llms.txt

KI-Systeme durchsuchen das Web nicht so wie Google. Sie haben kein unbegrenztes Gedächtnis, keinen endlosen Index. Sie haben ein Kontextfenster. Und das ist meistens kleiner als eine durchschnittliche Website. Genau dort kommt llms.txt ins Spiel: eine Markdown-Datei, die KI-Systemen erklären soll, was auf eurer Website relevant ist, bevor sie anfangen, sich selbst einen Reim darauf zu machen.

Warum llms.txt überhaupt existiert

Das Kontext-Window-Problem: Websites sind zu groß für KI-Modelle

Was KI-Crawler anders machen als Googlebots

Googlebots crawlen Websites systematisch, indexieren jeden Link, jede Seite, jede Variation und lagern das alles in einem massiven Suchindex. KI-Systeme funktionieren anders. Wenn ein KI-Assistent eine Frage beantwortet, zieht er Inhalte nicht aus einem Index ab, sondern lädt sie direkt in seinen Kontext. Dieser Kontext ist begrenzt: ein paar tausend Token pro Anfrage, je nach Modell und Anwendungsfall.

Ein typischer Unternehmens-Blog, eine Dokumentationsseite oder eine Produktwebsite übersteigt dieses Limit problemlos um das Zehn- bis Hundertfache. Das bedeutet: KI-Retrieval-Pipelines müssen Prioritäten setzen. Sie können nicht alles lesen, also wählen sie aus.

Wie KI-Assistenten Inhalte auswählen, wenn der Kontext begrenzt ist

Wenn kein geordnetes Inhaltsverzeichnis existiert, verlassen sich KI-Systeme auf das, was sie finden: HTML-Seiten voller Navigation, Cookie-Banner, Footer-Links und JavaScript-Strukturen, die für maschinelles Lesen schlecht geeignet sind. Jedes Token, das an einem Navigationsheader verbraucht wird, fehlt an anderer Stelle für verwertbaren Inhalt.

llms.txt liefert daher eine kuratierte Karte der wichtigsten Inhalte: priorisiert, kommentiert, in einem Format, das KI-Systeme direkt verarbeiten können.

Was ist llms.txt?

Definition: Eine Datei, die KI-Systemen erklärt, was auf eurer Website relevant ist

Wer hat den Standard vorgeschlagen? (Jeremy Howard, fast.ai)

Im September 2024 schlug Jeremy Howard, Mitgründer von Answer.AI und bekannt durch fast.ai, ein einfaches Format vor: eine Markdown-Datei namens llms.txt, die als maschinenlesbares Inhaltsverzeichnis einer Website dient. Die Idee: Websites stellen KI-Systemen selbst zusammen, was relevant ist. Strukturiert, verlinkt, beschrieben.

Inoffizielle Spezifikation, keine IETF-RFC: was das bedeutet

Wichtige Einordnung: llms.txt ist kein offiziell ratifizierter Standard. Es gibt keine IETF-RFC, keine verbindliche Spezifikation einer Normierungsorganisation. Die Spezifikation auf llmstxt.org ist ein Community-Vorschlag, verbreitet, aber nicht bindend. Das hat Konsequenzen für die Adoption, die wir später noch genauer betrachten.

Googles Position zu llms.txt

Google selbst betonen, dass eine spezielle llms.txt nicht notwendig ist um in der Google AI Suche aufgefunden zu werden.

You don't need to create new machine readable files, AI text files, markup, or Markdown to appear in generative AI search. Note that Google may discover, crawl, and index many kinds of files in addition to HTML on a website: this doesn't mean that the file is treated in a special way. Google Serach Console, 15.05.2026

Abgrenzung zu robots.txt und sitemap.xml

Alle drei Dateien existieren nebeneinander und ersetzen sich nicht gegenseitig. Sie lösen grundlegend verschiedene Probleme:

robots.txt: Zugang steuern

robots.txt ist die Zugangskontrolle. Hier entscheidet ihr, welche Crawler welche Teile eurer Website besuchen dürfen. llms.txt hat darauf keinen Einfluss.

sitemap.xml: Inhalte melden

Die sitemap.xml listet URLs auf: ohne Kontext, ohne Erklärung, ohne Priorisierung. Suchmaschinen nutzen sie zur Indexierung. KI-Systeme können sie theoretisch nutzen, aber eine Liste nackter URLs ohne Beschreibung ist für KI-Retrieval wenig hilfreich.

llms.txt: Bedeutung und Kontext vermitteln

llms.txt ergänzt beide Dateien um eine dritte Dimension: Es erklärt, was die Website tut, welche Inhalte relevant sind und wie diese zusammenhängen. Kein Zugangskontrollsystem, keine URL-Liste. Kuratierter Kontext.

Wie eine llms.txt aufgebaut ist

Das Markdown-Format im Überblick

Die Datei ist reines Markdown. Keine spezielle Syntax, keine proprietären Tags. Der Aufbau folgt einer einfachen Hierarchie:

H1: Name und Zweck der Website (erste Zeile)

Die erste Zeile ist eine H1-Überschrift mit dem Namen der Website oder des Unternehmens. Direkt danach: eine knappe, faktische Beschreibung, was die Website tut.

Blockquote: kurze, faktische Beschreibung der Website

Unter der H1 steht ein Blockquote (>), der in 2-3 Sätzen erklärt, wer ihr seid, was ihr anbietet und für wen. Keine Marketing-Sprache, kein Adjektiv-Versprechen. Das ist die Selbstbeschreibung für KI-Systeme, und die sollte präzise sein.

H2-Abschnitte: thematische Gruppen mit Link-Listen

Der Hauptteil besteht aus H2-Abschnitten, die inhaltliche Cluster bilden: Produkte, Dienstleistungen, Über uns, Dokumentation, Blog. Jeder Abschnitt enthält Markdown-Links mit kurzen Beschreibungen, was der Leser (oder das Modell) dort findet.

Optionale Abschnitte: Für KI-Assistenten

Ein optionaler Abschnitt kann Query-Muster auf spezifische URLs mappen: zum Beispiel "Wenn jemand nach Preisen fragt, verweist auf /preise." Das ist spekulativ und wird derzeit von keinem bekannten System ausgewertet, schadet aber auch nicht.

Kommentiertes Beispiel: So sieht eine sauber strukturierte llms.txt aus

# Muster GmbH

> Muster GmbH ist eine Steuerberatungskanzlei in München, spezialisiert auf Freiberufler und kleine Unternehmen. Wir beraten zu Einkommensteuer, Umsatzsteuer und Jahresabschluss.

## Leistungen

- [Einkommensteuer für Freiberufler](/leistungen/einkommensteuer-freiberufler): Steuererklärung, Vorauszahlungen, Abzugsmöglichkeiten
- [Umsatzsteuer](/leistungen/umsatzsteuer): Voranmeldung, Jahreserklärung, EU-Handel
- [Jahresabschluss](/leistungen/jahresabschluss): Bilanz, EÜR, Gewinnermittlung

## Über uns

- [Team](/ueber-uns/team): Unsere Steuerberater und Qualifikationen
- [Kanzlei](/ueber-uns): Geschichte, Standort, Öffnungszeiten

## Kontakt

- [Termin vereinbaren](/kontakt): Online-Buchung, Erreichbarkeit, Adresse

Was jede Zeile leistet (und warum sie so formuliert ist)

Die Beschreibungen hinter den Links sind entscheidend. "Einkommensteuer für Freiberufler" allein sagt wenig: "Steuererklärung, Vorauszahlungen, Abzugsmöglichkeiten" gibt dem KI-System den Kontext, um zu entscheiden, ob dieser Link für eine spezifische Nutzeranfrage relevant ist.

Markdown-Syntax: Verweis auf die offizielle Dokumentation

Die vollständige Spezifikation findet ihr auf llmstxt.org. Die Syntax ist bewusst minimal gehalten: wer Markdown kann, kann llms.txt schreiben.

Platzierung: yourdomain.com/llms.txt im Root-Verzeichnis

Die Datei muss im Root-Verzeichnis liegen: yourdomain.com/llms.txt. Nicht in einem Unterordner, nicht unter einer anderen URL. KI-Systeme, die llms.txt suchen, tun das standardmäßig am Root-Pfad.

Datei-Größe: Warum unter 50 KB entscheidend ist

Haltet die Datei unter 50 KB, besser unter 15 KB. Der Grund ist derselbe wie das Problem, das llms.txt lösen soll: Kontextfenster sind begrenzt. Eine 200-KB-Datei, die vollständig in einen Kontext geladen werden soll, wird schlicht abgeschnitten. Dann landet das Wichtigste vielleicht gar nicht beim Modell. Kuratierung ist hier der Kernmechanismus, kein Nice-to-have.

llms.txt Schritt für Schritt einrichten

Schritt 1: Inhalte auswählen

Was in eine llms.txt gehört (klare Kriterien)

Rein gehört, was einem KI-System hilft zu verstehen, wer ihr seid und was ihr anbietet:

• Hauptleistungsseiten oder Produktseiten
• Die wichtigsten Ratgeber- oder FAQ-Seiten
• Kontakt- und Standortinformationen
• Über-uns-Seite (kurze, faktische Beschreibung des Unternehmens)
• Preisseiten, wenn vorhanden: Transparenz bei Preisen ist ein Faktor, warum Seiten häufiger in KI-Antworten auftauchen

Was NICHT in eine llms.txt gehört (und warum das Vertrauen kostet)

Nicht rein gehört:

• Datenschutzerklärung, Impressum, AGB: KI-Systeme brauchen das nicht, und es belegt Platz
• Archivierte oder veraltete Inhalte
• Duplicate Content oder sehr ähnliche Seiten
• Alles, was ihr robots.txt als disallow markiert habt

Wer Seiten in llms.txt auflistet, die inhaltlich widersprechen oder nicht mit dem Rest der Website übereinstimmen, schadet sich selbst. Nicht dem KI-System.

Interne Widersprüche als Fehlerquelle: llms.txt vs. About-Seite

Ein häufiger Fehler: die llms.txt beschreibt das Unternehmen anders als die About-Seite oder die Startseite. KI-Modelle, die beide lesen, erhalten inkonsistente Signale. Das Problem betrifft Entity-Disambiguierung, also die Frage, ob das Modell eindeutig versteht, wer ihr seid. Konsistenz zahlt hier direkt ein.

Schritt 2: Datei erstellen und mit Inhalt befüllen

Max. 20-50 Links, klare Sprache, keine Marketing-Floskeln

Haltet euch an 20-50 Links maximal. Mehr bedeutet: weniger Kontrolle darüber, was das Modell als wichtig einstuft. Jeder Link braucht eine kurze, sachliche Beschreibung. Keine Adjektive, keine Versprechen, kein "umfassender Ratgeber". Schreibt so, wie ihr eine Tabelle befüllen würdet.

Entity-Disambiguierung: Den KI-Modellen klar machen, wer ihr seid

Wenn euer Unternehmensname mehrdeutig ist oder mit einem anderen Unternehmen, einer Person oder einem Begriff verwechselt werden kann, dann klärt das im Blockquote. "ZODA Media ist eine Online-Marketing-Agentur aus Köln" ist präziser als "Wir sind eine Agentur". KI-Systeme nutzen diese Information, um euch als Entität korrekt einzuordnen.

Schritt 3: Datei hochladen und Abrufbarkeit prüfen

Ladet die Datei ins Root-Verzeichnis eures Webservers. Anschließend prüft ihr, ob sie abrufbar ist: yourdomain.com/llms.txt im Browser aufrufen. Die Datei sollte als Plaintext erscheinen, nicht als Download. Wenn euer Server die Datei nicht als Text/Markdown ausliefert, müsst ihr den MIME-Type in eurer Serverkonfiguration anpassen.

Schritt 4: CMS-Integration (Yoast SEO, Rank Math)

Für WordPress-Websites ist die Einrichtung inzwischen weitgehend automatisiert. Yoast SEO und Rank Math bieten native llms.txt-Unterstützung: Yoast generiert die Datei ohne Konfigurationsaufwand, Rank Math aktiviert das Modul über das Dashboard. Beide Plugins respektieren noindex-Einstellungen und schließen entsprechende Seiten automatisch aus.

Pflege und Aktualisierungsrhythmus: Wann muss die Datei aktualisiert werden?

Wann immer sich das Kernangebot ändert, neue wichtige Seiten hinzukommen oder Seiten entfernt werden. Für die meisten Websites ist eine Prüfung alle drei bis sechs Monate ausreichend. Wer ein CMS-Plugin nutzt, bekommt die Aktualisierung oft automatisch. Manuell erstellte Dateien müssen entsprechend im Redaktionskalender stehen.

Adoptionsstatus: Was wirklich los ist

Kein großer LLM-Anbieter hat den Standard formell übernommen

Hier ist die ehrliche Einordnung: Kein großer LLM-Anbieter hat sich formell zur Nutzung von llms.txt verpflichtet. OpenAI, Google, Anthropic und Perplexity haben keine öffentliche Erklärung abgegeben, die llms.txt als Signal oder Eingabe in ihre Retrieval-Systeme bestätigt.

Wer llms.txt trotzdem schon führt: Anthropic, Cloudflare, Mintlify, Zapier

Interessant ist, wer die Datei trotzdem nutzt: Anthropic selbst führt eine llms.txt für ihre gesamte API-Dokumentation, über 1.400 Seiten, strukturiert nach Themenblöcken wie Messages API, Managed Agents und Compliance. Cloudflare, Mintlify und Zapier haben ebenfalls llms.txt-Dateien. Das sind keine kleinen Websites. Die Adoption kommt vor allem aus der Entwickler-Dokumentations-Welt, wo der Nutzen am klarsten ist: Wenn Entwickler KI-Assistenten zur Code-Hilfe nutzen, ist eine geordnete Dokumentationsübersicht unmittelbar praktisch.

Perplexity als einziger bestätigter Nutzer: was das konkret bedeutet

Perplexity gilt als einzige KI-Suchmaschine, bei der eine Nutzung von llms.txt plausibel belegt ist. Die Plattform hat selbst eine llms.txt-Datei veröffentlicht und signalisiert damit, dass sie das Format kennt und einsetzt. Ob PerplexityBot llms.txt-Dateien anderer Websites proaktiv abruft, ist weniger klar: Log-Analysen aus 2025 zeigen, dass auch PerplexityBot die Datei selten direkt anfragt.

Was Google dazu sagt: John Mueller und der Vergleich mit dem Keywords-Meta-Tag

Google hat sich klar positioniert. Gary Illyes erklärte im Juli 2025 beim Search Central Deep Dive: "Google doesn't support LLMs.txt and isn't planning to." John Mueller hatte zuvor verglichen, dass llms.txt wie der Keywords-Meta-Tag sein könnte: ein Format, das irgendwann existierte, aber von Suchmaschinen schlicht ignoriert wird.

llms.txt und Google Search: kein direkter Einfluss auf Rankings

Für Rankings in Google Search, inklusive AI Overviews, gilt: normale SEO-Praktiken. llms.txt hat keinen direkten Einfluss auf Google-Rankings. Das sagt Google offiziell.

Was das für die Priorisierung bedeutet

Wer llms.txt primär mit Google-Rankings verknüpft, wird enttäuscht. Wer es als Teil einer breiteren GEO-Strategie betrachtet, speziell für nicht-Google-KI-Systeme, hat eine realistischere Erwartungshaltung.

llms.txt im GEO-Kontext: Einordnung ins größere Bild

Was ist Generative Engine Optimization (GEO)? Kurzer Abriss

Generative Engine Optimization ist die strategische Optimierung von Inhalten, damit KI-Systeme diese verstehen, extrahieren und zitieren können. Während SEO auf Google-Rankings abzielt, adressiert GEO Sichtbarkeit in KI-Antworten: in ChatGPT, Perplexity, Claude, Gemini, AI Overviews. Die Frage lautet nicht mehr nur "rankt meine Seite auf Platz 1", sondern auch "wird meine Seite zitiert, wenn jemand das Thema in einer KI-Suche abfragt".

Wie sich llms.txt zu anderen GEO-Signalen verhält

Strukturierte Daten (Schema.org) und llms.txt: verschiedene Ebenen

Schema.org-Markup funktioniert auf Seitenebene: Es beschreibt einzelne Seiten, Produkte, Ereignisse, Artikel, maschinenlesbar, für Suchmaschinen und KI-Systeme. llms.txt funktioniert auf Website-Ebene: Es beschreibt, was die gesamte Domain ist und welche Bereiche wichtig sind. Beides ergänzt sich, keines ersetzt das andere.

E-E-A-T und Erwähnungen in Fachpublikationen

E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) bleibt ein zentrales Signal für KI-Sichtbarkeit. KI-Systeme zitieren bevorzugt Quellen, die als vertrauenswürdig gelten, was zu großen Teilen durch Erwähnungen in Fachpublikationen, verlinkende Autorität und nachweisbare Expertise bestimmt wird. llms.txt kann das unterstützen, indem es auf die stärksten E-E-A-T-Signale verweist. Aber es schafft keine Autorität, die noch nicht vorhanden ist.

Preistransparenz als GEO-Signal: Warum Seiten mit Preisangaben häufiger zitiert werden

Seiten, die Preise klar ausweisen, werden in KI-Antworten häufiger zitiert. Das ist ein beobachtbares Muster in GEO-Analysen. Wenn jemand fragt "Was kostet ein Steuerberater in München?", zieht ein KI-System die Seiten vor, die eine klare Antwort geben. Preistransparenz ist also nicht nur ein UX-Thema, sondern auch ein GEO-Signal. Wenn eure Preisseite zu den wichtigsten Seiten gehört (und das tut sie bei den meisten Unternehmen), dann gehört sie in die llms.txt.

RAG, CAG und llms.txt: kurze technische Einordnung

Retrieval-Augmented Generation (RAG) ist das Verfahren, bei dem KI-Systeme externe Inhalte abrufen, bevor sie eine Antwort generieren. Der Retriever sucht relevante Dokumente, lädt sie in den Kontext, das Modell antwortet auf Basis dieser kombinierten Eingabe. llms.txt kann hier als Navigationshilfe für RAG-Systeme dienen: Es zeigt dem Retriever, welche URLs relevant sind, ohne dass er die gesamte Website scannen muss.

Cache-Augmented Generation (CAG) geht einen anderen Weg: Statt bei jeder Anfrage zu retrieven, werden Inhalte vorab in den Kontext geladen und gecacht. Für CAG-Systeme, die Dokumentationen oder Wissensdatenbanken vorab indexieren, ist llms.txt eine direkte Einstiegshilfe. Für vertiefende technische Dokumentation: AWS zu RAG.

Wie erkennst du, ob deine llms.txt gecrawlt wird?

Server-Log-Analyse: Schritt-für-Schritt-Anleitung

Der einzige verlässliche Weg zu wissen, ob KI-Crawler eure llms.txt abrufen, sind Server-Logs. Kein Tool gibt euch diese Transparenz. Nur eure eigenen Logs.

Welche Log-Einträge relevant sind

Öffnet eure Access-Logs (bei Apache: access.log, bei Nginx: access.log im /var/log/nginx/-Verzeichnis, bei Hosting-Anbietern oft über das Verwaltungspanel abrufbar). Sucht nach GET-Anfragen auf /llms.txt. Ein typischer Eintrag sieht so aus:

203.0.113.45 - - [12/May/2026:08:42:11 +0200] "GET /llms.txt HTTP/1.1" 200 4231 "-" "GPTBot/1.0"

UA-Strings der bekannten AI-Crawler

Für die Suche in Logs sind diese User-Agent-Strings relevant:

Mit grep lässt sich das direkt auf der Kommandozeile auswerten:

grep -i "gptbot\|claudebot\|perplexitybot\|google-extended" /var/log/nginx/access.log | grep "llms.txt"

Was ein Abruf bedeutet und was er nicht bedeutet

Ein Crawler-Abruf auf llms.txt bedeutet: die Datei wurde gelesen. Nicht mehr. Ob der Inhalt genutzt wurde, ob KI-Antworten davon beeinflusst wurden, ob euer Ranking irgendwo gestiegen ist, das lässt sich daraus nicht ableiten. Der Zusammenhang zwischen llms.txt-Vorhandensein und KI-Zitierungen ist bisher statistisch nicht belegbar: Eine Analyse von rund 300.000 Domains zeigte keine signifikante Korrelation. Das ist kein Argument gegen llms.txt, aber ein Argument gegen überzogene Erwartungen.

Lohnt sich llms.txt, und wo steht es in der SEO-Prioritätenliste?

Aufwand vs. Nutzen: Warum es kaum Argumente gegen eine llms.txt gibt

Der Aufwand ist gering: eine Markdown-Datei, 30-60 Minuten Arbeit, einmal im Jahr überprüfen. Wer WordPress nutzt, ist mit Yoast oder Rank Math in wenigen Klicks fertig. Der potenzielle Nutzen liegt nicht im messbaren Traffic-Effekt heute, sondern liegt darin, dass llms.txt schonmal Infrastruktur für eine Welt bereithält, in der KI-Systeme Web-Inhalte zunehmend strukturiert verarbeiten. Eine Studie über 10 Websites über 90 Tage zeigte, dass 8 von 10 keine messbare Veränderung nach llms.txt-Implementierung verzeichneten. Bei dem Aufwand ist das aber kein Gegenargument.

Wann llms.txt weniger Sinn macht

Für sehr kleine Websites mit 5-10 Seiten ist der Zusatznutzen minimal: Eine einzelne Seite können KI-Systeme auch ohne Navigationshilfe lesen. Wer nur auf Google-Rankings optimieren will, investiert die Zeit besser in klassisches On-Page-SEO, technisches SEO oder Linkbuilding. llms.txt löst ein Problem, das erst dann spürbar wird, wenn eine Website eine gewisse Breite und Komplexität hat.

Wo llms.txt in der SEO-Priorisierung steht: nach Basics, vor Experimenten

Die Reihenfolge sollte stimmen. Erst: technisches SEO, saubere Seitenstruktur, schnelle Ladezeiten, strukturierte Daten, starke Inhalte. Dann: llms.txt, als Teil einer GEO-Strategie. Danach erst: spekulative Experimente ohne nachweisbaren Effekt.

Drei Vorlagen für die Praxis

Vorlage 1: Lokaler Handwerksbetrieb in Köln

Was eine lokale llms.txt leisten muss (Geo-Entitäten, Leistungsübersicht, Einzugsgebiet)

Bei lokalen Unternehmen sind Geo-Entitäten entscheidend: Standort, Einzugsgebiet, Stadtteile. KI-Systeme, die lokale Anfragen beantworten, brauchen diese Information, um das Unternehmen geografisch korrekt einzuordnen.

# Maler Schmitz Köln

> Maler Schmitz ist ein Malerbetrieb in Köln-Ehrenfeld, spezialisiert auf Innenraumgestaltung, Fassadenarbeiten und Renovierung. Wir arbeiten in Köln und im Rhein-Erft-Kreis.

## Leistungen

- [Innenraumgestaltung](/leistungen/innenraumgestaltung): Wände, Decken, Tapezierarbeiten, Raumgestaltung
- [Fassadenarbeiten](/leistungen/fassade): Fassadenanstrich, Sanierung, Wärmedämmputz
- [Renovierung](/leistungen/renovierung): Küchen, Bäder, Altbaurenovierung

## Standort und Einzugsgebiet

- [Standort und Kontakt](/kontakt): Adresse Köln-Ehrenfeld, Telefon, Erreichbarkeit
- [Einzugsgebiet](/ueber-uns/einzugsgebiet): Köln, Bergisch Gladbach, Leverkusen, Rhein-Erft-Kreis

## Über uns

- [Betrieb und Team](/ueber-uns): Seit 1998 in Köln, Meisterbetrieb, 8 Mitarbeiter

Vorlage 2: B2B-Solarunternehmen

Schwerpunkte: Produkte, Zielgruppe, USPs, Downloadmaterial

B2B-Zielgruppen stellen andere Fragen: Leistungsumfang, technische Specs, Referenzen, Zertifizierungen. Diese gehören in die llms.txt, um bei Anfragen wie "Welche Solaranbieter für Gewerbebetriebe gibt es?" relevant zu sein.

# SolarPro GmbH -- Gewerbliche Photovoltaik

> SolarPro GmbH plant und installiert Photovoltaikanlagen für Gewerbe und Industrie in Deutschland. Schwerpunkte: Dachflächen über 100 kWp, Direktvermarktung und Eigenverbrauchsoptimierung.

## Produkte und Leistungen

- [Gewerbliche PV-Anlagen](/leistungen/gewerbe): Planung, Installation, Netzanmeldung für Anlagen ab 50 kWp
- [Direktvermarktung](/leistungen/direktvermarktung): Vermarktung von Überschussstrom, PPA-Modelle
- [Monitoring und Wartung](/leistungen/monitoring): Ertragskontrolle, Fernüberwachung, Wartungsverträge

## Zielgruppen

- [Industrie und Produktion](/branchen/industrie): Lösungen für produzierende Unternehmen
- [Logistik und Lager](/branchen/logistik): Große Dachflächen, hoher Eigenverbrauch

## Referenzen und Downloads

- [Referenzprojekte](/referenzen): Abgeschlossene Projekte mit Anlagengröße und Ertrag
- [Technisches Datenblatt (PDF)](/downloads/datenblatt-pv-gewerbe): Specs, Komponenten, Garantiebedingungen

## Kontakt

- [Anfrage stellen](/kontakt): Formular für Projektanfragen, Ansprechpartner

Vorlage 3: Tierärztin (lokale Praxis)

Schwerpunkte: Leistungen, Tiere, Notfall-Infos, Standort

Lokale Praxen profitieren besonders von Notfall-Informationen in der llms.txt: Wer "Tierarzt Notfall [Stadt]" fragt, bekommt von KI-Systemen bevorzugt Ergebnisse, die diese Information klar bereitstellen.

# Tierarztpraxis Dr. Müller -- Hannover

> Tierarztpraxis Dr. Müller in Hannover-Linden. Behandlung von Kleintieren (Hunde, Katzen, Kleinsäuger). Notfallsprechstunde montags und donnerstags 18-20 Uhr.

## Leistungen

- [Vorsorge und Impfungen](/leistungen/vorsorge): Impfpläne, Wurmkur, Chip-Implantation
- [Operationen](/leistungen/operationen): Kastration, Tumoroperationen, Zahnbehandlung
- [Diagnostik](/leistungen/diagnostik): Ultraschall, Blutbild, Röntgen

## Notfall

- [Notfallsprechstunde](/notfall): Montags und donnerstags 18-20 Uhr, kein Termin nötig
- [Notfall-Kliniken Hannover](/notfall/kliniken): Liste von Tierkliniken mit 24h-Betrieb in der Region

## Standort und Öffnungszeiten

- [Kontakt und Anfahrt](/kontakt): Adresse, Telefon, Öffnungszeiten, Parkplätze

Weiterführende Dokumentation und Ressourcen

Offizielle llms.txt-Spezifikation (llmstxt.org)

Die Community-Spezifikation und aktuelle Entwicklungen findet ihr auf llmstxt.org. Dort ist auch dokumentiert, welche Projekte und Websites den Standard bereits implementiert haben.

Markdown-Dokumentation

Da llms.txt reines Markdown ist, empfiehlt sich bei Unklarheiten zur Syntax ein Blick in die Markdown-Dokumentation von John Gruber: die ursprüngliche Spezifikation.

Technische Vertiefung: RAG vs. CAG (für Developer-Zielgruppen)

Für technischere Einblicke in die Architektur hinter KI-Retrieval: AWS zu Retrieval-Augmented Generation, Promptingguide zu RAG-Techniken und für den CAG-Ansatz: Cache-Augmented Generation auf GitHub.