我们分析了 10 个网站上的 llms.txt 文件。只有两个网站的 AI 流量有所增加——但这并非该文件造成的。
围绕 llms.txt 的争论已成为网络优化领域*具争议的话题之一。有些人将llms.txt视为基础架构，而许多资深SEO专家则认为它不过是投机取巧之举。平台工具会将缺失的llms.txt文件标记为网站问题，但服务器日志显示，人工智能爬虫很少请求这些文件。
目录
谷歌甚至也采用了这种格式。某种程度上来说。去年12月，该公司在许多开发者网站和文档网站上添加了llms.txt文件。
信号似乎很明确：如果网站地图标准背后的公司正在实施 llms.txt，那很可能就很重要了。
然而，谷歌在 24 小时内就将其从搜索开发者文档中删除了。
谷歌的约翰·穆勒表示，这一变化源于网站范围内的内容管理系统（CMS）更新，许多内容团队并未意识到这一点。当被问及为何这些文件仍然存在于其他谷歌产品中时，穆勒解释说，这些文件“默认情况下无法找到，因为它们不在顶层目录”，而且“可以合理推断它们存在的目的是为了其他用途”，而非用于内容发现。
llms.txt 研究
我们想要的是数据，而不是争论。
因此，我们跟踪了 llms.txt 在金融、B2B SaaS、电子商务、保险和宠物护理等 10 个网站上的采用情况——实施前 90 天和实施后 90 天。
我们测量了 AI 爬取频率、来自 ChatGPT、Claude、Perplexity 和 Gemini 的流量，以及这些网站在同一时间段内发生的其他变化。
结果：
- 10 个网站中有 2 个网站的 AI 流量分别增长了 12.5% 和 25%，但这并非 llms.txt 的原因。
- 八个地点未出现可衡量的变化。
- 其中一个网站下降了 19.7%。
这两个“成功”案例与文件无关。
新银行：增长25%
该数字银行平台于 2025 年第三季度初部署了 llms.txt。90 天后，人工智能流量增长了 25%。
那段时间还发生了以下事情：
- 围绕其银行牌照开展的公关活动，在多家全国性主流媒体上均有报道。
- 产品页面经过重新设计，新增了可提取的利率、费用和*低还款额对比表格。
- 新增 12 个常见问题解答页面，优化了数据提取功能。
- 重建后的资源中心，提供*新的银行信息和理念。
- 技术性SEO问题，例如标题结构，已修复。
如果一家公司在推出优化内容并修复抓取错误的同一个月就获得了彭博社的报道，那么就不能将 llms.txt 单独视为增长的驱动因素。
B2B SaaS平台：增长12.5%
这家工作流程自动化公司在实施 llms.txt 两周后，流量增长了 12.5%。
时机完美。案子结了。但是……
三周前，该公司发布了27个可供下载的AI模板，涵盖项目管理框架、财务模型和工作流程规划器。推动用户参与度激增的是实用工具，而非内容营销。
同期，模板的 Google 自然流量增长了 18%，并且在我们统计的 90 天里持续攀升。
搜索引擎和人工智能模型之所以能找到这些模板，是因为它们解决了实际问题，并推出了一个全新的网站版块——而不是因为它们被列在 llms.txt 文件中。
上传 llms.txt 文件后，以下 8 个网站没有任何反应。
八个地点未出现可衡量的变化。一个地点下降了19.7%。
此次流量下降源于一家保险网站在9月初启用了llms.txt文件。但流量下降可能与该文件无关。
所有流量渠道都出现了相同的模式。Llms.txt 既没有阻止流量下降，也没有带来任何优势。
其他七个网站——电子商务（宠物用品、家居用品、时尚）、B2B SaaS（人力资源技术、营销分析）、金融和宠物护理——都将他们现有的*佳内容记录在 llms.txt 中。这些内容包括产品页面、案例研究、API 文档和购买指南。
九十天过去了，情况依旧。流量没有变化。抓取频率也保持不变。内容已被索引并可被检索到，该文件并未改变这一点。
发布全新实用内容的网站获得了收益增长。而仅仅记录现有内容的网站则没有获得收益增长。
为什么会出现这种脱节？
目前还没有任何一家主流LLM提供商正式承诺解析llms.txt文件。OpenAI没有，Anthropic没有，Google没有，Meta也没有。
谷歌的穆勒直言不讳地说：
- “没有任何人工智能服务表示他们正在使用llms.txt文件，而且当你查看服务器日志时就会发现，他们甚至根本没有检查过这个文件。”
这就是现实。文件存在，倡导活动也存在，但平台尚未采纳（目前为止！）。
代币效率论证（及其局限性）
llms.txt *突出的优势在于效率。Markdown 在 AI 代理解析文档时可以节省时间和令牌。它采用简洁的结构，而非包含导航、广告和 JavaScript 的复杂 HTML。
Vercel 表示，他们 10% 的注册用户来自 ChatGPT。其 llms.txt 文件包含上下文相关的 API 描述，可帮助客服人员决定要获取哪些数据。
这一点很重要——但几乎仅限于开发者工具和 API 文档。如果你的用户群体使用 Cursor 或 GitHub Copilot 等 AI 代码助手与你的产品交互，那么提高令牌效率将有助于提升集成度。
对于销售宠物用品的电子商务、解释保险范围的保险或面向非技术买家的 B2B SaaS 而言，代币效率并不能转化为流量。
llms.txt 是站点地图，而不是策略。
*准确的比较方法是使用网站地图。
网站地图是重要的基础设施。它们可以帮助搜索引擎更高效地发现和索引内容。但没有人会把流量增长归功于添加网站地图。网站地图记录了网站内容；真正驱动用户发现内容的是网站内容本身。
Llms.txt 的作用也一样。如果 AI 模型选择使用它，它或许能帮助它们更高效地解析你的网站，但它并不会让你的内容更有用、更权威，或者更有可能回答用户的问题。
我们的分析表明，网站增长的原因在于：
- 创建了可下载模板、对比表格和结构化数据等功能性资产。
- 通过媒体报道和反向链接提升了外部*度。
- 修复了爬取和索引问题等技术障碍。
- 已发布的内容针对提取进行了优化，包括常见问题解答和结构化比较。
Llms.txt 记录了这些努力，但它并非这些努力的驱动因素。
真正有效的方法是什么？
这两个成功的网站说明了什么才是*重要的：
- 创建功能齐全、可提取的资源。该 SaaS 平台构建了 27 个可下载的模板，用户可以立即部署。人工智能模型之所以能识别出这些模板，是因为它们解决了实际问题，而不是因为它们列在 Markdown 文件中。
- 为了便于提取，我们对产品页面进行了结构化处理。这家新型银行重建了产品页面，添加了利率、费用和*低账户余额的对比表格。这些数据可以直接被人工智能模型提取出来，无需任何解释。
- 首先要解决技术障碍。这家新银行修复了导致内容被屏蔽数月的爬虫错误。如果人工智能模型无法访问你的内容，再多的文档也无济于事。
- 获得外部认可。彭博社和其他主流媒体的报道带来了推荐流量、品牌搜索量，并可能影响了人工智能模型对权威性的评估。
- 优化用户意图。两个网站都回答了具体的查询：“*佳项目管理模板”和“[品牌]利率对比如何？” 模型会推送与用户提问相匹配的内容，而不是仅仅罗列文档的内容。
这一切都不需要 llms.txt 文件。所有这些操作都能带来结果。
是否应该实现 llms.txt 文件？
如果你开发的是*开发者工具，而人工智能代码助手是其主要分发渠道，那么是的——令牌效率至关重要。你的用户群体已经在使用智能助手来查阅文档了。
对于其他人来说，请将 llms.txt 视为站点地图：有用的基础设施，而不是增长杠杆。
养成这个习惯是好事，不会有什么坏处。但是，与其花一个小时来实现 llms.txt，不如把时间花在重构产品页面（添加可提取数据）、发布功能性资产、修复技术 SEO 问题、创建常见问题解答内容或争取媒体曝光上。
这些策略已在人工智能发现领域展现出真正的投资回报率。Llms.txt 尚未做到这一点——至少目前还没有。
这并非意味着 llms.txt 不好，而是说我们试图在一个规则尚未明确的系统中寻求控制权。llms.txt 恰恰提供了这种掌控感：它具体、可操作且易于理解，其形式与我们熟知的网络标准类似。
但看起来像基础设施并不等同于能像基础设施一样发挥作用。
专注于真正有效的方法：
- 创作有用的内容。
- 构建用于萃取的结构。
- 使其在技术上易于访问。
- 获得外部认可。
平台和形式会改变，但基本原理不会改变。
