms-full.txt der komplette Inhalt. In der Spezifikation auf llmstxt.org kommt die llms-full.txt nicht vor.

Ob Markdown-Fassungen mehr Besuche von KI-Bots bringen, ist nicht belegt. In einem randomisierten Test von Profound mit 381 Seiten auf sechs Websites über drei Wochen (02/2026) bekamen Markdown-Seiten im Median rund einen Bot-Besuch mehr. Statistisch signifikant war der Unterschied nicht. ChatGPT wandelt eine abgerufene HTML-Seite laut einer Auswertung von Peec AI (09/2026) ohnehin selbst in Markdown-ähnlichen Text um und zerlegt ihn in Blöcke, die es einzeln bewertet. Dieses Zerlegen heißt Chunking.

Wo liegt die llms.txt?

Die Datei liegt im Stammverzeichnis der Website unter /llms.txt, also etwa unter example.com/llms.txt. Seit Version 2 regelt die Spezifikation auch Dateien in Unterpfaden. Eine Datei unter /docs/llms.txt gilt für alle Seiten unterhalb von /docs/. Treffen mehrere Dateien zu, gilt die spezifischste.

Damit Agenten die Datei finden, empfiehlt Version 2 Verweise über Link-Relationen. Eine Seite verweist mit rel="describedby" auf die zuständige llms.txt und mit rel="alternate" und dem Typ text/markdown auf ihre Markdown-Fassung. Beides funktioniert als Link-Element im HTML-Kopf oder als Link-Header in der HTTP-Antwort.

Laut Version 2 sollen Agenten die llms.txt lesen oder durchsuchen und dann den passenden Links folgen. Das setzt voraus, dass sie die Datei kennen. In den Daten von Ahrefs suchten KI-Bots nicht von sich aus danach. Keine einzige Anfrage nach einer nicht vorhandenen llms.txt kam von einem KI-Bot.

Unterschied zu robots.txt und sitemap.xml

Die llms.txt ersetzt weder die robots.txt noch die Sitemap. Alle drei Dateien liegen üblicherweise im Stammverzeichnis, beantworten aber verschiedene Fragen. Die robots.txt legt fest, welche Bereiche Crawler abrufen dürfen. Die Sitemap listet die URLs, die Suchmaschinen finden sollen. Die llms.txt wählt aus, welche Inhalte für ein Sprachmodell wichtig sind, und zeigt, wo sie in gut lesbarer Form stehen.

Wer KI-Crawler wie GPTBot oder OAI-SearchBot zulassen oder ausschließen will, regelt das deshalb weiterhin in der robots.txt. Eine Sitemap wiederum ersetzt die llms.txt laut Spezifikation nicht, weil sie alle indexierbaren Seiten aufzählt, meist keine für Sprachmodelle lesbaren Fassungen enthält und auf Inhalte verweist, die zusammen zu groß für ein Kontextfenster sind. Gelesen wird die llms.txt bei Bedarf, wenn ein Agent für eine Aufgabe Informationen braucht.

Wer liest die llms.txt?

Wie oft die Datei tatsächlich abgerufen wird, hat Ahrefs für 137.210 Domains ausgewertet, die im Mai 2026 Traffic in Ahrefs Web Analytics hatten. 28 % davon veröffentlichten eine gültige llms.txt, zusammen 38.360 Dateien. Ahrefs nennt den Anteil selbst eine Obergrenze, weil die eigenen Kunden technischer und SEO-affiner sind als das Web insgesamt. 97 % dieser Dateien bekamen im Mai keinen einzigen Abruf, weder von Bots noch von Menschen.

Die rund 22.000 Abrufe auf den übrigen rund 1.100 Domains hat Ahrefs nach dem User-Agent zugeordnet, also nach der Kennung, mit der sich ein Bot beim Server meldet. Die größte Gruppe bildeten SEO-Audit-Tools mit 21,7 % der Abrufe. Die Such-Crawler, mit denen KI-Suchen wie ChatGPT und Perplexity Quellen für ihre Antworten erfassen, kamen zusammen nur auf 1,1 %. Häufiger griffen KI-Agenten zu. Der Coding-Agent Claude Code von Anthropic rief llms.txt-Dateien öfter ab als jeder Such-Crawler einer KI-Suche.

Google schreibt in seinem Leitfaden zu generativer KI, dass die Google-Suche samt AI Overviews und AI Mode keine KI-Textdateien wie die llms.txt nutzt. Eine solche Datei helfe der Sichtbarkeit in der Google-Suche nicht und schade ihr nicht.

Gezählt hat Ahrefs nur Abrufe. Ob ein abgerufener Inhalt in eine KI-Antwort einfließt, misst die Studie nicht. Methodik, alle zwölf Absender-Kategorien und die Grenzen der Auswertung ordnet der KKP-Artikel zur llms.txt-Studie ein.

Wann ist eine llms.txt sinnvoll?

Am meisten Sinn ergibt die Datei bei Entwicklerdokumentationen, Programmierschnittstellen (APIs) und Software-Bibliotheken, also dort, wo Agenten gezielt Fachinformationen suchen. Ein Coding-Agent, der eine Funktion korrekt aufrufen soll, findet über die llms.txt die passende Referenz, statt viele HTML-Seiten zu durchsuchen. Ahrefs sieht Coding-Agenten als das Publikum, das dem Zweck der Datei in den Daten am nächsten kommt. OpenAI, Anthropic und Google veröffentlichen selbst llms.txt-Dateien für ihre Entwicklerdokumentationen. Weitere Zugänge sind Markdown-Fassungen der Seiten und MCP-Server, über die Agenten Daten und Werkzeuge direkt abfragen.

Wenig bringt die Datei als Maßnahme für mehr Sichtbarkeit in ChatGPT, Perplexity oder den AI Overviews. Ein Search Advocate von Google nannte sie im Mai 2026 eine vorübergehende Krücke für KI-Coding-Tools, die vielleicht ein paar Tokens spare, also kurze Textstücke, in die Sprachmodelle Text zerlegen. Für Websites ohne Entwicklerbezug ergebe sie aus seiner Sicht wenig Sinn.

Wer eine llms.txt anlegt, muss sie außerdem pflegen. Veraltete Links führen Agenten zu falschen oder gelöschten Inhalten. Weil Agenten der Datei vertrauen sollen, ist sie zudem ein mögliches Einfallstor für Prompt Injection, also für eingeschleuste Anweisungen an KI-Agenten. Ahrefs fand in den Logs einen Forschungs-Bot namens prompt-injection-survey und schließt daraus, dass llms.txt-Dateien bereits systematisch auf dieses Risiko untersucht werden.

Wie erstellt man eine llms.txt?

Eine llms.txt lässt sich von Hand schreiben oder mit einem Generator erzeugen. Von Hand sind es sechs Schritte.

1. Inhalte auswählen. In die Datei gehören die Seiten, die ein Agent für typische Fragen oder Aufgaben braucht, nicht die ganze Website.
2. Datei schreiben. Auf die H1 mit dem Namen folgen die Zusammenfassung als Zitatblock und Abschnitte mit Linklisten. Jeder Link bekommt eine kurze Notiz, was hinter ihm steht.
3. Lesbare Linkziele wählen. Gibt es Markdown-Fassungen der Seiten, zeigen die Links auf sie.
4. Ablegen und prüfen. Die Datei liegt unter /llms.txt oder im passenden Unterpfad. Sie muss als Textdatei mit HTTP-Status 200 ausgeliefert werden und darf keine verkappte HTML-Fehlerseite sein.
5. Verlinken. Ein Verweis per rel="describedby", in der Dokumentation oder in Anweisungen für Agenten macht die Datei auffindbar.
6. Testen und pflegen. Die Spezifikation empfiehlt, einem Agenten nur die llms.txt als Ausgangspunkt zu geben und ihm Fragen zu den Inhalten zu stellen. Ändern sich Inhalte oder URLs, wird die Datei angepasst.

llms.txt-Generator

Viele Systeme erzeugen die Datei automatisch. Wix legt sie für Websites mit Premiumpaket und eigener Domain an und hält sie aktuell. Für WordPress bringen die Plugins Yoast SEO und AIOSEO einen Generator mit. Dokumentationsplattformen wie Mintlify und GitBook stellen die Datei für veröffentlichte Dokumentationen bereit. Daneben gibt es Online-Generatoren, die eine Website auslesen und daraus einen Entwurf bauen.

Ein Generator listet allerdings nur, was er findet. Welche Inhalte für Agenten wichtig sind und ob die Notizen zu den Links stimmen, muss ein Mensch prüfen. Ahrefs rät, die Datei wie Code zu behandeln, also mit Versionskontrolle, wenigen Schreibberechtigten und einem Alarm bei unbefugten Änderungen. Hinein gehören demnach nur Links auf eigene Ressourcen und sachliche Beschreibungen, keine anweisungsartigen Formulierungen.

Einordnung für SEO und KI-Suche

Ein Hebel für die Sichtbarkeit in KI-Antworten ist die llms.txt nach heutiger Studienlage nicht. Die Such-Crawler der KI-Suchen rufen sie kaum ab, die Google-Suche ignoriert sie, und einen Beleg für mehr Zitierungen gibt es nicht. Die Datei kann Agenten helfen, die eine Website bereits ansteuern. Welche Seiten eine KI-Suche als Quelle heranzieht, entscheidet sich in der Regel früher, beim Retrieval. In diesem Schritt wählt das System passend zur Frage Quellen aus einem Suchindex aus.

ChatGPT sucht im kostenlosen Instant-Modus fast nur in seinem eigenen Index, wie der KKP-Artikel zum ChatGPT-Suchindex zeigt. Wer in KI-Antworten vorkommen will, braucht crawlbare und indexierbare Seiten, Inhalte, die Fragen direkt beantworten, und Erwähnungen der eigenen Brand in den Quellen, die KI-Systeme in der jeweiligen Branche heranziehen. Die Optimierung dafür heißt Generative Engine Optimization, kurz GEO.

Offen ist, ob die llms.txt auf dem Umweg über das Training wirkt. Training-Crawler wie GPTBot riefen sie in den Ahrefs-Daten rund fünfmal so oft ab wie die Such-Crawler der KI-Suchen. Eine Wirkung auf spätere Modelle ist aber nicht gemessen. Ebenso offen ist, ob künftig Agenten statt Such-Crawlern die Seiten für KI-Antworten abrufen. Dann könnte die Datei laut Ahrefs über diese Agenten-Schicht Einfluss auf die Sichtbarkeit bekommen. Welche Bots eine vorhandene llms.txt tatsächlich abrufen, zeigt nur das eigene Server-Log, also das Protokoll, in dem der Webserver jeden Abruf festhält.

Gratis Download

AI Search Guide: Sichtbar in ChatGPT & Co.

Der Praxis-Guide zeigt auf 164 Seiten, wie eine Brand in ChatGPT, Google AI Overviews, Gemini und Perplexity sichtbar wird, von den Grundlagen über Messung und KPIs bis zu konkreten Maßnahmen.

Kostenlos herunterladen →