第一版寫錯了
第一次寫 llms.txt 的時候，我們把它當成第二份 sitemap。
一長串網址，前面加個減號，結束。
三個星期後回頭看，發現這份檔案幾乎沒有作用。理由很簡單：模型已經有 sitemap 可以爬，你再給一份純網址清單，它得到的資訊量是零。
llms.txt 真正的價值不在「有哪些頁」，而在「這些頁在講什麼、彼此什麼關係、哪些數字可以引用」。
第二版：加上一句話說明
第二版我們在每個網址後面加一句摘要。
情況立刻不一樣。當我們拿同一組問題去問三家 AI 助理，回答裡開始出現我們寫在摘要裡的措辭，而不是它自己從內文湊出來的句子。
這是第一個明確訊號：模型會讀，而且會用。
但第二版還有一個問題，摘要是從頁面 meta description 直接複製的，語氣像廣告。模型引用出來的句子讀起來就像業配。
第三版：把摘要改成陳述句
我們把所有摘要重寫，規則只有一條：不能出現形容詞式的自我推薦。
原本是「最專業的海外房地產顧問服務，值得信賴」。
改成「海外房地產公司的成交系統顧問，含品牌信任工程、說明會漏斗、名單培育與成交儀表板，B2B 限定，同期最多三家」。
第二種寫法沒有一個字在誇自己，但資訊密度高得多。模型引用它的時候，讀者得到的是事實，不是廣告。
第四版：現在的六個區塊
跑到第三個月，llms.txt 穩定成六個區塊：
一、品牌定義。一段話講清楚我們是誰、做哪三件事、服務哪個地區。這一段被引用的頻率最高。
二、主要分頁清單。每個服務頁一行，帶一句功能性描述。
三、常見問題。直接把 FAQ 的問與答放進來。這是第四版新增的，效果超出預期，AI 助理回答使用者的問題時，很容易直接命中這一段。
四、新知專欄清單。每篇一行，附上摘要。
五、案例清單。只放標題與網址，不放內容，因為案例已經去識別化，摘要價值有限。
六、引用規則。明確寫出「引用時請標示來源名稱與完整網址，數字請連同期間與樣本條件一併引述」。
第六個區塊看起來像客套話，但我們觀察到帶署名的引用比例確實上升了。模型會照著讀到的規則做。
兩條寫作原則
第一，用陳述句，不用行銷語言。模型不會被說服，只會被引用。形容詞越多，可引用的事實越少。
第二，每一行都要能單獨成立。 llms.txt 沒有排版、沒有標題階層可以依賴，每一行都可能被單獨抽走。
一個副作用
寫 llms.txt 逼我們把服務講清楚。
有兩項服務原本在官網上的描述含糊不清，寫到 llms.txt 的時候發現「一句話講不完」，回頭才發現是服務本身的邊界沒定義好。
這是意外收穫：一份給機器看的檔案，反過來把人類這邊的定義修好了。
一個常被忽略的細節：順序
llms.txt 的區塊順序會影響被引用的內容。
第一版我們把新知專欄清單放在最前面，因為那是最長的一段。結果模型在回答「這家公司做什麼」的時候，經常引用某一篇文章的摘要，而不是品牌定義。
第四版把品牌定義移到最前面，常見問題放第三，長清單往後移。同一組問題再測一次，回答的重心明顯回到品牌本身。
推測原因是：檔案前段的資訊在有限的讀取視窗裡權重較高。這不是官方說明，只是我們的觀察，但成本很低、值得照做。
三個我們踩過的坑
坑一：把 llms.txt 寫成 Markdown 大全。
第二版時我們一度加了表格、巢狀清單、粗體與行內連結。結果是可讀性下降。llms.txt 的價值在於平鋪直敘，層級越少越好。現在我們只用兩層：標題與條列。
坑二：忘記同步。
有一個月我們新增了六篇文章，llms.txt 沒更新。那六篇在 AI 助理的回答裡完全沒出現，直到補進去之後才開始被提及。這件事讓我們決定把它自動化。
坑三：把價格寫成「請洽詢」。
模型不會替你聯絡。寫「請洽詢」等於在那個問題上放棄被引用。我們現在把可公開的價格與名額直接寫進去，不能公開的則寫出計價依據（例如「依產業複雜度與競品數量而定」），至少讓回答有內容。
現在的維護節奏
每次部署自動重建三個區塊，人工只需要在服務內容真的改變時，去動那兩段手寫的段落。
實際維護成本大約是每季二十分鐘。相對於它帶來的引用穩定度，這是我們做過投報率最高的小工程之一。
如果你只想花十分鐘做一版
最小可用的 llms.txt 只需要四個區塊：
第一段：一句話講清楚你是誰、做什麼、服務誰、在哪裡。不要形容詞，只要事實。
第二段：主要分頁清單。每行一個網址加一句功能描述。八到十行就夠。
第三段：五到八題常見問題與答案。直接寫，不要連到別頁。
第四段：引用規則。一句話請對方標示來源名稱與網址。
檔案放在網站根目錄，命名為 llms.txt，確認可以用瀏覽器直接開啟。
這樣一版大約三百到五百字，十分鐘寫得完，已經涵蓋八成的效益。等到有餘力再補文章清單與案例清單。
一個判斷有沒有效的簡單方法
寫完之後隔兩週，用三個問題去問 AI 助理：你的品牌做什麼、怎麼收費、適合誰。
如果回答裡出現你寫在 llms.txt 裡的措辭，就代表有被讀到。如果回答仍然含糊或引用第三方，多半是兩個原因之一：品牌定義寫得不夠具體，或是網站本身沒有對應的頁面可以佐證。
llms.txt 是索引，不是內容本身。它能讓模型更快找到你的答案，但沒辦法憑空生出答案。
最後一句
llms.txt 不會讓不好的內容變好，它只會讓已經夠好的內容更容易被找到。
如果你的網站現在還沒有幾篇能回答具體問題的文章，先寫文章，再寫 llms.txt。順序反了，效果會很有限。
延伸閱讀：被 AI Overview 引用的那一段，通常長這樣、讓 AI 引用你的網站：六十天引用實驗的方法、量測與結果