Llms.txt — новый стандарт 2024-2025, аналог robots.txt но для LLM. Указывает AI-моделям что цитировать с вашего сайта и как.
Зачем нужен llms.txt
ChatGPT, Perplexity, Claude, Google AI Overviews всё чаще цитируют сайты в ответах. Хорошо структурированный llms.txt увеличивает шанс быть процитированным в 2-3 раза.
Механика простая. У языковой модели ограничено окно контекста, а типовая страница коммерческого сайта — это меню, баннеры, попапы, футер и где-то посередине два абзаца по делу. Llms.txt даёт модели сжатую карту сайта в чистом Markdown: кто вы, что делаете, где лежат подробности. Это не гарантия цитирования, но резко снижает вероятность, что модель возьмёт данные о вашем рынке у конкурента с более чистой структурой.
Важно понимать статус стандарта: llms.txt — это предложение сообщества, а не требование Google или OpenAI. Ни один вендор официально не обещал его читать. Файл стоит час работы и не может навредить, поэтому мы его делаем, но строить на нём стратегию нельзя. Основную работу по видимости в AI-ответах делает структура самого контента.
Структура файла
# Название компании
## Описание
Краткое описание (200-500 слов)
## Услуги
- [Услуга 1](url): краткое описание
- [Услуга 2](url): краткое описание
## Контакты
- Сайт: ...
- Email: ...Несколько правил, которые заметно влияют на качество. Заголовок H1 — только один, это название компании или продукта. Первый абзац после него должен читаться как самодостаточный ответ на вопрос «что это»: модель часто берёт именно его.
В списках ссылок формат строгий: ссылка в Markdown, двоеточие, одно предложение описания. Не абзац, не буллеты внутри буллета. Каждая строка должна быть понятна вне контекста, потому что попасть в ответ может именно она.
Разумный объём — 1500-3000 слов для среднего сайта. Больше не нужно: файл не заменяет сайт, а описывает его. Если хочется отдать модели полные тексты, для этого есть отдельная конвенция llms-full.txt, но её поддержка ещё слабее.
Где разместить
В корне сайта: https://site.kz/llms.txt. Без noindex, без аутентификации, plain text.
Проверьте три вещи после выкладки. Content-Type должен быть text/plain; charset=utf-8 — на некоторых конфигурациях nginx отдаёт кириллицу в неверной кодировке, и файл превращается в мусор. Код ответа — 200 без редиректов. И robots.txt не должен закрывать корень для AI-краулеров.
Отдельно про доступ ботов. GPTBot, OAI-SearchBot, PerplexityBot, ClaudeBot, Google-Extended — если вы хотите цитирования, эти агенты должны быть разрешены в robots.txt. Мы регулярно видим сайты, где llms.txt написан, а половина AI-краулеров заблокирована шаблонным правилом от прошлого подрядчика.
Дополнительные приёмы
Добавляем JSON-LD ItemList с топовыми ссылками. Используем структурированные ответы на типовые вопросы (FAQ-стиль).
Дальше начинается то, что работает независимо от судьбы стандарта — оптимизация самих страниц под извлечение.
- Ответ первым абзацем. Под каждым H2 первые 40-60 слов должны быть законченным ответом на вопрос в заголовке. Модели вырезают именно такие фрагменты. Раскрытие, оговорки и примеры идут ниже.
- Конкретика вместо оценок. «Срок разработки корпоративного сайта — 6-8 недель» цитируется, «мы делаем быстро и качественно» — нет. Числа, единицы, валюта, сроки.
- Таблицы и списки. Сравнение вариантов в таблице извлекается почти всегда, тот же материал сплошным текстом — редко.
- Дата обновления в тексте. Не только в meta, но и видимой строкой. AI-системы предпочитают свежие источники и умеют читать дату со страницы.
- Упоминания вне сайта. Модели опираются на консенсус источников. Профили в отраслевых каталогах, ответы на профильных площадках, публикации в СМИ дают больше, чем правки на собственном сайте.
Как измерять результат
Классическая аналитика здесь бесполезна: пользователь читает ответ и не переходит. Работают три метода.
Первый — логи сервера. Фильтруете по User-Agent (GPTBot, PerplexityBot, ClaudeBot, OAI-SearchBot) и смотрите, какие страницы обходятся и с какой частотой. Это единственный объективный сигнал, что вас вообще читают.
Второй — реферальный трафик. Perplexity и ChatGPT проставляют referrer, в GA4 это видно как источники chat.openai.com, perplexity.ai и подобные. Объёмы небольшие, но конверсия у такого трафика обычно выше среднего: человек пришёл после развёрнутого ответа.
Третий — ручная проверка. Раз в месяц задаёте в трёх-четырёх системах 10-15 запросов, по которым вы хотите быть в ответе («разработка мобильного приложения Алматы», «сколько стоит интернет-магазин в Казахстане»), и фиксируете, кого цитируют. Скучно, но это единственный способ увидеть картину глазами клиента.
Что это значит для казахстанского сайта
Русскоязычная и казахоязычная выдача в AI-системах пока менее конкурентна, чем англоязычная. Источников с конкретикой по местному рынку мало, и страница с реальными цифрами — ценами в тенге, сроками, требованиями законодательства РК — попадает в ответы заметно легче, чем аналогичная страница на английском.
Практический вывод для тех, кто ведёт блог: под каждый частотный вопрос клиента должна быть страница с прямым ответом в первом абзаце. Материал вида сколько стоит мобильное приложение с разбивкой по этапам и вилками цен извлекается моделями охотнее, чем общая страница услуги. То же касается страниц под конкретные продукты — Telegram-ботов или AI-систем: чем уже тема страницы, тем чище извлечение.
Порядок работ такой: сначала открыть AI-краулеров в robots.txt, потом переписать первые абзацы под H2 на ключевых страницах, потом выложить llms.txt и настроить фильтр по ботам в логах. Первые два шага дают эффект независимо от стандарта, третий — дешёвая ставка на то, что стандарт приживётся. Обновлять файл достаточно раз в квартал или при изменении списка услуг.