Wie man eine llms.txt schreibt, die Modelle respektieren

Die Datei llms.txt ist ein aufkommender Standard, der Sprachmodellen mitteilt, welche Inhalte deiner Seite relevant sind, wie sie organisiert sind und wie sie zu interpretieren sind. Stell dir sie als robots.txt für das KI-Zeitalter vor: Statt „was du crawlen darfst" sagt sie „was ich bin und was du von mir zitieren solltest".

Wo sie liegt

Die Datei wird im Root deiner Domain veröffentlicht: https://ihredomain.com/llms.txt. Es ist eine reine Textdatei im Markdown-Format, lesbar für Mensch und Maschine. Manche Seiten ergänzen zusätzlich eine llms-full.txt mit dem vollständigen Inhalt ihrer wichtigsten Seiten, um die Extraktion zu erleichtern.

Was hinein gehört

• Eine #-Überschrift mit deinem Marken- oder Entitätsnamen.
• Ein Blockquote mit einer prägnanten Beschreibung, was du bist und wen du bedienst.
• Abschnitte mit Links zu deinen wichtigsten Seiten: Produkte, Dokumentation, FAQs und Kontakt.
• Ein Abschnitt mit den belegbaren Fakten, die Modelle zitieren sollen: Preise, geografische Abdeckung, Differenzierer, Zertifizierungen.

Ein minimales Beispiel

Die Grundstruktur folgt diesem Muster: ein Titel mit dem Namen, ein Zitat mit der Beschreibung und dann Abschnitte mit Listen von Links. Jeder Link trägt einen beschreibenden Text in eckigen Klammern und die URL in runden Klammern, genau wie in Markdown. Halte eine Idee pro Zeile und vermeide Füllwörter: Modelle belohnen Informationsdichte, nicht Prosa.

Best Practices

• Prägnant und faktisch. Modelle bevorzugen klare, belegbare Aussagen gegenüber Marketing-Prosa.
• Auf kanonische Quellen verlinken. Eine URL pro Fakt reduziert Mehrdeutigkeit und Widersprüche.
• Aktuell halten. Ein veralteter Fakt in der llms.txt ist eine Halluzination, die nur darauf wartet zu passieren.
• Mit schema.org kombinieren. llms.txt leitet; JSON-LD strukturiert. Zusammen bilden sie deinen Entitäts-Datensatz.
• Konsistent mit deiner Seite sein. Was du in der llms.txt behauptest, muss mit deiner Website und externen Quellen wie Wikidata übereinstimmen.

Häufige Fehler

Der erste: sie wie eine Marketingbroschüre zu behandeln — vage Phrasen, Superlative und null Daten. Der zweite: sie nie zu aktualisieren und alte Preise oder Leistungen zu belassen, die das Modell wiederholt. Der dritte: der eigenen Seite oder dem Google-Business-Profil zu widersprechen — Inkonsistenz lässt das Modell misstrauen und mitunter erfinden. Der vierte: KI-Crawler in der robots.txt zu blockieren, während man eine schöne llms.txt veröffentlicht — wenn sie nicht crawlen können, nützt sie nichts.

Wie du deine Datei validierst

Bevor du sie für fertig erklärst, führe drei Prüfungen durch. Erstens: Öffne sie im Browser unter ihredomain.com/llms.txt und bestätige, dass sie als reiner Text ohne Fehler lädt. Zweitens: Prüfe, dass jeder genannte Link existiert und 200 zurückgibt, denn ein toter Link untergräbt die Glaubwürdigkeit. Drittens: Gleiche jeden Fakt mit deiner Website, deinem Google-Business-Profil und deinem schema.org ab; bei einem einzigen Widerspruch korrigiere ihn. Ein sehr nützlicher letzter Test ist, ChatGPT, Claude oder Perplexity direkt zu fragen „Was weißt du über [deine Marke]?" und die Antwort mit deiner llms.txt zu vergleichen. Die Lücken zeigen genau, welche Fakten noch nicht aufgenommen wurden oder wo das Modell noch halluziniert, und das bestimmt deine nächste Iteration. Behandle die Datei als lebende Dokumentation, nicht als einmaligen Upload.

Beziehung zu robots.txt und Schema

Die drei arbeiten zusammen. robots.txt definiert, was Bots crawlen dürfen (inklusive GPTBot, ClaudeBot, PerplexityBot und Google-Extended). llms.txt leitet an, was wichtig ist und wie es zu interpretieren ist. schema.org (JSON-LD) strukturiert die Daten, damit sie eindeutig extrahiert werden. Fällt eines aus, verlieren die anderen an Wirkung.

Eine gute llms.txt garantiert keine Zitationen, aber eine Seite ohne sie überlässt der KI das Raten.

Wie wir es bei Petri Heil machen

Wir erstellen und pflegen die llms.txt jedes Kunden als Teil der technischen Optimierung, synchronisiert mit seinem Entitäts-Datensatz und gegen die wichtigsten generativen Crawler validiert. Wir prüfen sie in jedem Zyklus, damit die Daten korrekt bleiben und um neue Seiten oder Zahlen zu ergänzen, die Modelle zitieren sollen. Die Datei ist winzig in Bytes, aber strategisch: sie ist die erste Tür, durch die ein Modell versteht, wer du bist.