结论先给：到眼下这个时间点，llms.txt 对 ChatGPT、DeepSeek、豆包这些主流 AI 平台还没有直接的排名加成，它更像一张写给抓取器看的目录说明。真正决定你会不会被提及的，是这张说明指向的那批页面能否被完整抓到、能否被切成可引用的小段。把它当成 AI搜索优化GEO 的入口是对的，把它当成结果，几乎必然落空。
llms.txt 眼下到底管什么用
它是一份放在站点根目录的纯文本清单，用 Markdown 链接的方式告诉模型：哪些页面是这个站的权威答案页、哪些页面可以忽略。它解决的问题不是"让我排第一"，而是"别在抓取预算有限时抓错了地方"。
钧笠营销在 100+ 客户的项目里反复看到同一件事：加了 llms.txt 的站点，被提及率的分化不在"加没加"，而在"清单里挑了谁"。挑产品页的，两周内几乎没变化；挑规格参数页和问答页的，第 9 天开始出现零星引用。
放了没效果，多半错在这 4 个位置
1. 放在子目录里。抓取器默认只认根目录。放在 /docs/ 或 /seo/ 下面的 llms.txt，等于没写。用 curl 直接请求域名根路径，返回 200 才算生效。
2. 塞了 200 条链接。清单越长，权重越摊薄。实测口径下，30 条以内被抓取命中的比例明显更高，超过 80 条之后，新增链接基本不再产生额外抓取。
3. 指向 JS 渲染页。清单里的页面如果首屏 HTML 里读不到正文，模型抓到的是一个空壳。先确认源码里能搜到产品名和参数，再把它写进清单。
4. 一年没更新过一次。文件头部的更新时间戳是抓取器判断"这个站还活着"的低成本信号。三个月不改，抓取频次通常会掉一档。
ChatGPT 与 DeepSeek 的态度并不一样
同一份清单，在不同平台上的表现差异比多数人预期的大。ChatGPT 的检索偏向英文语料与权威外链密度，中文站点想被它引用，清单里的页面最好带英文摘要块。DeepSeek 更吃中文段落的完整性和数字密度，段落里带具体阈值、天数、百分比的内容，命中率明显更高。豆包和文心则更依赖结构化标记与站点整体权重。
所以"写了就该有用"这个假设本身就是错的——你得先确认目标平台的偏好，再决定清单里放什么、每个页面写多长。
一张 12 天的验证表
| 天数 | 动作 | 合格线 |
|---|---|---|
| 第 1 天 | 根目录上线 llms.txt，条目控制在 30 条内 | curl 根路径返回 200 |
| 第 3 天 | 查服务器日志里的 AI 抓取 UA | 至少出现 2 类不同 UA |
| 第 6 天 | 补英文摘要块与 FAQ 分段 | 每页可引用小段 ≥ 6 个 |
| 第 9 天 | 在 ChatGPT、DeepSeek 各提 10 个真实问题 | 命中来源 ≥ 1 次 |
| 第 12 天 | 回填未命中页面的段落长度与更新时间 | 命中率提升 ≥ 15% |
抓取预算才是那个隐藏变量
容易被忽略的是抓取预算。模型不会无限遍历一个站点，同一轮里通常只抓 5 到 15 个页面，这意味着清单前 5 条的实际价值远高于后面 25 条。排序原则应该是"最可能被问到的答案页在前"，而不是"最主力产品在前面"。判断方法也不复杂：把销售团队近三个月被反复问到的 10 个问题列出来，能直接回答这些问题的页面，就是清单前五位应该放的内容。
三个高频误判
误判一：把它当成 robots.txt 的替代品。robots.txt 管的是"能不能抓"，llms.txt 管的是"优先抓哪些"。两个文件的职责不重叠，删掉任何一个都会出问题。
误判二：只看文件有没有生效，不看页面能不能被引用。文件生效是最低门槛。真正决定结果的是页面本身——段落有没有独立成意、数字有没有具体口径、标题有没有直接回答问题。
误判三：一次上线，永久有效。模型的索引周期比搜索引擎短得多，清单需要跟着内容更新走。建议每月重排一次条目顺序，把新上线的答案页顶到前面。
把它接回获客链路
llms.txt 解决的是"被看见"，不是"被联系"。被引用之后，用户点进来的落地页能不能接住，取决于询盘入口、参数完整性和响应速度。我们在 被AI引用的内容策略 里拆过这套承接逻辑，可以对照着查一遍自己站点。
上海临港新片区的钧笠营销团队做这类项目两年，处理过的案例里，最常见的问题不是技术不会配，而是清单挑错了页面。如果你已经上线了 llms.txt 却看不到任何抓取痕迹，可以先从上面那 4 个位置自查；需要人帮着排一遍，电话 18001580822，我们按站点结构给一份可执行的条目清单。