llms.txt

What is it（这是什么）

llms.txt 是一个放在网站根目录的纯文本文件，用 Markdown 格式告诉大语言模型"这个网站是干什么的、核心内容在哪、哪些页面值得读"。你可以把它理解为给 AI 看的 robots.txt——后者告诉爬虫"别抓什么"，llms.txt 告诉模型"该读什么、怎么读"。技术本质是一份结构化导航清单：站点简介、核心文档链接、API 说明、常见问题，全部用简洁的 Markdown 组织，让模型在抓取阶段就能拿到高质量上下文，而不是把整站 HTML 塞进上下文窗口。商业意义在于：当 AI 搜索和 AI Agent 成为流量入口，网站能否被模型"正确理解"直接决定它会不会被引用、被推荐、被下单。这是一场新的"SEO 战争"，只不过优化对象从 Googlebot 换成了 GPT。

Why now（为什么现在出现）

三个条件在 2026 年同时成熟。第一，AI 搜索流量占比跨过临界点，Perplexity、ChatGPT Search、豆包、Kimi 等产品开始实质分流传统搜索，站长第一次感受到"不被 AI 引用就等于不存在"的压力。第二，模型上下文窗口和抓取成本仍是硬约束，把整站喂给模型既贵又低效，一份精炼的 llms.txt 能显著降低 token 消耗、提升回答准确率。第三，协议层出现真空——robots.txt 是 1994 年的产物，sitemap.xml 面向传统搜索引擎，没有任何标准是为 LLM 设计的。2024 年 Jeremy Howard 提出 llms.txt 后，2026 年中文社区开始实测，正是"AI 流量焦虑"从大厂蔓延到中小站长的时间点。早一年，AI 搜索流量还不够大；晚一年，标准可能已被某家大厂的事实规范锁定。

Market Evidence（市场证据）

信号很清晰，但也很弱。数据来源是 v2ex 单一信源，总提及次数仅 2 次，增长率 100%（基数太小，100% 没有统计意义）。最有价值的是那条实测结论：1000 个站点里只有 30 个真正部署了 llms.txt，部署率 3%。这个数字比任何热度指标都重要——它说明"知道"和"做到"之间存在巨大鸿沟，而这正是工具类产品的生存空间。当前阶段为 nascent，趋势分数 72/100 属于"值得关注但未验证"，机会分、市场分、竞争分、需求分全部为 0，意味着这个方向还没有被商业化，没有任何玩家在赚钱。判断：这不是短期社区热点，而是真实存在但尚未被激活的需求。理由很简单——部署率低不是因为不需要，而是因为没人把部署这件事变得足够简单。

Who's Behind It（谁在推动）

目前没有"庄家"。标准由 Answer.AI 的 Jeremy Howard 在 2024 年提出，属于社区自发规范，没有 ISO、W3C 或任何大厂背书。推动力量分散在三处：一是海外开源社区（llmstxt.org 官网、Mintlify 和 ReadMe 等文档平台已内置生成功能）；二是中文技术社区的自发实测，v2ex 这条帖子就是典型；三是 AI 搜索产品方的隐性需求——Perplexity 等公司有动机支持，但尚未公开承诺。真正的潜在庄家是 OpenAI、Anthropic、Google 中的任何一家：如果它们把 llms.txt 写进爬虫文档，标准立刻从"可选"变成"事实必需"。独立开发者的机会窗口，就在这个"尚未被大厂收编"的空档期。

TAM & Market Size（市场规模）

潜在用户是全球所有在乎 AI 流量的网站运营者。全球活跃网站约 2 亿个，其中认真做 SEO 的约 2000 万个，中文市场按 15% 估算约 300 万个。但付费意愿需要分层看：头部 SaaS 和电商愿意为"被 AI 正确引用"付钱，预算可对标现有 SEO 工具（Ahrefs 起步 99 美元/月，Semrush 119 美元/月）；中小站长预算有限，但可以接受 5-20 美元/月的轻量工具。当前机会分 0/100、需求分 0/100，说明市场尚未被验证，属于典型的"教育型市场"——你需要先教会用户为什么需要，再卖工具。市场处于增长初期而非萎缩，驱动力是 AI 搜索流量的持续攀升。保守估算，中文可服务市场（SAM）约 10-30 万付费用户，按 10 美元/月计算是 1200 万-3600 万美元/年的潜在盘子。

Competitive Landscape（竞争格局）

竞争分 0/100，意味着几乎没有直接对手，这是最好的消息也是最坏的消息。间接玩家分三类：一是文档托管平台 Mintlify、ReadMe、GitBook，它们把 llms.txt 生成作为免费附加功能，优势是天然接触目标用户，劣势是只服务自家托管站点，不做跨站检测；二是 SEO 工具 Ahrefs、Semrush，它们有渠道和用户，但转身慢，短期内不会为一个小众标准单独做产品；三是零散的开源脚本，功能单一、无商业化。明显的市场空白是"检测 + 生成 + 监控"一体化工具：帮站长检查 llms.txt 是否存在、内容是否合格、AI 爬虫有没有真的来读。大公司一旦入场，时间窗口约 6-12 个月。你的护城河不在技术，在于先积累的站点数据库和用户习惯。

Business Model（商业模式）

推荐"免费检测 + 订阅监控"的免费增值模式，而不是一次性买断。理由：llms.txt 是持续维护的东西，内容会变、标准会演进、AI 爬虫行为会变，监控天然是订阅场景；一次性工具容易被免费脚本替代，订阅制靠持续数据积累建立壁垒。

定价建议：Free 层提供单站检测和基础生成；Pro 层 12 美元/月（约 88 元人民币），提供多站监控、AI 爬虫访问日志分析、内容质量评分、自动更新提醒；Team 层 49 美元/月，支持 API 和批量站点。这个价位低于 Ahrefs 但高于零散脚本，卡在"个人站长无痛付费"区间。

12 个月收入预测：保守 800 美元/月 MRR（约 70 个付费用户）；基准 3500 美元/月（约 300 个付费用户）；乐观 12000 美元/月（约 1000 个付费用户，需要一次社区爆款传播）。

获客成本估算：靠 SEO 和社区内容，CAC 可压到 5-15 美元，回本周期 1-2 个月；若投广告，CAC 会升到 40-80 美元，回本周期拉长到 5-7 个月，不推荐早期投广告。

MVP Blueprint（MVP 蓝图）

核心功能只做三件：①输入域名，检测 llms.txt 是否存在、格式是否合法、内容是否完整；②一键生成符合规范的 llms.txt 草稿（抓取 sitemap 自动生成链接清单）；③给出一个 0-100 的可读性评分，指出缺失项。砍掉用户系统、砍掉爬虫日志分析、砍掉多语言，这些是 v2 的事。

技术栈：前端 Next.js + Tailwind，后端用 Next.js API Routes 或 Hono，数据库 Supabase（免费额度够用），部署 Vercel。生成逻辑用 cheerio 解析 sitemap，调用一次便宜的模型（如 GPT-4o mini 或 DeepSeek）生成站点简介，成本可控。

最快上线路径：不做登录，检测和生成直接开放，用 localStorage 存历史记录；付费墙只挡"监控"功能。整个 MVP 可以在 3-5 天内上线，无需设计稿，用 shadcn/ui 组件库直接拼。

Commercial Opportunities（商业化机会）

方向一：llms.txt 检测与监控 SaaS。目标用户是 SaaS 官网和内容站运营者，预期月收入 1000-8000 美元。优势在于需求明确、竞争为零、可复用 SEO 工具的增长套路。

方向二：面向文档平台的 llms.txt 生成 API。目标用户是 Mintlify、GitBook 之外的独立文档站和开源项目，按调用量收费，预期月收入 500-3000 美元。优势是 API 模式边际成本低、易嵌入他人产品。

方向三：AI 可读性审计服务（人工 + 工具）。目标用户是中大型企业的 SEO 团队，一次性收费 500-2000 美元/站，预期月收入 2000-10000 美元。优势是客单价高、可积累案例背书。三个方向中，方向一最适合独立开发者起步，因为它是标准化产品，不依赖销售。

Product Ideas（产品创意）

🥇 LLMsReady — "30 秒检测你的网站能不能被 AI 读懂"。目标用户是 SaaS 站长和 SEO 从业者，场景是 AI 搜索流量下滑时的自查。现在做对的时机：部署率仅 3%，工具化几乎空白，先发即占位。

🥈 llms.txt Generator — "从 sitemap 一键生成合规 llms.txt"。目标用户是开源项目维护者和独立博客作者，场景是网站上线时的标准配置。时机在于标准刚被社区认知，生成需求会在未来 6 个月集中释放。

🥈 AIBotLog — "看清 GPTBot 和 ClaudeBot 到底读了你哪些页面"。目标用户是内容站和电商，场景是分析 AI 爬虫行为、反推优化重点。时机在于 AI 爬虫流量正在从 0 变成不可忽视的占比，但还没有工具专门统计它。

SEO Opportunity（SEO 机会）

搜索量趋势：上升，但绝对量很小，属于"低量高意图"关键词。SEO 难度 0/100，几乎无人竞争，是典型的蓝海词。

有价值的长尾关键词：llms.txt 是什么、llms.txt 生成工具、llms.txt 检测、如何写 llms.txt、llms.txt vs robots.txt。

内容策略：做"标准解释 + 在线工具"结合的页面最容易拿排名，工具页天然获得外链和停留时长；再配一篇中文最全的 llms.txt 指南做流量入口。现在写，半年后就是这个词的第一名。

Risk Assessment（风险评估）

判断可能错的情况：AI 搜索最终没有成为主流入口，或者大厂推出完全不同的替代方案（比如直接支持结构化数据而非新文件），llms.txt 就会沦为历史注脚。

三大风险：技术风险——标准本身可能被大厂事实规范取代，你的工具需要快速适配；市场风险——需求教育成本高，用户可能根本不在乎 AI 可读性；执行风险——市场太小，做出来的产品天花板低，月收入可能长期卡在几百美元。

最低成本验证：先写一篇 llms.txt 中文指南发到 v2ex 和掘金，看阅读量和评论里有没有人问"怎么生成""怎么检测"。如果一周内没有真实需求反馈，说明市场还没到。

放弃信号：如果 3 个月内没有 50 个自然注册用户，或者大厂已经免费提供同类功能，就该止损转向。

Action Plan（行动建议）

第一步（今天）：写一篇《llms.txt 完全指南：为什么你的网站需要它》发到 v2ex，文末放一个"检测你的网站"的简单表单收集邮箱，验证需求真伪。

低成本验证：用一天时间做一个纯前端检测页，不接数据库，手动跑 20 个知名网站的检测结果做成对比表格，作为内容素材。看转化率。

信号确认后的第二步：3 天内上线完整 MVP，开放检测和生成，付费墙挡监控功能，开始做 SEO 内容矩阵。

时间线：第一周完成指南 + 检测页 + 收集 100 个邮箱；第一个月上线 MVP 并拿到前 20 个付费用户；第三个月 MRR 达到 1000 美元，或确认失败并转向。

Related Terms（相关趋势）

• robots.txt — 前身与互补关系，llms.txt 在概念上继承它但目标相反（引导而非禁止）
• AI Search Optimization（GEO） — 上位领域，llms.txt 是 GEO 的一个具体落地手段
• Model Context Protocol — 互补关系，MCP 解决 Agent 如何调用工具，llms.txt 解决 Agent 如何理解网站