O que é o arquivo llms.txt e para que serve

O llms.txt é um arquivo em Markdown servido na raiz de um domínio, no endereço seusite.com/llms.txt, que descreve em texto limpo quem é a organização, o que ela publica e quais páginas merecem leitura. Serve a modelos de linguagem e a agentes que fazem requisição direta ao domínio, como Claude, ChatGPT, Perplexity e Gemini via API. Ele existe porque um site comum entrega ao robô um HTML cheio de menu, banner, script e chamada comercial, no qual o fato canônico da entidade fica diluído entre dezenas de elementos que não descrevem nada. A proposta é de Jeremy Howard, da Answer.AI, publicada em llmstxt.org em 2024, e não tem status normativo: não é padrão da W3C nem da IETF.

Não. No Google Search I/O de 20 de maio de 2026, o Google declarou que o llms.txt não é sinal de ranking nem requisito de indexação para o Google Search. Para as superfícies do Google, a fonte canônica continua sendo o par sitemap.xml mais robots.txt. Este domínio registra a mesma delimitação no cabeçalho do próprio arquivo que publica, em alexandrecaramaschi.com/llms.txt, justamente para que a presença do arquivo não seja lida como promessa de busca. Quem vende llms.txt como item de checklist de SEO está oferecendo um resultado que a especificação nunca prometeu.

Os dois arquivos ficam na raiz do domínio e resolvem problemas opostos. O robots.txt governa permissão: diz a cada user-agent o que ele pode e o que ele não pode buscar, e tem status normativo desde que a IETF o publicou como RFC 9309, em 2022. O llms.txt governa descrição: diz ao modelo quem é a entidade e onde está o conteúdo que vale ler, e continua sendo uma proposta sem órgão de padronização por trás.

A consequência prática dessa assimetria aparece na ordem de execução. Um robots.txt que bloqueia GPTBot, ClaudeBot, PerplexityBot ou Google-Extended anula qualquer llms.txt, porque a permissão vem antes da descrição. Auditar os dois na ordem errada é o motivo mais comum de um projeto declarar o arquivo publicado e não observar leitura nenhuma nos logs.

O llms.txt é o índice: nome da entidade, resumo curto e listas de links com uma linha de descrição cada. O llms-full.txt é a expansão, com o corpo do conteúdo concatenado em texto puro, para o caso em que o próprio conteúdo é o produto.

O critério de decisão é o tipo de ativo. Publique só o índice quando o valor está nas páginas e você quer que o modelo vá até elas, que é o caso de site institucional, consultoria e portfólio. Publique também a versão completa quando a base de conhecimento é o ativo, como documentação técnica, glossário e curso, e quando servir alguns megabytes de texto não pesa na infraestrutura. Este domínio serve os dois, e o índice está na versão 20.7, atualizada em 29 de agosto de 2026, com 163.621 bytes.

A especificação em llmstxt.org pede uma estrutura enxuta: um H1 com o nome da entidade, um bloco de citação com o resumo em uma ou duas frases, prosa opcional de contexto e seções H2 com listas de links no formato título, URL e descrição de uma linha.

O que a especificação não cobre, e que decide o resultado, é a escolha do que entra. Priorize o fato canônico que o modelo erra hoje: razão social, cargo atual de quem assina, cidade, categoria de atuação, publicações com identificador aberto e as três ou quatro páginas que respondem as perguntas que a sua categoria realmente recebe. Um arquivo com 40 links genéricos ensina menos que um com oito links e um fato preciso por linha.

Três verificações, em ordem de custo. A primeira é o log do servidor filtrado por user-agent nos últimos 30 dias, procurando GPTBot, ClaudeBot, PerplexityBot e Google-Extended na rota /llms.txt. A segunda é o validador oficial em llmstxt.org/validator, que confere sintaxe e evita o erro silencioso de um arquivo bem escrito e mal formatado. A terceira é perguntar ao próprio modelo sobre a marca e comparar a resposta com o que está escrito no arquivo.

Uma ressalva que muda a leitura do resultado: ausência de hit no log não é prova de que o arquivo não foi usado, porque conteúdo servido por CDN pode responder sem chegar à origem e parte do tráfego de agentes não se identifica. O log serve para confirmar leitura, não para negá-la.

Não há evidência pública de ganho causal de citação atribuível ao arquivo isolado, e a regra que aplico é tratá-lo como sinalização, nunca como contrato de citação. O experimento mais próximo com desenho sério mediu outro artefato técnico e vale como referência de padrão: a Ahrefs acompanhou 1.885 páginas que adicionaram JSON-LD entre agosto de 2025 e março de 2026, contra quase 4.000 páginas de controle pareadas, e encontrou queda relativa de 4,6% em AI Overviews e ganhos indistinguíveis de zero em AI Mode e ChatGPT.

Schema e llms.txt são artefatos diferentes e o achado não se transfere de um para o outro, mas ele ensina onde procurar. No benchmark controlado de Aggarwal e colegas, das universidades de Princeton, Georgia Tech, IIT Delhi e do Allen Institute for AI, apresentado na KDD 2024 (arXiv 2311.09735), o que elevou a visibilidade de uma fonte na resposta generativa em até cerca de 40% foram três intervenções no corpo do texto: citar fontes, incluir estatística e trazer citação direta atribuída. Nenhuma delas mora num arquivo de raiz.

Vale, sob dois critérios e sem promessa de citação. O primeiro: publique quando a sua entidade aparece descrita de forma divergente entre site, LinkedIn, imprensa e base pública, porque escrever a versão canônica em um arquivo único força uma reconciliação que beneficia todas as superfícies, inclusive as que ignoram o arquivo. O segundo: publique quando a manutenção couber em minutos por mês dentro de um dono declarado.

Não publique se o arquivo vai nascer sem dono. Um llms.txt com o cargo antigo do fundador, o nome comercial anterior ou a cidade errada é pior que a ausência dele, porque entrega ao modelo uma fonte limpa, estruturada e errada, exatamente o formato que ele tende a reproduzir sem hesitar.

O rastreio. Na medição de 31 de agosto de 2026 da Brasil GEO, as 34 rotas pilar deste domínio foram inspecionadas na URL Inspection API do Google e dez voltaram com a resposta de URL não reconhecida e último rastreio nunca. Várias delas eram as páginas responsáveis por perguntas que o monitor de citação vinha registrando perdidas havia 14 dias, entre elas a página de conceito de Algorithmic Authority.

O diagnóstico fácil naquele momento era falta de conteúdo, e ele estava errado: a página existia em quase todos os casos. Enquanto o robô não abre a URL, nem o texto dela nem o arquivo que aponta para ela mudam o resultado. Reescrever a página que o buscador nunca leu é o trabalho mais caro e menos eficaz de um programa de GEO.

Cinco defeitos concentram a maior parte dos casos que já auditei.

1. Arquivo fora da raiz, servido em /docs/llms.txt ou atrás de uma rota de aplicação, onde nenhum agente procura.
2. Content-Type errado: o servidor devolve text/html e alguns clientes descartam o corpo antes de ler.
3. Links apontando para páginas bloqueadas no robots.txt, o que descreve para o modelo um conteúdo que ele não pode buscar.
4. Dado copiado à mão de outro arquivo e congelado: o cargo, a razão social ou a métrica mudam na fonte e sobrevivem no llms.txt por meses.
5. Ausência de data e versão no cabeçalho, o que impede qualquer auditoria posterior de saber se o arquivo está vivo ou abandonado.