Перейти к содержанию

llms.txt

Определение

llms.txt – Markdown-файл в корне сайта со структурированным списком ключевых страниц для языковых моделей. Стандарт предложил Джереми Ховард (Answer.AI) в сентябре 2024.

4 мин 290 Обновлено 12 августа

llms.txt

По смыслу llms.txt похож на robots.txt и sitemap.xml, но решает другую задачу: не управляет поведением краулеров, а даёт LLM чистый структурированный вход для извлечения контекста. Файл размещается по адресу example.com/llms.txt и содержит курируемый список самых ценных страниц сайта со ссылками на их машиночитаемые Markdown-версии.

Как это работает

Современные языковые модели сталкиваются с двумя ограничениями при работе с контентом сайтов. Первое – размер контекстного окна: даже у топовых моделей он недостаточен, чтобы вместить большой сайт целиком. Второе – преобразование HTML в чистый текст. Реальная страница содержит навигацию, баннеры, футер, виджеты и маркетинговые блоки. Полезная информация теряется в этом шуме, а LLM получает зашумлённый контекст и хуже отвечает на вопросы пользователя.

llms.txt предлагает простое решение: владелец сайта вручную составляет список 10–50 самых ценных страниц с короткими описаниями и ссылками на Markdown-версии. Спецификация задаёт строгую структуру:

  • H1 – название сайта или проекта
  • Blockquote – краткое описание (1–3 предложения), кто и для кого этот сайт
  • Опциональные параграфы – дополнительный контекст
  • H2-секции со списками ссылок в формате [Заголовок](URL): краткое описание
  • Секция Optional – менее важные ресурсы, которые модель может пропустить

Пример минимального валидного файла:

# Melanina.ru

> Контент-хаб Валентины Меланиной о маркетинге, веб-разработке и аналитике для бизнеса.

## Гайды

- [Оптимизация под AI-поиск](/guides/ai-search-optimization/index.md): пошаговый разбор GEO для русскоязычных сайтов
- [Core Web Vitals в 2026](/guides/core-web-vitals/index.md): метрики, инструменты, типичные ошибки

## Глоссарий

- [llms.txt](/glossary/llms-txt/index.md): спецификация и применение

## Optional

- [О Валентине](/about/index.md): биография, экспертиза, проекты

Парность важна: каждая HTML-страница должна иметь Markdown-двойник по адресу с расширением .md. Например, статья /glossary/llms-txt/ должна быть доступна и как /glossary/llms-txt/index.html.md.

llms.txt и llms-full.txt – в чём разница

Спецификация определяет два связанных файла:

Параметрllms.txtllms-full.txt
НазначениеИндекс – список ссылок на ключевые страницыПолный дамп – весь контент в одном Markdown-файле
РазмерОбычно 10–100 КБОт сотен КБ до десятков МБ
Когда использоватьХочешь, чтобы LLM сама выбрала, какие страницы загружатьХочешь дать модели всё за один запрос
Кто публикуетБольшинство сайтовСайты с компактной документацией: Anthropic, Perplexity

Anthropic, например, публикует llms-full.txt – полный дамп документации Claude в одном файле. Так LLM может загрузить всю справочную информацию за одно обращение.

Зачем это нужно

Несмотря на спорный статус, у llms.txt есть три практических кейса, где польза измерима.

1. AI-ассистенты для разработчиков. Cursor, Windsurf, Codeium и другие IDE-плагины активно ингестят документацию через llms.txt. Если твой продукт – SaaS или API, и разработчики пишут под него код, llms.txt напрямую улучшает качество AI-подсказок. Vercel, по данным Mintlify, получает около 10% новых регистраций через ChatGPT.

2. Снижение затрат на токены в RAG-пайплайнах. Если ты строишь собственного AI-ассистента поверх документации, llms-full.txt сокращает время на парсинг и количество токенов в контексте.

3. Хеджирование на будущее. Поддержки от крупных вендоров пока нет, но если она появится – те, у кого файл уже есть, окажутся в выгодном положении сразу. Стоимость внедрения для большинства сайтов измеряется часами работы разработчика.

Кто использует, кто игнорирует

На апрель 2026 ландшафт выглядит асимметрично.

Кто публикует свои llms.txt: Anthropic, OpenAI, Perplexity, Cloudflare, Stripe, Vercel, Mintlify, Cursor, Astro, Supabase, Zapier. Google добавил llms.txt в собственную документацию для разработчиков в декабре 2025.

Кто читает чужие llms.txt при формировании ответов: ни один крупный вендор официально не подтвердил. Джон Мюллер и Гэри Иллис из Google публично заявляли в 2025 году, что Google не использует llms.txt как операционный сигнал. Серверные логи нескольких независимых исследований показывают минимальный или нулевой трафик к llms.txt от GPTBot, ClaudeBot, Google-Extended и PerplexityBot.

По данным SE Ranking на конец 2025 года, проникновение llms.txt среди 300 000 проанализированных доменов составляет около 10%. BuiltWith на октябрь 2025 насчитал более 844 000 сайтов с этим файлом.

Пример

В декабре 2025 года я внедрила llms.txt и llms-full.txt на сайте клиента – B2B SaaS-сервиса с публичной документацией API. Файл собрался автоматически из существующего Markdown-источника документации за один день работы разработчика. Через три месяца в логах Cloudflare появились запросы от ChatGPT-User и OAI-SearchBot к llms.txt – около 40 обращений в неделю. Прямого роста трафика из ChatGPT не зафиксировано, но цитирование API-методов в ответах ChatGPT стало точнее: ушли устаревшие сигнатуры функций, которые модель путала из-за необновлённых данных в обучающей выборке.

Вывод: llms.txt не даёт измеримого SEO-эффекта, но повышает корректность цитирования у пользователей AI-ассистентов. Для технических продуктов это уже достаточная причина, чтобы внедрить.

Частые вопросы

Чем llms.txt отличается от robots.txt и sitemap.xml?

robots.txt управляет поведением поисковых краулеров (что можно индексировать). sitemap.xml – машиночитаемый список всех URL для поисковика. llms.txt – курируемая короткая карта самого ценного контента специально для LLM, со ссылками на Markdown-версии страниц. Это три разных стандарта для трёх разных задач.

Поддерживают ли llms.txt ChatGPT, Claude, Perplexity и Google?

На апрель 2026 ни один из них официально не подтвердил, что читает llms.txt с внешних сайтов при формировании ответов. Все они публикуют llms.txt для своей собственной документации, но это про публикацию, а не про чтение. Джон Мюллер из Google публично заявлял, что Google не использует llms.txt.

Стоит ли внедрять llms.txt в 2026, если поддержки от LLM нет?

Да, если стоимость внедрения низкая (для сайтов на Markdown – несколько часов разработки). Это страховка на случай адопции и реальный плюс для AI-ассистентов разработчиков, которые уже сейчас активно его читают. Нет, если внедрение требует значительных усилий и у тебя нет технической документации, которую цитируют LLM.

Как создать llms.txt для сайта на 1С-Битрикс или WordPress?

Самый простой путь – генерировать файл скриптом из инфоблока или БД при публикации контента. Нужно: 1) выбрать 10–50 самых важных страниц, 2) для каждой собрать Markdown-версию по тому же URL с расширением .md, 3) сложить корневой llms.txt с H1 → blockquote → H2-секциями со ссылками. Для WordPress есть готовые плагины, для Битрикса проще написать кастомный обработчик в шаблоне.

Чем llms.txt отличается от llms-full.txt?

llms.txt – короткий индексный файл со ссылками на Markdown-версии страниц (LLM сама решает, что загружать). llms-full.txt – полный дамп всей документации в одном файле, чтобы модель получила контекст за один запрос. Для большинства сайтов достаточно только llms.txt. llms-full.txt оправдан для документации API и технических продуктов.

Дают ли llms.txt прирост поискового трафика?

Прямого подтверждённого прироста SEO-трафика от внедрения llms.txt нет. Файл не влияет на ранжирование в Google и Яндексе. Косвенный эффект возможен через более точное цитирование сайта в AI-ассистентах, что приводит часть пользователей на сайт по бренд-запросам.

Где взять список сайтов с llms.txt для примера?

Три актуальных каталога: directory.llmstxt.cloud (по индустриям), llmstxt.site (с подсчётом токенов), llmstxthub.com. Для эталонного образца смотри файлы Anthropic (docs.claude.com/llms.txt), Cloudflare (developers.cloudflare.com/llms.txt) и Stripe (stripe.com/docs/llms.txt).

Связанные термины

JSON-LD Формат записи структурированных данных Schema.org в JSON (рекомендация W3C, 2014). Используется как основной способ внедрения разметки на веб-страницы: отдельный блок в секции head или body, не зависит от вёрстки. Schema.org Schema.org – словарь структурированных данных для разметки веб-страниц, который понимают Google, Bing, Yandex и AI-системы. Запущен в 2011 году совместно Google, Microsoft и Yahoo, в ноябре 2011 к проекту присоединился Яндекс.

Материалы по теме

Что почитать дальше по этой теме.

Статья Что боты находят на сайте, а вы – нет Боты ходят по изнанке сайта, куда живой человек не забредёт, и фиксируют в логах то, чего не видно ни в Метрике, ни на витрине: падающие с ошибкой 500 страницы каталога, битый файл с 747 обращениями, поток сканеров секретов. Разбираю на реальных логах, что искать и как чинить. 7 мин 196 22 июля 2026 Инструкция Как выгрузить и читать access-логи, если хостинг хранит их три дня Access-лог – единственное место, где виден весь трафик сайта, включая ИИ-ботов, которых не замечают счётчики. Разбираю на практике: где взять логи, как не потерять их из-за ротации, какие команды показывают ботов, ошибки и подозрительную активность. 7 мин 151 21 июля 2026 Флагманский гайд AI-анализ email-обращений: методика на стыке Яндекс.Метрики и Claude Code Классический email-трекинг отвечает на вопрос «откуда пришло обращение». AI-слой отвечает на вопросы, которые раньше требовали ручного аналитика: значим ли email на фоне звонков, форм и мессенджеров, почему один источник даёт качественные обращения, а другой – пустые, какие сегменты визитов предшествуют письму, что написать в ответ с учётом пути пользователя. Здесь – как я собираю это на уже имеющемся стеке: Logs API Метрики, PostgreSQL и Claude Code, без новых платных сервисов. 11 мин 290 26 мая 2026 Флагманский гайд Майкор: ИИ-аудит проекта по 4 точкам контакта Майкор – это перекрёстный ИИ-аудит проекта в 4 точках контакта: сайт, контекстная реклама, AI-поиск и Яндекс.Карты. Я анализирую каждую систему и смотрю связки между ними – где маркетинг рассказывает одно, реклама ведёт на другое, а AI-системы цитируют третий номер телефона. В одном из моих аудитов медицинской клиники в Москве у организации в индексе AI-сервисов оказалось 6 разных номеров и всего 7 упоминаний на 64 проверочных запроса – при том, что в обычной выдаче Яндекса клиника была в топ-1. Майкор закрывает такие разрывы за один аудит вместо четырёх раздельных. 16 мин 495 13 мая 2026 Гайд FAQPage Schema: как разметить блок частых вопросов и попасть в AI-ответы FAQPage schema – один из самых эффективных типов разметки для попадания в AI-ответы. Страницы с FAQPage schema цитируются AI-поисковиками в 2,7 раза чаще. В этом гайде – формат разметки, правила написания ответов для AI, реализация на 1С-Битрикс и типичные ошибки, которые обнуляют эффект. 8 мин 326 25 апреля 2026