llms.txt é uma convenção proposta para que sites publiquem um arquivo de texto simples ou Markdown no caminho /llms.txt, listando links e resumos selecionados, com o objetivo de ajudar sistemas de IA e grandes modelos de linguagem a encontrar e entender o conteúdo de um site de forma mais eficiente do que rastreando e analisando todo o seu HTML. Foi proposta em setembro de 2024 por Jeremy Howard, cofundador da fast.ai, explicitamente inspirada nas convenções de longa data robots.txt e sitemap.xml, que já fornecem orientação estruturada a rastreadores automatizados sobre um site.
A proposta respondeu a um problema prático: as páginas da web modernas costumam ser pesadas em navegação, renderização de JavaScript, publicidade e marcação de layout, o que as torna caras ou pouco confiáveis para um modelo de linguagem processar dentro de um contexto limitado, enquanto um resumo em Markdown, com links diretos para as páginas principais, poderia ser consumido de forma barata e confiável.
Formato e adoção
Um arquivo llms.txt típico começa com um título H1 e um breve resumo do site, seguido por listas de links formatados em Markdown, agrupados sob títulos, geralmente apontando para um arquivo llms-full.txt correspondente com o conteúdo completo da página renderizado em Markdown. A adoção se espalhou primeiro entre empresas de ferramentas para desenvolvedores e sites de documentação, onde conteúdo técnico limpo e rastreável já era prioridade, antes de se estender a plataformas de consumo e conteúdo mais amplas entre 2025 e 2026. Ao contrário do robots.txt, que é aplicado por convenção em praticamente todos os principais rastreadores, o llms.txt não tem suporte universal equivalente; em meados da década de 2020, nenhum grande laboratório de IA havia confirmado que seus modelos ou rastreadores buscam e usam o arquivo sistematicamente, levando alguns comentaristas a descrever a adoção como amplamente especulativa ou simbólica.
Relação com GEO e críticas
A proposta é frequentemente discutida em conjunto com a otimização para mecanismos generativos, a prática de tornar o conteúdo mais propenso a ser citado por mecanismos de resposta de IA, já que um llms.txt bem mantido é um possível vetor para GEO, embora seu efeito real nas taxas de citação não seja verificado. Os críticos argumentam que, na ausência de consumo confirmado pelos principais sistemas de IA, o llms.txt funciona mais como uma declaração de intenção ou uma proteção do que como uma técnica de otimização comprovada, e que os agentes de IA recorrem cada vez mais à navegação de página inteira e ao uso de ferramentas em vez de depender de um resumo estático selecionado. Os defensores rebatem que mesmo a adoção parcial reduz o atrito para os agentes e pipeline de recuperação que o respeitam, e que a convenção custa pouco para ser publicada, independentemente da adoção incerta.