---
title: "llms.txt v2 實作指南：讓 AI Agent 找到正確內容，而不是只增加一個檔案"
description: "llms.txt v2 透過 link relation 與路徑範圍改善 Agent 發現內容的方式，但它不是 robots.txt，也不保證 AI 搜尋引用。本文提供可驗證的部署、內容治理與回歸檢查方法。"
canonical: "https://yotron-ai.com/blog/llms-txt-v2-agent-discovery-geo"
published: "2026-09-10"
last-updated: "2026-09-10"
---
# llms.txt v2 實作指南：讓 AI Agent 找到正確內容，而不是只增加一個檔案
llms.txt v2 透過 link relation 與路徑範圍改善 Agent 發現內容的方式，但它不是 robots.txt，也不保證 AI 搜尋引用。本文提供可驗證的部署、內容治理與回歸檢查方法。
`llms.txt` v2 的重點不是「再放一個 Markdown 檔案」，而是把 agent 的內容發現路徑變得可宣告、可分區、可測試。2026 年 8 月更新的提案，將發現方式從猜測網站根目錄，推進到頁面上的 link relation；這讓 `/docs/llms.txt` 可以只描述文件，而不必替整個網站背書。
但要先畫清楚邊界：`llms.txt` 不是 `robots.txt`，不控制存取，也不保證 AI 搜尋會引用列出的頁面。GEO 的實務目標應該是降低 agent 找錯內容、讀到過期版本或誤解權限的機率，並用請求紀錄與固定查詢驗證，而不是把檔案存在本身當成成效。
## v2 解決的是哪一個問題
傳統做法假設 agent 會主動請求 `/llms.txt`。這個假設有兩個缺口：第一，網站可以有多個內容區域，單一根目錄索引很快變長；第二，agent 不知道哪個 Markdown 索引對應目前正在閱讀的頁面。
v2 的方向是由頁面或 HTTP header 宣告兩種關係：
```html
```
這不是讓搜尋引擎自動給分的標記，而是內容發現的路由。正式部署前，應確認 HTML 版本、Markdown 版本與 canonical URL 指向同一個內容版本，且索引沒有把草稿、登入後頁面或已下架 URL 列進去。
## 三層內容契約
### 1. 頁面層：主內容仍是唯一真實來源
每一篇文章先做到公開、可索引、可讀取的 HTML。標題、定義、限制、日期與主要步驟不能只存在 `llms.txt`；索引的角色是縮短 agent 找內容的時間，而不是替文章保存完整事實。
```bash
curl -L -sS https://example.com/geo/guide \
| rg -n "|canonical|updated|限制"
```
若原始 HTML 沒有主要答案，先修正頁面，再補索引。否則只是把 agent 引導到一個仍然難以引用的目的地。
### 2. 區域索引層：每個索引只負責一個範圍
`/docs/llms.txt` 應描述文件；`/blog/llms.txt` 應描述文章。每一筆至少包含穩定 URL、短摘要、內容用途與更新日期。不要把關鍵字堆在摘要，也不要列出無法公開取得的內容。
```markdown
# YOTRON GEO 技術文章
## 引用驗證
- [GEO 頁面契約](/blog/geo-page-contract-ai-citation): 將主張、來源與引用正確性拆成可回歸欄位。更新：2026-09-08。
## 使用限制
- 本索引只列公開文章，不代表任何 AI 搜尋結果或引用保證。
```
### 3. 治理層：把發現、存取與訓練分開
`llms.txt` 列出 URL，不等於授權任何用途。存取政策應留在 `robots.txt`、WAF 或身份驗證層；搜尋引用、模型訓練、使用者觸發的即時 agent 存取，也應分別由組織政策決定。這個分離能避免編輯為了「讓 agent 看懂」而意外放寬不該公開的內容。
## 發布前的四個可驗證檢查
1. **發現**：文章 HTML 含有對應 `llms` 或 `llms-full` link relation，且 href 是絕對可取得的公開路徑。
2. **一致**：索引中的標題、摘要、更新日期與文章目前版本一致；每筆 URL 回傳預期狀態碼。
3. **範圍**：索引沒有草稿、重導向鏈、登入頁、個資或已刪除內容。
4. **回歸**：以固定查詢測試 agent 是否能從索引進入正確頁面，再檢查回答中的 URL、日期與限制是否忠於原文。
可以把結果保存成一張簡單表格：
```text
url,relation,index_url,status,title_match,claim_faithful,checked_at
/geo/guide,llms,/docs/llms.txt,200,true,true,2026-09-10
```
其中 `title_match` 只證明導覽一致；`claim_faithful` 才接近內容品質。不要把索引回傳 200 解讀為 AI 搜尋曝光增加。
## 與 RAG 內容治理一起使用
Meta Engineering 在 2026 年 9 月分享的組織知識系統，將可稽核的知識架構與 RAG 分開：穩定、常用的內容放在整理過的知識層，情境性規格與歷史紀錄則透過檢索取得。網站的 agent-readable 內容也可以採同樣思路：`llms.txt` 是導覽層，正式文章是可引用證據，變更紀錄與檢查結果則是治理層。
實作時，請為每次索引更新保留：
- 內容版本與 `updatedDate`。
- 被新增、移除或改寫的 URL。
- 執行時間、HTTP 狀態與 canonical 結果。
- 固定查詢中失敗的主張、引用 URL 與限制條件。
這讓團隊可以回答「agent 找不到內容」究竟是發現問題、索引過期、頁面不可取，還是答案引用錯誤，而不是籠統地說 GEO 沒有效果。
## 結論：先做可觀測的內容路由
llms.txt v2 值得測試，因為它把 agent 的內容發現從猜測路徑推進到可宣告關係與可分區索引；但它仍是內容導覽慣例，不是存取控制或引用保證。最小可行作法是：公開 HTML 先正確、每個區域建立短索引、頁面宣告對應關係、部署後測試請求與固定查詢，最後才比較引用品質是否變化。
## 來源與判讀界線
- [The `/llms.txt` file, v2](https://llmstxt.org/)（提案，2026-08-10 更新）：說明 link relation、路徑範圍與 Markdown 索引的設計方向。
- [Make a website easy for agents to find, read, and use](https://www.iamgeorgekelly.com/field-guide/agent-discoverability)（第三方實務指南，2026-09-05）：整理公開 HTML、結構化資料、Markdown、llms.txt 與工具契約的驗證觀點；本文採用其「沒有檔案能保證引用」的限制判讀。
- [An Organizational Second Brain](https://engineering.fb.com/2026/09/02/ml-applications/organizational-second-brain-ai-learns-from-experts/)（Meta Engineering，2026-09-02）：說明可稽核知識架構與 RAG 分層；本文將其類比到網站內容治理，不主張兩者是同一套規格。
本文的 link relation、回歸欄位與發布檢查是 YOTRON 的工程建議，不是上述來源宣告的排名因素或引用保證。實際結果仍會受 crawler、查詢、地區、登入狀態與索引更新影響。