什么是 llms.txt
llms.txt 是一个放在网站根目录（例如 https://example.com/llms.txt）的纯文本文件，用 Markdown 格式向大语言模型说明这个网站是做什么的、哪些页面最重要、内容应该如何被理解。
它的定位不同于 robots.txt。robots.txt 回答的是「哪些路径可以抓」，llms.txt 回答的是「抓到之后应该重点看什么、怎么理解」。前者是准入规则，后者是内容导读。
对于 GEO 而言，llms.txt 的价值在于：AI 系统在面对一个陌生站点时，往往需要借助站内导航、摘要页和搜索接口去推断站点结构。一份清晰的 llms.txt 能显著降低这种推断成本。
llms.txt 的文件规范与写法
llms.txt 采用 Markdown 语法，约定结构如下：第一行是一个 H1 标题，写站点或品牌名称；紧接着是一段用 blockquote（大于号）开头的摘要，用一到两句话说明站点定位；之后是若干个 H2 小节，每个小节下列出该主题的重要页面链接，链接格式为「- [页面标题](URL)：一句话说明」。
可选的补充文件是 llms-full.txt，它把站点核心内容整合成一个完整文档，供希望一次性读取全部内容的 AI 使用。对于内容量不大的站点，维护 llms-full.txt 的收益通常高于 llms.txt 本身。
实践中有三条关键约束：第一，链接必须是绝对 URL，相对路径会被解析器丢弃；第二，只包含你确实希望被引用和推荐的页面，不要把站点地图原样搬进来；第三，保持人工维护，一旦页面下线或改版必须同步更新，过期链接会损害可信度。
llms.txt 与 robots.txt、sitemap.xml 的分工
三者面向的对象完全不同。robots.txt 面向所有爬虫，用 Allow 和 Disallow 控制抓取权限，是强制性的准入声明。sitemap.xml 面向搜索引擎，用 XML 列举全部可索引 URL 及更新频率，解决的是覆盖问题。llms.txt 面向大语言模型，用自然语言做内容导读，解决的是理解问题。
一个常见的错误是把 llms.txt 当成 SEO 排名因素。它不参与传统搜索排序，也不会让 Google 更快收录页面。它的作用场景是：当 AI 系统需要在有限上下文窗口内判断该读哪些页面时，提供一份人工编排的优先级清单。
另一个常见错误是在 llms.txt 里堆砌关键词。这份文件的读者是模型而非关键词匹配器，堆砌会直接降低它被采信的概率。
llms.txt 真的有用吗：现状与争议
需要客观说明：截至 2026 年，主流 AI 平台并未公开承诺会读取或优先采信 llms.txt。它目前属于社区推动的约定，而非被广泛实现的工业标准。已经有部分 AI 应用、开发工具和内容聚合服务开始支持，但覆盖面仍不确定。
因此合理的投入策略是：把它当作低成本、高确定性的补充动作，而不是 GEO 的核心抓手。写一份 llms.txt 的成本通常在半小时以内，即使未来未被广泛采用也不会产生负面影响；但不应指望仅靠它就显著提升 AI 提及率。
真正决定 AI 是否引用你的，仍然是可验证的事实密度、结构化数据的完整度、页面可被抓取和解析的程度，以及跨来源的一致性。llms.txt 只是在这些基础之上减少模型的理解摩擦。
一份可直接复用的 llms.txt 模板
下面是一份适用于多数 B2B 与内容型站点的模板结构，按实际链接替换即可：
H1 写品牌名与一句话定位；摘要区块写目标受众、核心产品、服务行业；随后分四个小节：核心产品页（3 到 5 个重点页面）、方法与指南（你最具权威性的长文）、数据与报告（含一手数据的页面）、关于我们（公司背景、团队、联系方式）。
每个链接后面的一句话说明应当写成「这个页面能回答什么问题」，而不是「这个页面的标题是什么」。例如「定价与套餐对比：回答各档位包含的分析额度与适用场景」，比「定价页」有效得多。
如何验证 llms.txt 是否生效
第一步是可达性验证：用浏览器或 curl 直接访问根目录下的 llms.txt，确认返回 200、Content-Type 为 text/plain 或 text/markdown，且没有被 CDN 或重定向拦截。
第二步是解析验证：检查 Markdown 结构是否规范，H1 是否唯一，链接是否为绝对 URL 且均可访问。可以用任意 Markdown 解析器快速校验。
第三步是效果验证：这一步无法直接观测，只能通过 GEO 指标间接判断。用 Broccoli AI GEO 对同一组提问做周期性采样，对比发布 llms.txt 前后的提及率与引用率变化，并结合竞品同期表现排除行业整体波动的影响。单次数值波动不应作为结论，至少需要连续三轮采样。