تصور کنید یک مشتری بالقوه از یک دستیار هوش مصنوعی میپرسد که آیا خدمات شما برای کسبوکار او مناسب است یا خیر. اگر مدل زبانی نتواند مرزهای دقیق خدمات شما را تشخیص دهد، شما یک فرصت تجاری را از دست دادهاید. در واقع، نوشتن یک فایل llms.txt، فراتر از ابزاری برای تأثیرگذاری بر خزندهها، دربارهی این تصمیم است که دقیقاً تعریف کنید کسبوکار شما چیست.
بسیاری از شرکتها هویت خود را در لایههایی از اصطلاحات بازاریابی مبهم پنهان کردهاند و با درکی کلی و نامشخص از ماهیت خود فعالیت میکنند. در دنیایی که هوش مصنوعی زاینده (Generative AI) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — نقش فیلتر اصلی بین خریدار و فروشنده را ایفا میکند، نبود یک توصیف صادقانه و موجز، یک نقطه ضعف رقابتی است. این موضوع بهویژه زمانی اهمیت مییابد که «مرورهای هوش مصنوعی» (AI Overviews) و عاملهای هوشمند (Agents) به عنوان فیلتر اول بین ارائهدهنده خدمات و خریدار عمل میکنند.
به گزارش Contento Solutions — پلتفرمی که بر سئو و دیدهشدن در هوش مصنوعی برای کسبوکارهای خدماتی تمرکز دارد — استدلال اصلی این است که ارزش بنیادین این استاندارد پیشنهادی، در انضباط فکری است که به صاحب کسبوکار تحمیل میکند. کسبوکار خود را به عنوان یک «موجودیت دادهای» (Data Entity) تصور کنید. بیشتر بخشهای سایت شما برای انسانها یا خزندههای موتور جستوجو طراحی شده است، اما هیچکدام از این مخاطبان به یک خلاصه متنی صریح و بدون رتوش از مرزهای فعالیت شما نیاز ندارند. پیشنهاد فایل llms.txt که نخستین بار توسط جرمی هوارد در سپتامبر ۲۰۲۴ مطرح شد، این شکاف را پر میکند و یک خلاصه متنی ساده را بهطور خاص برای مدلهای زبانی فراهم میکند.
زمینه و بستر این پیشنهاد
باید بدانید که llms.txt در حال حاضر یک پیشنهاد است و نه یک استاندارد رسمی. طبق بررسی منابع متعدد، تا به امروز هیچیک از شرکتهای بزرگ هوش مصنوعی رسماً تأیید نکردهاند که مدلهایشان این فایل را میخوانند یا به آن اولویت میدهند. برخی ممکن است استدلال کنند که این موضوع تلاش برای ایجاد چنین فایلی را بیفایده میکند، اما این نگاه، هدف اصلی این تمرین را نادیده میگیرد.
واقعیت صادقانه این است که معمولاً یک قرارداد (Convention) پیشنهاد میشود، چند هزار سایت آن را میپذیرند و سازندگان مدلهای بزرگ درباره استفاده از آن سکوت میکنند. هر منبعی که ادعا کند پذیرش جهانی و تأیید شدهای برای این فایل وجود دارد، احتمالاً در حال فروش چیزی است. سؤال واقعی این نیست که آیا دستیاران هوش مصنوعی آن را میخوانند یا خیر، بلکه این است که آیا صرف یک ساعت از زمان شما برای نوشتن آن، با وجود این عدم قطعیت، ارزشمند است یا خیر. پاسخ مثبت است، زیرا این فایل به عنوان یک «تابع اجبار» (Forcing Function) عمل میکند.
برای نوشتن آن، شما باید در کمتر از هزار کلمه و بدون پوششهای تبلیغاتی بگویید چه میکنید، برای چه کسی هستید، برای چه کسی نیستید، چه هزینهای دریافت میکنید و چه ادعاهایی را هرگز نمیپذیرید. اکثر کسبوکارها هرگز این موارد را به صورت مکتوب ثبت نکردهاند. آنهایی که این کار را میکنند، معمولاً وبسایتهای شفافتری دارند، زیرا این وضوح به تمام صفحات دیگر سرایت میکند. در اینجا، فایل بخش ارزان ماجراست؛ اما «تصمیمگیری» پشت آن، دارایی واقعی است.
اکوسیستم ماشینخوان
برای درک جایگاه llms.txt، باید آن را از سه فایل دیگر که سایت شما را برای ماشینها توصیف میکنند متمایز کنید. اشتباه گرفتن اینها رایجترین خطا در این حوزه است. چهار فایل به چهار سؤال متفاوت پاسخ میدهند:
- robots.txt: توسط هر خزنده ای که بخواهد خوانده میشود. پاسخ میدهد: «آیا اجازه داری این مسیر را واکشی کنی؟» (بر اساس قراردادی طولانی مورد احترام است).
- sitemap.xml: توسط خزندههای جستوجو خوانده میشود. پاسخ میدهد: «چه چیزهایی اینجا وجود دارد و آخرین بار چه زمانی تغییر کرده است؟» (مورد احترام است).
- Schema (JSON-LD): توسط موتورهای جستوجو و دستیاران خوانده میشود. پاسخ میدهد: «این صفحه چیست (در قالب دادههای ساختاریافته)؟» (در صورتی که نوع داده پشتیبانی شود، مورد احترام است).
- llms.txt: برای مدلهای زبانی پیشنهاد شده است. پاسخ میدهد: «این کسبوکار چیست (در قالب نثر)؟» (تأیید نشده است).
دقت کنید که تنها یکی از این چهار مورد به زبان «نثر» است. اسکیما (Schema) برای حقایقی با شکل ثابت عالی است، اما برای چیزهایی که شکل ثابتی ندارند بیفایده است: مفاهیمی مثل قضاوت، دامنه فعالیت، موارد رد شده و تفاوتهای ظریف بین دو خدماتی که در لیست قیمتها یکسان به نظر میرسند. یک نقشه موجودیت (Entity Map) نیمی از دادههای ساختاریافته را مدیریت میکند؛ اما این فایل نیمی را مدیریت میکند که فقط در جملات زنده میماند.
چه مواردی باید در فایل گنجانده شود؟
این قرارداد از شما میخواهد یک فایل Markdown در مسیر /llms.txt قرار دهید که با یک عنوان H1 (نام کسبوکار) و یک نقلقول (Blockquote) که آن را خلاصه میکند، شروع شود. چون فرمت بعد از آن منعطف است، انضباط باید از جانب شما باشد. شش عنصر خاص شایستگی حضور در این فایل را دارند:
۱. جمله ضد-خلاصه (Paraphrase-Proof): فرض کنید یک مدل قرار است کل صفحه شما را برای یک غریبه در دو خط فشرده کند. این فشردهسازی را خودتان بنویسید. اگر خلاصه شما تنها در کنار بقیه صفحه معنا پیدا میکند، پس خلاصه نیست.
۲. تعریف مرزها: فقط لیست خدمات را ننویسید؛ لبهها را تعریف کنید. جملهای مانند «این یک آژانس عمومی نیست و رتبهبندیها، پکیجها یا حجم انبوه نمیفروشد» اطلاعات بیشتری به مدل میدهد تا شش مورد از قابلیتهای شما. تنها راهی که «انتخاب شدن» معنا پیدا کند، این است که ابتدا به درستی «رد شوید» (برای کسانی که مشتری شما نیستند).
۳. پروفایل خریدار: خریدار را با کلمات خودش توصیف کنید، شامل بخش صنعتی، اندازه کسبوکار و وضعیت فعلی. یک درمانگری که در حال افتتاح دومین مطب خود است، خوانندهای متفاوت از یک شرکت متشکل از نه حسابدار است. اگر فایل شما نتواند تفاوت این دو را تشخیص دهد، هوش مصنوعی هم نخواهد توانست.
۴. رفع ابهام از موجودیتها (Entity Resolution): نامها را به شکلی بنویسید که مردم معمولاً غلط مینویسند. اگر نام مؤسس دارای علامت خاص یا اکسان است، املای بدون آن را هم بنویسید و ذکر کنید که هر دو یک نفر هستند. این کار مانع از آن میشود که مدل شما را به دو «نیمهموجودیت» تقسیم کند که هرگز اعتبار کافی جمع نمیکنند.
۵. شرایط نقلقول: صراحتاً بگویید آیا یک دستیار هوش مصنوعی مجاز است از شما نقلقول کند، با چه طولی و با چه ارجاعی. سکوت، کمفایدهترین پاسخ است؛ اگر میخواهید نقلقول شوید، گفتن آن هزینهای ندارد.
۶. تماس مستقیم: مسیری برای ارتباط فراهم کنید که فرم نباشد (مثلاً یک آدرس متنی خوانا). چون فرمها اغلب توسط جاوااسکریپت رسم میشوند، ماشینی که صفحه شما را میخواند ممکن است هیچ راهی برای تماس با شما پیدا نکند.
انضباط در حذف (The Discipline of Omission)
شکست در نوشتن فایل llms.txt ناشی از حذف اطلاعات نیست، بلکه ناشی از نوشتن آن به سبک «پیشنهاد فروش» (Pitch) است. شما باید صفتهایی را که هرگز نمیتوانند شکست بخورند حذف کنید؛ کلماتی مثل «پیشرو»، «نوآور»، «مورد اعتماد» یا «نتیجهمحور». هر رقیبی این ادعاها را دارد، بنابراین هیچ سیگنالی ارسال نمیکنند. مدلی که ده کسبوکار در دسته شما را خلاصه میکند، ده جمله یکسان تولید خواهد کرد و بر اساس معیارهای دیگر برنده را انتخاب میکند.
علاوه بر این، اعدادی را که نمیتوانید در فضای عمومی از آنها دفاع کنید، حذف کنید. درصدی که روش اندازهگیریاش ذکر نشده، بدتر از نبود هیچ درصدی است، زیرا اولین کسی که منبع را بپرسد، متوجه میشود که هیچکس پاسخ را نمیداند. اگر عددی مهم است، توضیح دهید چگونه اندازهگیری شده است. اگر با ابزارهای شما صادقانه قابل اندازهگیری نیست، همین را بگویید. این تواضع نیست؛ بلکه اجتناب از ادعایی است که مجبور به دفاع از آن شوید.
در نهایت، هر چیزی را که خودِ وبسایت شما تکذیب میکند، حذف کنید. فایلی که ادعا میکند قیمتها شفاف هستند، در حالی که در سایت قیمتها «در صورت درخواست» اعلام میشوند، آسیبزنانتر از هر دو statement به تنهایی است. این ارزانترین حسابرسی (Audit) موجود است: فایل را بخوانید، سایت را بخوانید و هر کدام را که دروغ میگوید اصلاح کنید. همچنین، کل نقشه سایت (Sitemap) را حذف کنید. لیست تمام URLها متعلق به sitemap.xml است. شش یا هشت صفحه کلیدی همراه با یک خط توضیح درباره علت وجودشان، ارزشمندتر از هشتاد لینک بدون توضیح است.
اندازهگیری موفقیت بدون متریک
هیچ گزارشی برای این کار وجود ندارد. هیچ پنل کنسولی، هیچ تعداد Impression و هیچ خطی در آنالیتیکس به شما نمیگوید که آیا یک دستیار فایل شما را خوانده است یا خیر. هر کسی که داشبوردی برای عملکرد llms.txt ارائه میدهد، اعداد را اختراع کرده است.
تنها راه صادقانه برای اندازهگیری تأثیر، نمونهبرداری دستی است. از چهار یا پنج دستیار مختلف، سؤالاتی را بپرسید که یک خریدار واقعی در یک جلسه (Session) تازه و بدون تاریخچه میپرسد: «چه کسی این نوع کار را برای این نوع کسبوکار انجام میدهد؟»، «هزینه آن چقدر است؟» و «این خدمات برای چه کسی مناسب نیست؟»
پاسخها را عیناً همراه با تاریخ ثبت کنید. این کار را یک ماه بعد تکرار کنید. شما در حال اندازهگیری یک متریک نیستید؛ بلکه در حال مشاهده این هستید که توصیف کسبوکار شما به سمت توصیفی که خودتان نوشتید حرکت میکند یا از آن دور میشود. این ابزاری کندتر از یک نمودار است، اما ابزاری صادقانه است. همین انضباط نمونهبرداری است که Search Console را بعد از ظهور AI Overviews مفید میکند، جایی که وسوسه خواندن اعداد گمراهکننده در شدیدترین حالت خود است.
توالی پیادهسازی
نوشتن فایل در ابتدا یک اشتباه است. یک فایل llms.txt که سایتی را توصیف میکند که مدل نمیتواند آن را واکشی کند، تجزیه کند یا متناقض میبیند، صرفاً یک خلاصه خوشساخت از یک مشکل است. توالی درست و بدون زرق و برق به این صورت است:
۱. صفحات را بهگونهای بسازید که بدون جاوااسکریپت خوانا باشند.
۲. دادههای ساختاریافته (Schema) را بهگونهای تنظیم کنید که همان چیزی را بگویند که صفحه میگوید.
۳. سایت را با خودش همراستا کنید (رفع تضادها).
۴. فایلی بنویسید که تمام اینها را خلاصه کند.
این ترتیب تضمین میکند که یک ساعت صرف شده برای فایل، چیزی «واقعی» را توصیف کند. برای کسبوکارهایی که به دنبال کاهش توهمات مدل در پاسخ به کاربران هستند، این ساختار دادهای مشابه رویکرد چارچوب PicNet در دستیارهای سازمانی RAG عمل میکند تا خروجی مدل بر پایه واقعیتهای مستند باشد. اگر از پلتفرمی استفاده میکنید که اجازه قرار دادن فایلهای دلخواه در ریشه (Root) را نمیدهد (yourdomain.com/llms.txt)، راهکارهای جایگزینی وجود دارد، اما کارهای مربوط به اسکیما و سطح صفحه همچنان به تنهایی ارزشمند هستند.
سؤالات متداول
آیا ChatGPT، Claude، Gemini یا Perplexity واقعاً llms.txt را میخوانند؟
هیچکدام این موضوع را تأیید نکردهاند. هر ادعایی مبنی بر اینکه میخوانند یا نمیخوانند را به عنوان «تأیید نشده» در نظر بگیرید. دلیل نوشتن آن در وضوحی است که ایجاد میکند و هزینه تقریباً صفر آن است.
آیا llms.txt جایگزینی برای Schema Markup است؟
خیر. اسکیما حقایق را در قالبی بیان میکند که ماشینها بهطور قابلاطمینانی تجزیه میکنند. llms.txt قضاوت، دامنه و مرزها را در قالب نثر بیان میکند. سایتی که به یکی نیاز دارد، معمولاً به هر دو نیاز دارد.
آیا افزودن llms.txt بر رتبهبندی گوگل تأثیر میگذارد؟
هیچ شواهدی مبنی بر این موضوع وجود ندارد و دلیلی برای انتظار آن نیست. این یک فایل رتبهبندی نیست. هر کسی که آن را به این شکل میفروشد، مکانیزمی را توصیف میکند که هرگز وجودش ثابت نشده است.
طول آن باید چقدر باشد؟
به اندازهای که بگویید چه میکنید، برای چه کسی، برای چه کسی نیستید و چگونه میتوان با شما تماس گرفت. یک سقف معقول برای اکثر کسبوکارها زیر هزار کلمه است، هرچند برخی موارد ممکن است تا هفت هزار کاراکتر ادامه یابد.
این تمرین، تمرکز را از «هک سئو» به «وضوح عملیاتی» تغییر میدهد. حتی اگر هیچ هوش مصنوعی هرگز این فایل را نخواند، شما در نهایت شفافترین پاراگرافی را خواهید داشت که هر کسی در شرکت شما درباره آنچه میفروشید نوشته است. برای تست وضوح سایت خود، فایل را به عنوان یک غریبه بخوانید. اگر آن را تمام کردید و نتوانستید بگویید این کسبوکار چه کسی را رد میکند (مشتری نامناسب کیست)، فایل هنوز تمام نشده است.
گام بعدی شما
- یک پیشنویس از فایل llms.txt برای کسبوکار خود بنویسید و سعی کنید تمام صفات تبلیغاتی را حذف کنید.
- با استفاده از مدلهای مختلف (Claude, GPT-4, Gemini) تست کنید که در حال حاضر کسبوکار شما را چگونه توصیف میکنند.
- بررسی کنید آیا در سایت شما تضادی بین ادعاهای متنی و واقعیتهای عملی (مثل قیمتها) وجود دارد یا خیر.
اما تأثیر این شفافیت بر نرخ تبدیل کاربران انسانی حتی چشمگیرتر از مدلهای هوش مصنوعی است — به تحلیل ما دربارهی روانشناسی تبدیل در صفحات فرود مراجعه کنید.
گفتگو