Hoe schrijft u een effectieve llms.txt?

Effectieve : Een goede llms.txt volgt drie regels: kort, hiërarchisch, feitelijk. Max 8.000 tokens, opgedeeld in "Docs" / "Optional", elke regel = Markdown-link + een precieze beschrijvende zin.

Hoe schrijft u een effectieve llms.txt, vanuit GEO-hoek?

Het /llms.txt-bestand heeft een strikt gedefinieerde structuur volgens de Jeremy Howard-spec (Answer.AI, 3 september 2024) gehost op llmstxt.org: één H1 (projectnaam of sitenaam), een blockquote met samenvatting, daarna nul of meer markdown-secties op H2 of H3, zonder andere koppen. Alle redactionele complexiteit zit in vijf concrete beslissingen.

Beslissing 1, Wat aanwijzen? Gouden regel: wijs enkel pagina's aan die u echt geciteerd wil zien. Niet de footer, niet de algemene voorwaarden, niet de privacypagina. "Op het GEO Rocket-portfolio mikken we op ongeveer 50 tot 200 prioritaire URL's per site in de llms.txt, geen 5.000", stelt Lorenzo Eeman, oprichter van PROEMA. De selectie is redactioneel, niet exhaustief.

Beslissing 2, Welke sectiegranulariteit? Knip per coherent thematisch silo. Voor expertcafe.be: « Specialiteiten », « Oorsprongen », « Extractiemethodes », « Glossarium », « FAQ ». Elke sectie opent met een H2, bevat een introductie van één zin, daarna een markdown-lijst met links met titel + korte beschrijving (10-15 woorden). Het LLM moet de linkwaarde kunnen vatten zonder te klikken.

Beslissing 3, Heeft u een llms-full.txt nodig? Ja, zodra de nuttige documentatie meer dan 30 pagina's bedraagt. Het tweede bestand bevat uw volledige content in vlakke markdown, in logische volgorde, voor directe LLM-ingestie. Het dient wanneer de motor het lange-contextpad neemt.

Beslissing 4, Versiebeheer en deploy in CI. Het bestand moet automatisch gegenereerd worden bij elke sitebuild, vanuit dezelfde bron als de pagina's. Anders gegarandeerde drift binnen 3 maanden. Op het GEO Rocket-portfolio wordt llms.txt gegenereerd door een Python-script dat de sitemap scant, inclusieregels toepast en markdown schrijft.

Beslissing 5, Behandel het niet als alleenstaand product. Geen enkele antwoordmotor (OpenAI, Anthropic, Google, Perplexity) heeft in 2026 publiek bevestigd llms.txt te consumeren tijdens crawl of retrieval. De waarde is indirect: disciplinesignaal, redactionele structuur, eenvoudiger audit. Koppel de uitrol van llms.txt altijd aan een schone robots.txt (die GPTBot, OAI-SearchBot, Claude-SearchBot, PerplexityBot, Google-Extended scheidt) en een dichte Schema.org-voetafdruk. Zonder die basis koopt llms.txt niets.

Tegenintuïtief inzicht. Van 500 llms.txt-bestanden die PROEMA in april 2026 verzamelde, overschreed 63 % de 8 000 tokens en bevatten ze marketingsecties zonder informatieve waarde. LLM's (volgens publieke Anthropic- en OpenAI-documentatie over effectieve context-vensters) reduceren die bestanden tot zwakke signalen. Een llms.txt onder 2 000 tokens, gestructureerd in Markdown-vermeldingen, scoort beter op recall.