llms.txt: kiedy działa, a kiedy jest dekoracją

· , Założyciel, modulla · PL

llms.txt to plik tekstowy w formacie Markdown w katalogu głównym domeny, który podaje modelom językowym skondensowaną mapę witryny. Założenie jest sensowne: zamiast parsować 2600 kilobajtów HTML z nawigacją i skryptami, agent pobiera kilka kilobajtów czystej treści.

Wokół tego pliku narosła jednak obietnica, której dane nie potwierdzają. Sprzedaje się go jako standard GEO, czyli sposób na to, by wyszukiwarki AI częściej cytowały markę. W tej roli llms.txt nie działa, i mówi to zarówno Google, jak i logi serwerowe z badań na setkach tysięcy domen.

Jest natomiast drugie zastosowanie, w którym plik pracuje realnie i ma to potwierdzenie w tych samych logach. Ten tekst rozdziela te dwa przypadki, bo pomylenie ich kosztuje czas wdrożeniowy bez żadnego zwrotu.

Czym jest plik llms.txt: definicja i standard

Standard zaproponował we wrześniu 2024 roku Jeremy Howard, twórca biblioteki fast.ai. Idea jest prosta: dostarczyć maszynom odpowiednik spisu treści, który wskazuje, co na stronie jest wartościowe, zamiast zmuszać je do samodzielnego odkrywania architektury witryny przez wielokrotne odpytywania serwera.

Standard definiuje dwa powiązane pliki:

Oba pliki muszą znajdować się w katalogu głównym domeny (np. twojadomena.pl/llms.txt) i być serwowane z typem MIME text/plain, kodowaniem UTF-8 oraz kodem statusu 200 OK.

Wymagania techniczne są proste, ale trzeba je spełnić dokładnie, bo agent pobierający plik nie ma jak obejść błędu konfiguracji.

Co pokazują dane z 2026 roku

Najszersze dostępne badanie przeprowadził Ahrefs w maju 2026 na 137 210 domenach ze swojego Web Analytics, sprawdzając każde żądanie do ścieżki /llms.txt i klasyfikując je po user-agencie. Wyniki są jednoznaczne.

Narzędzia SEO badające obecność pliku generują na nim około dwudziestokrotnie więcej ruchu niż systemy AI, które miałyby z niego korzystać. To branża mierząca samą siebie.

Drugie badanie, EZY Research, poszło od strony właściciela witryny: 83 strony z wdrożonym llms.txt, 12 tygodni obserwacji logów serwera. Boty OpenAI pobrały plik siedem razy.

Warto uczciwie zaznaczyć rozbieżność w danych o adopcji. Ahrefs podaje 28%, a SE Ranking na próbie 300 000 domen podaje 10,13%. Różnią się próby i metoda kwalifikacji pliku. Co do częstotliwości odczytu badania są jednak zgodne.

Nasze własne logi: osiem pobrań w osiem dni

Cudze badanie zawsze można podważyć doborem próby, więc sprawdziliśmy to na własnej domenie. Plik llms.txt na modulla.ai stoi pod adresem modulla.ai/llms.txt. Wyciągnęliśmy z Cloudflare każde żądanie do tej ścieżki między 3 a 10 sierpnia 2026 wraz z user-agentem.

Osiem żądań przez osiem dni. Ani jedno nie pochodziło od crawlera systemu AI: nie było GPTBota, ClaudeBota, PerplexityBota ani Google-Extended. Cztery żądania przyszły ze zwykłych przeglądarek, czyli od ludzi, którzy plik obejrzeli. Dwa od skanera mcpsee-observatory, katalogującego obecność pliku. Dwa ostatnie to nasze własne sprawdzenia przez curl.

To ta sama proporcja, którą pokazuje Ahrefs, tylko na jednej witrynie i we własnych logach: plik czytają narzędzia mierzące jego istnienie i ludzie z ciekawości, a nie modele budujące odpowiedzi.

Dwie uczciwe uwagi do tych liczb. Okno jest krótkie, bo Cloudflare przyjmuje maksymalnie jeden dzień na zapytanie o dane szczegółowe, a głębiej niż tydzień wstecz na naszym planie zwraca już pustkę, której nie odróżnimy od braku ruchu. I brak pobrań dziś nie przesądza o niczym na przyszłość: to pomiar stanu obecnego, nie prognoza.

Stanowisko Google: plik jest ignorowany

Google opisał to wprost w dokumentacji Search Central dla funkcji AI. Pliki llms.txt oraz znaczniki projektowane specjalnie pod modele są przez wyszukiwarkę pomijane. Ta sama dokumentacja odrzuca dwie inne popularne taktyki: dzielenie treści na drobne fragmenty pod rzekome preferencje modeli oraz narzędzia obiecujące optymalizację pod odpowiedzi AI.

Mechanizm, który Google faktycznie stosuje, to RAG na indeksie wyszukiwarki. Model rozszerza zapytanie o pytania pokrewne, pobiera pasujące strony z tego samego indeksu co zwykłe wyniki, i na nich opiera odpowiedź. Nie ma osobnego kanału ani formatu dla AI. Strona jest w indeksie albo jej tam nie ma.

Praktyczny wniosek: jeśli celem wdrożenia było pojawianie się w AI Overviews, llms.txt tego celu nie realizuje i nie ma podstaw, by sądzić, że zrealizuje.

Dwa zastosowania, które trzeba rozdzielić

Rozmowa o llms.txt jest zagmatwana, bo miesza dwa różne mechanizmy pod jedną nazwą. Rozdzielenie ich porządkuje decyzję wdrożeniową.

ZastosowanieJak miałoby działaćStan faktyczny
Widoczność w wyszukiwarkach AICrawler indeksujący czyta plik i częściej cytuje markę w odpowiedziachBez pokrycia. 1,1% żądań, Google pomija plik świadomie
Dokumentacja dla agentów kodującychAgent pobiera plik na żądanie, gdy programista pracuje z Twoim APIDziała i widać to w logach. Główny realny konsument pliku

Różnica sprowadza się do tego, kto sięga po plik i kiedy. W pierwszym przypadku crawler miałby go odwiedzać z własnej inicjatywy przy budowie indeksu, i tego zachowania badania nie znajdują. W drugim plik pobiera agent w konkretnym momencie, gdy człowiek poprosił go o pracę z daną dokumentacją. To zapytanie na żądanie, nie indeksowanie.

Jak skonfigurować plik llms.txt: struktura i wymagania techniczne

Konfiguracja pliku zajmuje od 20 do 60 minut przy ręcznym podejściu. Struktura jest ściśle określona przez specyfikację:

Obowiązkowe elementy struktury

  1. Nagłówek H1 (#): nazwa projektu lub marki. Obowiązkowy, to jedyna linia, którą wszystkie parsery traktują jako identyfikator podmiotu.
  2. Blok cytatu (>): 1 do 3 zdań opisujących misję i zakres działalności witryny. Pełni funkcję "elevator pitch" dla algorytmu.
  3. Sekcje H2 (##): kategorie linków, m.in. Usługi, Dokumentacja, FAQ, Cennik, Polityki.
  4. Lista linków z adnotacjami: format [Tytuł](URL): Opis. Opis po dwukropku jest kluczowy, bo pomaga agentowi zdecydować, czy dany zasób warto pobrać bez wcześniejszego ładowania strony.

Sekcja Optional: sygnał dla modeli z ograniczonym kontekstem

Specyfikacja rezerwuje sekcję ## Optional dla zasobów drugorzędnych. Umieszczone tam linki mogą być pomijane przez agentów działających pod presją limitów kontekstu tokenowego. To elegancki mechanizm priorytetyzacji: mówisz AI, co jest absolutnie niezbędne, a co może poczekać.

Wymagania techniczne serwera

Standard ten rozwiązuje problem, z którym nie radzi sobie sitemap.xml: nie tylko indeksuje strony, ale wyjaśnia algorytmowi, które z nich warto przeczytać.

Kto realnie korzysta z llms.txt

Produkty techniczne z dokumentacją API. Sprawdzenie z 10 sierpnia 2026 pokazuje, że plik publikują między innymi:

To nie jest kult cargo. Użytkownicy tych produktów pracują dziś w Cursorze, Claude Code i podobnych narzędziach. Gdy programista pyta agenta o sposób użycia API, agent pobiera dokumentację w Markdownie zamiast przedzierać się przez HTML z nawigacją, bannerem cookies i widżetem czatu. Badanie Ahrefs potwierdza to od strony logów: wśród botów faktycznie pobierających pliki widać infrastrukturę agentów kodujących, w tym Claude Code, obok GPTBota z udziałem 4,51%.

Dla firmy z produktem technicznym llms.txt jest więc elementem doświadczenia programisty, podobnie jak dobre README albo przykłady w SDK. Zwrot bierze się z tego, że ktoś szybciej zintegruje Twoje API, nie z pozycji w wyszukiwarce.

Kiedy llms.txt jest dekoracją

Strona usługowa, wizytówka firmy, sklep, blog firmowy. Jeśli nikt nie buduje niczego na Twoim API, żaden agent kodujący nie ma powodu sięgnąć po Twoją dokumentację, bo jej nie ma. Zostaje wtedy ścieżka przez wyszukiwarkę AI, a tę Google zamknął wprost.

Plik kosztuje kilkanaście minut i zero utrzymania, więc jego obecność nikomu nie szkodzi. Szkodzi natomiast planowanie wokół niego budżetu i oczekiwanie wzrostu widoczności. Ten sam czas włożony w treść opartą na własnych danych pracuje na cytowania realnie, bo modele sięgają po indeks wyszukiwarki, a do indeksu trafia treść, nie plik pomocniczy.

Dla porządku: sami publikujemy llms.txt na modulla.ai i traktujemy go dokładnie jako dekorację, bo modulla.ai nie udostępnia dokumentacji API. Zostawiamy go, bo nic nie kosztuje, ale nie liczymy na to, że coś dowozi.

Najczęstsze błędy podczas implementacji llms.txt

Największym błędem jest podejście "sitemapowe": listowanie wszystkich URL witryny zamiast selekcji 10-20 najważniejszych stron. To nie narzędzie do odkrywania treści, lecz do ich priorytetyzacji. Inne typowe problemy:

Te błędy mają znaczenie tam, gdzie plik faktycznie jest czytany, czyli przy dokumentacji technicznej. Nieaktualny plik jest wtedy gorszy od jego braku, bo agent zasugeruje programiście funkcję, której już nie ma.

FAQ: llms.txt w praktyce

Czy llms.txt wpływa na widoczność w Google i AI Overviews?

Nie. Google podaje w dokumentacji Search Central, że pomija pliki llms.txt oraz znaczniki tworzone specjalnie pod modele. Odpowiedzi AI budowane są z tego samego indeksu co zwykłe wyniki wyszukiwania, więc o obecności w nich decyduje indeksowalność i jakość samej treści.

Czy wdrożenie llms.txt ma sens dla mojej firmy?

Zależy od tego, czy udostępniasz dokumentację techniczną. Jeśli masz API, SDK albo produkt, który programiści integrują, plik ułatwia pracę agentom kodującym i wdrożenie się zwraca. Jeśli prowadzisz stronę usługową albo sklep, plik możesz dodać, ale nie planuj wokół niego efektów.

Jak sprawdzić, czy cokolwiek pobiera mój plik?

Analiza logów serwera albo analityki na poziomie CDN, z rozbiciem żądań do /llms.txt po user-agencie. To jedyna metoda dająca odpowiedź o Twojej domenie, a nie o średniej rynkowej. Wklejanie adresu pliku do czatu niczego nie dowodzi, bo wtedy to Ty każesz modelowi go pobrać.

Czy muszę aktualizować plik przy każdej zmianie na stronie?

Przy dokumentacji technicznej regeneruj go w pipelinie CI/CD razem z dokumentacją, bo nieaktualny plik szkodzi bardziej niż jego brak: agent zasugeruje programiście nieistniejącą funkcję. Przy małej witrynie ręczna aktualizacja wystarcza.

Źródła