llms.txt richtig implementieren: Anleitung mit Beispieldatei

Seit 2024 taucht in GEO-Audits regelmäßig eine Datei auf, die viele Website-Betreiber falsch verstehen: llms.txt. Sie wird mal als Wunderwaffe verkauft, mal als wirkungslos abgetan. Beides greift zu kurz. Dieser Leitfaden erklärt, was die Datei leistet, was sie nicht leistet, und wie eine sauber gebaute llms.txt konkret aussieht.

Was llms.txt eigentlich ist

llms.txt ist eine Markdown-Datei im Wurzelverzeichnis Ihrer Domain, also unter ihre-domain.de/llms.txt. Sie richtet sich nicht an Crawler, sondern an Sprachmodelle, die eine Website verarbeiten und dabei mit einem Problem kämpfen: HTML ist voller Navigation, Cookie-Banner, Footer-Links und Marketing-Elemente, die den eigentlichen Inhalt verwässern. Ein Modell mit begrenztem Kontextfenster verschwendet Kapazität an Rauschen.

Die llms.txt löst das, indem sie eine kuratierte Übersicht liefert: Wer sind wir, was bieten wir an, welche Seiten enthalten die substanziellen Informationen. Kein Markup, keine Navigation, nur strukturierter Text mit Links und kurzen Beschreibungen.

Wichtig zur Abgrenzung: robots.txt regelt Zugriff, llms.txt regelt Verständnis. Die eine sagt, was gecrawlt werden darf, die andere, was inhaltlich zählt. Sie ersetzen einander nicht. Wer AI-Crawler steuern will, braucht beides.

Wer die Datei tatsächlich liest

Hier ist Ehrlichkeit angebracht. llms.txt ist ein Community-Vorschlag, kein offizieller Standard von OpenAI, Google oder Anthropic. Der Stand ist gemischt:

Agenten und Entwickler-Tools greifen die Datei aktiv ab, wenn sie eine Domain analysieren sollen. Hier ist der Nutzen unmittelbar.
Chat-Assistenten mit Live-Browsing profitieren indirekt: Wenn ein Modell Ihre Seite besucht und eine klare Struktur vorfindet, sinkt die Fehlerquote bei Fakten wie Leistungen, Standorten oder Ansprechpartnern.
Klassische Trainings- und Index-Pipelines ignorieren die Datei bislang weitgehend.

Der ehrliche Erwartungswert lautet also: llms.txt ist eine günstige Absicherung mit steigendem Nutzen, kein Hebel für sofortige Sichtbarkeitssprünge. Der Aufwand liegt bei ein bis zwei Stunden. Bei diesem Verhältnis ist die Entscheidung einfach.

Der Aufbau: sechs Bausteine

1. H1 mit dem Markennamen

Die erste Zeile ist eine Markdown-H1 mit dem exakten Namen der Organisation, so wie er auch im Impressum, in Ihren strukturierten Daten und in Verzeichnissen steht. Konsistenz ist hier wichtiger als Kreativität, weil Modelle Entitäten über wiederkehrende Schreibweisen zusammenführen.

2. Blockquote mit der Kurzbeschreibung

Direkt darunter folgt ein einzelner Satz im Blockquote-Format, der beschreibt, was das Unternehmen tut und für wen. Dieser Satz ist der wahrscheinlichste Kandidat für eine wörtliche Übernahme in eine KI-Antwort. Entsprechend sorgfältig sollte er formuliert sein: konkret, ohne Superlative, ohne Marketing-Floskeln.

3. Kontextabsatz

Zwei bis vier Sätze mit den Fakten, die ein Modell für eine korrekte Einordnung braucht: Gründungsjahr, Standort, Branchenfokus, Zielgruppe, Alleinstellungsmerkmale in nüchterner Sprache.

4. Thematisch gruppierte Linklisten

Das Herzstück. Jede Sektion ist eine H2, darunter Markdown-Links mit einer kurzen Beschreibung nach einem Doppelpunkt. Typische Sektionen sind Leistungen, Fachwissen, Referenzen und Unternehmen. Beschreiben Sie den Inhalt der Zielseite, nicht ihren Werbewert.

5. Optional-Sektion

Unter der Überschrift Optional listen Sie Seiten, die zweitrangig sind. Modelle mit knappem Kontext können diesen Block überspringen. Impressum, Datenschutz und Archivinhalte gehören hierher.

6. Stand und Kontakt

Ein Datum am Ende signalisiert Aktualität. Eine Kontaktadresse gibt Modellen einen belastbaren Ankerpunkt.

Beispieldatei

So sieht eine vollständige llms.txt für ein mittelständisches Dienstleistungsunternehmen aus:

Zeile 1: # Musterfirma GmbH
Zeile 2: > Die Musterfirma GmbH aus München plant und installiert Photovoltaikanlagen für Gewerbeimmobilien in Bayern.
Kontextabsatz: Gegründet 2011, 40 Mitarbeitende, Fokus auf Anlagen zwischen 100 kWp und 2 MWp. Eigene Planung, eigene Montage, Betriebsführung über die gesamte Laufzeit.
## Leistungen mit Einträgen wie - [Gewerbe-Photovoltaik](/gewerbe-photovoltaik): Planung, Statik, Netzanschluss und Inbetriebnahme für Dachanlagen ab 100 kWp.
## Fachwissen mit Links auf Ratgeberartikel, jeweils mit einer Zeile zum Inhalt.
## Optional mit Impressum, Datenschutz, Karriere.
Abschluss: Stand: Juli 2026. Kontakt: info@musterfirma.de

Halten Sie die Datei unter 300 Zeilen. Eine llms.txt, die jede Unterseite auflistet, verfehlt ihren Zweck: Kuratierung ist der Punkt, nicht Vollständigkeit.

Die häufigsten Fehler

HTML statt Markdown: Die Datei muss als reiner Text ausgeliefert werden. Wer sie über ein CMS-Template rendert, landet schnell bei HTML-Wrapping und macht sie unlesbar.
Falscher Content-Type: Die Datei sollte als text/plain oder text/markdown ausgeliefert werden, nicht als text/html.
Relative Links ohne Domain: Absolute URLs sind zuverlässiger, weil ein Modell die Datei auch losgelöst vom Kontext der Domain verarbeiten kann.
Marketing-Sprache: Formulierungen wie führender Anbieter oder innovative Lösungen tragen keine Information. Modelle extrahieren Fakten, nicht Adjektive.
Einmal anlegen, nie pflegen: Eine llms.txt mit Stand von vorletztem Jahr schadet mehr, als sie nutzt, weil sie veraltete Leistungen und Ansprechpartner konserviert.

Umsetzung in gängigen Systemen

In Next.js legen Sie die Datei entweder statisch unter public/llms.txt ab oder generieren sie über eine Route, die den Inhalt aus Ihrem CMS zieht und mit passendem Content-Type ausliefert. Der generierte Weg hat den Vorteil, dass die Datei automatisch aktuell bleibt.

In WordPress reicht eine statische Datei im Root-Verzeichnis. Achten Sie darauf, dass keine Rewrite-Regel den Aufruf abfängt.

Bei Shopify ist das Root-Verzeichnis gesperrt. Hier bleibt der Umweg über eine Seite unter /pages/llms oder ein Proxy vor dem Shop.

Wie Sie den Effekt messen

Direkte Metriken gibt es nicht. Was Sie tun können: Server-Logs auf Zugriffe der Datei prüfen, um zu sehen, welche Systeme sie abrufen. Und in regelmäßigen Abständen testen, ob Assistenten Ihr Unternehmen korrekt beschreiben. Wenn eine falsche Leistungsbeschreibung nach der Einführung verschwindet, ist das ein belastbares Signal. Systematisch erfassen lässt sich das über ein AI Visibility Tracking, das Antworten über Zeit protokolliert.

Einordnung

llms.txt ist ein Baustein, kein Programm. Sie wirkt dann, wenn die Grundlagen stimmen: saubere Seitenstruktur, korrektes Schema-Markup, zugängliche Inhalte für AI-Crawler und konsistente Entitätsdaten. Wer diese Basis hat, sollte die Datei anlegen. Wer sie nicht hat, sollte dort anfangen.