Was ist llms.txt?

llms.txt ist eine standardisierte Markdown-Datei im Web-Root einer Website (https://domain.de/llms.txt), die großen Sprachmodellen und KI-Crawlern die wichtigsten Inhalte einer Seite und deren Struktur kuratiert bereitstellt. Ziel der llms.txt ist, dass Sprachmodelle wie ChatGPT, Claude oder Perplexity eine Website korrekt verstehen und ihre zentralen Seiten zuverlässig nutzen. Vorgeschlagen wurde das Format im September 2024 von Jeremy Howard, Mitgründer von Answer.AI. Die llms.txt ist damit das KI-Pendant zur klassischen Sitemap.

Die Datei richtet sich nicht an menschliche Besucher, sondern an Maschinen. Sie bündelt an einer einzigen, vorhersehbaren Adresse, welche Inhalte einer Marke am wichtigsten sind und wie ein Sprachmodell sie einordnen soll. Damit gehört llms.txt zu den technischen Bausteinen der Generative Engine Optimization (GEO), also der Optimierung für KI-Suchsysteme.

Kurzprofil des Begriffs

Welches Problem löst llms.txt?

llms.txt löst das Kontextproblem von Sprachmodellen: Sie können eine Website nicht so vollständig verarbeiten wie ein Mensch. Der Grund liegt in zwei technischen Grenzen. Erstens haben LLMs ein begrenztes Kontextfenster und können nicht beliebig viele Seiten gleichzeitig einlesen. Zweitens enthält typisches HTML viel Beiwerk, das für die reine Information irrelevant ist: Navigation, Werbung, Skripte, Cookie-Banner und Footer.

Eine llms.txt räumt diesen Ballast weg. Sie liefert eine kuratierte Auswahl der wichtigsten URLs in sauberem Markdown, jede mit einem erklärenden Satz. Das Sprachmodell muss so nicht raten, welche Seiten zentral sind, sondern bekommt die Priorisierung direkt von der Marke vorgegeben. Das erhöht die Chance, dass eine KI die Positionierung, die Leistungen und die Fakten eines Unternehmens korrekt wiedergibt, statt sie aus verstreuten Signalen zu rekonstruieren.

Für Marken ist das ein direkter Hebel der KI-Sichtbarkeit. Wer will, dass Antwortmaschinen die eigenen Inhalte richtig zitieren, arbeitet an der Large Language Model Optimization (LLMO), und die llms.txt ist dabei ein konkretes, schnell umsetzbares Werkzeug.

Wie ist eine llms.txt aufgebaut?

Eine llms.txt folgt einem festen Markdown-Aufbau aus vier Bausteinen. Der Standard von llmstxt.org schreibt genau eine H1 vor, danach eine kurze Zusammenfassung und beliebig viele thematische Abschnitte mit Linklisten.

1. H1 mit dem Namen: eine einzige Überschrift mit dem Marken- oder Projektnamen. Sie ist das einzige Pflichtelement.
2. Blockquote-Zusammenfassung: ein kurzer Absatz (oft als >-Zitat), der die Marke, ihre Positionierung und wichtige Kernfakten in ein bis zwei Sätzen beschreibt.
3. Thematische Abschnitte: H2-Überschriften wie „Kernseiten“ oder „Leistungen“, darunter Linklisten im Format [Titel](URL): Beschreibung.
4. Optionaler Abschnitt „Optional“: ein H2 namens Optional für Links, die eine KI bei knappem Kontext überspringen darf.

Ein minimales Beispiel für taismo sähe so aus:

# taismo | SEO- und GEO-Agentur aus Muenchen

> taismo macht Unternehmen bei Google und in KI-Systemen sichtbar, ueber die
> ganze Breite der Suchmaschinenoptimierung: Strategie, Content, interne
> Struktur, Technik, strukturierte Daten (JSON-LD) und KI-Sichtbarkeit (GEO).
> Passung statt Branchenzaun: Unternehmen mit umkaempftem Markt und
> erklaerungsbeduerftiger Leistung, Schwerpunkt B2B und Mittelstand.

## Kernseiten
- [SEO-Betreuung](https://taismo.de/seo-betreuung/): Monatlicher SEO-Retainer fuer messbares Wachstum.
- [Ueber uns](https://taismo.de/ueber-uns/): Team, Werte und Methodik der Agentur.

## SEO-Wiki (Auszug)
- [Was ist GEO?](https://taismo.de/was-ist/generative-engine-optimization/): Definition und Hebel der KI-Sichtbarkeit.

## Optional
- [Impressum](https://taismo.de/impressum/): Rechtliche Angaben.

Jeder Eintrag besteht aus einem verlinkten Titel und einem dichten Erklärsatz. Genau diese Ein-Satz-Beschreibungen sind der Mehrwert: Sie sagen dem Modell nicht nur wo, sondern auch warum eine Seite relevant ist.

llms.txt vs. robots.txt: Was ist der Unterschied?

llms.txt und robots.txt verfolgen gegensätzliche Ziele: llms.txt lädt KI-Systeme ein und kuratiert Inhalte, robots.txt steuert und beschränkt den Crawler-Zugriff. Die beiden Dateien liegen zwar beide im Web-Root, ergänzen sich aber, statt sich zu ersetzen.

• Zweck: Die robots.txt sagt Crawlern, welche Pfade sie nicht abrufen sollen. Die llms.txt sagt Sprachmodellen, welche Inhalte für sie am wichtigsten sind.
• Inhalt: robots.txt enthält technische Direktiven (Disallow, Allow, User-agent). llms.txt enthält kuratierte Links mit erklärendem Fließtext in Markdown.
• Wirkung: robots.txt schränkt ein, llms.txt priorisiert und erklärt.
• Verbindlichkeit: robots.txt ist ein etablierter, breit befolgter Standard. llms.txt ist ein junger Vorschlag, dessen Nutzung freiwillig ist.

Wichtig ist die Abgrenzung zur Sitemap: Eine sitemap.xml listet alle indexierbaren URLs für Suchmaschinen auf. Die llms.txt zeigt bewusst nur eine Teilmenge der wichtigsten Seiten und ergänzt sie um Kontext für LLMs.

Wie erstellt man eine llms.txt?

Eine llms.txt wird in vier Schritten erstellt und als Datei im Web-Root abgelegt. Der Prozess ist bewusst schlank, weil die Datei manuell kuratiert und nicht automatisch generiert werden sollte.

1. Wichtigste Seiten auswählen: Money-Pages, Über-uns, Referenzen und ein Auszug starker Ratgeber- oder Glossarseiten. Nicht die ganze Sitemap kopieren, sondern kuratieren.
2. Markdown schreiben: H1 mit dem Markennamen, eine kurze Zusammenfassung als Blockquote, danach thematische Abschnitte mit Linklisten im Format [Titel](URL): Beschreibung.
3. Jede URL prüfen: nur absolute, real erreichbare Links mit HTTP-Status 200. Redirects und gesperrte Seiten gehören nicht hinein.
4. Datei ablegen: als llms.txt ins Web-Root, sodass sie unter https://domain.de/llms.txt als text/plain ausgeliefert wird.

Die Datei sollte kompakt bleiben, ein Richtwert sind zwei bis sieben Kilobyte. taismo betreibt selbst eine llms.txt unter taismo.de/llms.txt, die genau diesem Aufbau folgt. Wer strukturierte Signale ernst nimmt, kombiniert die llms.txt mit sauberem JSON-LD: Die strukturierten Daten liefern Maschinen die Fakten in einem festen Schema, die llms.txt liefert die Priorisierung in Prosa.

Nutzen KI-Systeme llms.txt schon?

Aktuell wertet noch keiner der großen KI-Anbieter llms.txt offiziell und flächendeckend aus. Google hat mehrfach klargestellt, dass der Googlebot llms.txt nicht als Ranking- oder Crawling-Signal nutzt. Auch für die AI Overviews ist keine Auswertung der Datei bestätigt.

Das Bild ist trotzdem differenziert. Das Format wird von Werkzeugen und Dokumentationsplattformen bereits breit unterstützt, und einige KI-nahe Dienste lesen die Datei aus, wenn ein Nutzer eine Seite gezielt abfragt. Der Aufwand ist gering, das Risiko null: Eine llms.txt schadet der klassischen Suche nicht und ist schnell erstellt. Für Marken, die früh auf KI-Sichtbarkeit setzen, ist sie eine günstige Wette auf einen sich etablierenden Standard.

Einordnend gilt: llms.txt ist kein Ersatz für gute Inhalte, saubere Technik und strukturierte Daten, sondern eine Ergänzung. Sie ist ein Baustein einer durchdachten SEO-Betreuung, die klassische Suchmaschinen und KI-Systeme zusammen denkt.

Häufige Fragen zu llms.txt

Ist llms.txt dasselbe wie robots.txt?
Nein. robots.txt beschränkt den Crawler-Zugriff mit technischen Direktiven, llms.txt kuratiert und erklärt die wichtigsten Inhalte für Sprachmodelle. Beide liegen im Web-Root, verfolgen aber gegensätzliche Ziele.

Braucht jede Website eine llms.txt?
Nein, sie ist freiwillig. Für Marken mit vielen Inhalten, die in KI-Systemen korrekt erscheinen wollen, lohnt sich der geringe Aufwand trotzdem, weil die Datei die eigene Positionierung maschinenlesbar priorisiert.

Verbessert llms.txt mein Google-Ranking?
Nein. Google nutzt llms.txt nach eigener Aussage nicht als Rankingsignal. Der Nutzen liegt in der KI-Sichtbarkeit, also darin, dass Sprachmodelle Inhalte korrekt einordnen und wiedergeben.

Wo muss die llms.txt liegen?
Im Web-Root der Domain, erreichbar unter https://domain.de/llms.txt. Nur an dieser vorhersehbaren Adresse finden Crawler die Datei zuverlässig.