今年年初，我們幫一個電商客戶做 GEO 健檢時發現一件荒謬的事：他的 sitemap.xml 列了 1,400 多個 URL、Google 收錄率 92%，但拿同樣的產品問題去問 ChatGPT 和 Perplexity，AI 引用到他網站的次數是零。爬蟲 log 一拉才知道，GPTBot 有來，但平均每次只抓 3 頁就走——因為它面對的是一片 JavaScript 渲染的產品牆，讀不到重點，也不知道哪些頁面值得讀。

sitemap.xml 解決的是「搜尋引擎找不找得到你」，但 AI 時代的問題變成「語言模型讀不讀得懂你、要不要引用你」。llms.txt 就是為了後者出現的。這篇我們把規格、跟 robots.txt / sitemap.xml 的差異、以及我們在客戶站實際部署的模板一次講完。

1. llms.txt 是什麼：規格三分鐘看懂

llms.txt 是 2024 年由 Answer.AI 的 Jeremy Howard 提出的提案，概念很簡單：在網站根目錄放一個 /llms.txt，內容是 Markdown 格式，讓 LLM（不管是爬蟲階段還是即時檢索階段）能快速理解你的網站結構與重點內容。規格只有四個部分：

另外還有一個進階版 /llms-full.txt，直接把重點頁面的完整內文攤平成一個大 Markdown 檔，讓 AI 一次讀完不用逐頁爬。文件站（像 Anthropic、Vercel、Cloudflare 的開發者文件)採用的多是這種。

2. 跟 robots.txt / sitemap.xml 差在哪

很多人第一反應是「我有 sitemap 了，這不是重複嗎」。不是，三者解決的是完全不同的問題：

維度 robots.txt sitemap.xml llms.txt
回答的問題 「不准爬哪裡」 「所有頁面在哪」 「哪些內容最重要、講什麼」
受眾 所有爬蟲 搜尋引擎 LLM / AI 爬蟲
格式 指令式純文字 XML，機器讀 Markdown，人機皆讀
內容篩選 排除法 全量列舉 策展精選
附帶語意 無 幾乎無（只有 lastmod） 每條連結有一行人話說明

關鍵差異在「語意」。sitemap.xml 告訴爬蟲 1,400 個 URL 存在，但不告訴它哪 20 個最能代表你。LLM 的 context window 有限、抓取預算也有限——GPTBot 不會把你 1,400 頁全部讀完再下判斷。llms.txt 做的事就是幫它把功課先做完：這是我的定位，這是我最有價值的 20 頁，每頁講什麼。

3. 為什麼是現在：AI 爬蟲的行為變了

我們從三個客戶站的 server log 觀察到，2025 年下半年開始 AI 爬蟲流量結構明顯改變：GPTBot、ClaudeBot、PerplexityBot、Google-Extended 的請求量加總，在其中兩個站已超過 Googlebot 的 40%。更重要的是行為模式不同——傳統爬蟲深度爬、建索引；AI 爬蟲很多是「即時檢索」，使用者在 ChatGPT 問了問題，爬蟲當下來抓 2–5 頁就走。

這種淺抓行為意味著：AI 第一次接觸你的網站，通常只有幾頁的機會決定「你是不是值得引用的來源」。如果它抓到的是導覽頁、tag 彙整頁、或一片需要 JavaScript 才渲染得出來的空殼，你就出局了。llms.txt 的價值是把這幾頁的機會用在刀口上。

這也是我們把 llms.txt 歸在 GEO 實作（Generative Engine Optimization）的第一步的原因：它成本最低——一個純文字檔，不動網站架構、不改 CMS——但直接處理 AI 抓取效率這個瓶頸。

4. 怎麼寫一份好的 llms.txt

我們部署了六個站之後，歸納出四個原則：

原則 1：策展，不是搬運 sitemap

最常見的錯誤是拿 sitemap 轉格式，列 500 條連結。llms.txt 的價值在於「篩選」——我們的經驗值是 10–30 條連結、全文控制在 2,000 token 以內。超過這個量，你等於又把「判斷哪些重要」的工作丟回給 AI。

原則 2：每條連結的一行說明是主戰場

[退貨政策](url) 跟 [退貨政策](url): 台灣本島 7 天鑑賞期、跨境訂單 14 天，含免運退貨條件與流程 是兩個世界。後者讓 AI 不用點進去就能回答使用者的問題——而且回答時更可能標注你是來源。寫這行字的心法：想像 AI 要引用你，這行就是它看到的摘要。

原則 3：優先放「能被引用的內容」

AI 引用的是有明確答案的頁面：規格比較、價格、教學步驟、FAQ、數據。首頁、關於我們、形象頁放進去意義不大。我們的排序邏輯：FAQ 與定價 > 教學與指南 > 產品規格頁 > 部落格精選 > 其他。

原則 4：連結指向的頁面本身要能被讀

llms.txt 只是地圖，目的地還是要能進。如果重點頁是 client-side rendering、沒有 SSR 或 prerender，AI 抓到的還是空殼。這時候先解渲染問題，llms.txt 才有意義——我們就遇過一個 SPA 架構的客戶站，llms.txt 上了兩個月沒有任何效果,最後是補了 prerender 之後數字才動起來。

5. 我們的模板

直接給可以抄的版本（以一個假想的電商為例）：

# 品牌名 | 一句話定位

> 我們是專注於 [領域] 的 [類型]，主要服務 [客群]，
> 核心產品為 [產品線]，服務範圍涵蓋 [地區/語言]。

## 核心內容
- [產品總覽](https://example.com/products): 全系列 45 款商品，含規格、價格（TWD）與庫存狀態
- [常見問題](https://example.com/faq): 運送時間、退換貨、保固、付款方式等 22 個 FAQ
- [尺寸指南](https://example.com/size-guide): 各產品線尺寸對照表與測量方法

## 指南與評測
- [選購指南](https://example.com/guide/how-to-choose): 依用途與預算的選購決策樹
- [產品比較](https://example.com/compare): 熱門型號規格對比表

## 公司資訊
- [關於我們](https://example.com/about): 成立年份、實體據點、聯絡方式

## Optional
- [部落格](https://example.com/blog): 保養知識與使用技巧文章

部署就是把這個檔案放到網站根目錄，確認 https://你的網域/llms.txt 用 curl 打得到、回 200、Content-Type 是 text/plain 或 text/markdown。WordPress 站可以用外掛（如 Yoast 已內建）或直接放實體檔案；Shopify 需要走 proxy 或 edge redirect，這是少數比較麻煩的平台。

6. 提交與監控：上了之後怎麼知道有沒有用

llms.txt 沒有像 Search Console 那樣的提交入口——AI 爬蟲自己會來探。你能做的是監控三個訊號：

一個實際案例：某 B2B 設備商客戶部署 llms.txt 加上 FAQ 頁重構後，第 11 週開始在 Perplexity 的產業問題回答中穩定被引用，第四個月從 AI 來源的詢盤有 3 筆、成交 1 筆——單筆金額就超過整個 GEO 專案的費用。樣本很小，我們不會說這是 llms.txt 單獨的功勞，但這條路徑確實通了。

誠實說：llms.txt 不是萬靈丹

必須講清楚的三件事。第一，llms.txt 目前只是社群提案，不是 W3C 或任何官方標準，OpenAI、Anthropic、Google 都沒有公開承諾會遵循它——Google 的 John Mueller 甚至公開表達過保留態度。第二，如果你的網站本身內容單薄、或只有十幾頁，AI 本來就讀得完，llms.txt 帶來的邊際效益趨近於零。第三，它救不了內容品質問題：AI 引用你是因為你的內容值得引用，llms.txt 只是讓它更快找到。

我們對客戶的說法一直是：這是一張成本極低的期權。寫一份好的 llms.txt 加上驗證部署，我們的工時大約 3–4 小時；如果 AI 檢索流量持續成長（趨勢看起來就是如此），這 4 小時的投資報酬會非常可觀；就算最後這個規格沒有成為標準，你在整理它的過程中做的「內容盤點與策展」，對傳統 SEO 一樣有價值。低成本、高上檔、下檔有保底——這種投資沒有理由不做。

結語：先讓 AI 讀得懂你，再談讓 AI 推薦你

GEO 是一整套工程：內容結構化、schema 標記、渲染可讀性、引用監測。llms.txt 是其中門檻最低的一步，也是我們建議所有客戶的起手式——一個下午就能完成，卻直接改變 AI 爬蟲第一次接觸你網站的體驗。

如果你想知道自己的網站在 ChatGPT、Perplexity 眼中長什麼樣子、AI 爬蟲有沒有在爬你、爬到了什麼，加 LINE 傳你的網址給我們，我們會回覆一份簡易的 AI 可讀性健檢——含 llms.txt 建議清單，不收費。

SHARE · 覺得有用？
分享到 LINE 分享到 X ← 回內容專區