LLMO: Ihre Website für KI lesbar machen
Das LLMO ist hier ein technisches Audit-Framework: Roboter, Metadaten, strukturierte Daten und Entitätskonsistenz. Es verbessert die Qualität der Website, ohne deren Indexierung oder Zitierung durch eine Plattform zu garantieren.
Wirklich umsetzbare technische Kontrollen
llms.txt & llms-full.txt
Optionale Community-Formate zur Präsentation von Links und Inhalten in Markdown. Sie stellen weder eine offizielle Norm noch eine Sichtbarkeitsbedingung dar.
Getreue strukturierte Daten
Schema.org wird verwendet, wenn es den sichtbaren Inhalt genau beschreibt. Google erfordert kein spezielles Markup für seine KI-Funktionen.
Verwandte Entitäten (Wissensgraph)
Verlinken Sie offizielle Profile, die tatsächlich existieren. Ein Wikidata-Eintrag wird nur berücksichtigt, wenn seine Regeln und Kriterien erfüllt sind.
Kontrollierter Zugriff für LLM-Crawler
Dokumentieren Sie die von jeder Plattform veröffentlichten Roboter und wählen Sie eine Richtlinie entsprechend ihrer Rolle aus. Die Autorisierung eines Roboters garantiert keine Indexierung oder Zitierung.
Inhalte wie ein Wissensgraph strukturieren
Drei dokumentierte Ebenen, keine magischen Dateien
-
Zugang
Eine explizite Richtlinie für Bots und ihre veröffentlichten Rollen.
-
Beschreibung
Seitengetreue Metadaten und strukturierte Daten.
-
Konsistenz
Verknüpfte Autoren, eine Organisation und offizielle Profile.
Die Plattformen legen nicht alle dieselbe Funktionsweise offen, und manche kombinieren mehrere Quellen. Ihr Verhalten allein aus dem Begriff der „Datenaufnahme“ abzuleiten, wäre daher unvorsichtig. Wir unterscheiden dokumentierte Fakten von Hypothesen.
Die Arbeit umfasst drei Ebenen: technischer Zugang gemäß den von den Plattformen veröffentlichten Robotern, die Beschreibung des Inhalts mit originalgetreuen Metadaten und die Konsistenz der Entitäten zwischen der Website und ihren offiziellen Profilen.
Eine llms.txt-Datei kann als komplementäres Format getestet werden, ihre Wirkung sollte jedoch eine Hypothese bleiben. Die gewissen Vorteile ergeben sich aus der Bereinigung der Website: zugängliche Seiten, genaue Informationen, identifizierbare Autoren, offizielle Links und akzeptierte robots.txt-Richtlinien.
Überprüfbare Ergebnisse ohne künstliche Punktzahl
Konkrete Leistungen
Optionale llms.txt-Datei: strukturierte Beschreibung der Website, Prioritätsseiten und explizite Angabe des Community-Vorschlagsstatus
Semantische Schemaprüfung: Erkennung fehlender Schemata, Markup-Fehler, Validierung über Schema.org Validator und Rich Results Test
Die Neugestaltung von Schema.org ist auf relevante Typen und Eigenschaften beschränkt, die durch sichtbare Inhalte bestätigt werden
Entitätsstrategie: konsistente offizielle Profile, Autoren und überprüfbare sameAs-Links
Umgang mit robots.txt: separate Richtlinie für Such-Bots, Trainings-Bots und vom Benutzer initiierte Abfragen
Barrierefreie Inhalte: klare Hierarchie, eigenständige Passagen, Listen und Tabellen nur dann, wenn sie das Verständnis fördern
Sachliche Metadaten: Titel, Beschreibung, Autor, Veröffentlichungsdatum und Aktualisierungsdatum, sofern zutreffend
Monitoring: Serverprotokolle und dokumentierte Tests, ohne einen Crawler-Zugriff mit einer Indexierung oder Quellenangabe gleichzusetzen
4 Schritte, jeweils messbare Ergebnisse
Technisches LLM-Audit
Prüfung von robots.txt, Serverprotokollen, vorhandenen semantischen Auszeichnungen, Markup-Fehlern und Zugänglichkeit für LLM-User-Agents.
llms.txt & strukturierte Auszeichnungen
Bereinigen strukturierter Daten und, falls sinnvoll, Erstellen einer llms.txt-Datei, die klar als experimentell dargestellt wird.
Entitätsdiagramm
Prüfung offizieller Profile und sameAs-Links. Wikidata wird nur genutzt, wenn die Entität die Kriterien des Projekts erfüllt.
Überwachung und Richtlinien
Überwachung der beobachteten Zugriffe und Anpassung der Richtlinie entsprechend den Zielen des Website-Eigentümers und der Plattformdokumentation.
LLM-FAQ
LLMO vs. GEO: Was ist der Unterschied?
Was genau ist die Datei llms.txt?
Sollten wir LLM-Crawler autorisieren oder blockieren?
Beeinflussen Schema.org-Schemata LLMs?
Wikidata: Warum ist es wichtig für das LLMO?
Ist Ihre Website für KI lesbar?
LLMO-Audit: robots.txt-Richtlinie, strukturierte Daten, Entitäten und technische Beobachtungen, mit klarer Unterscheidung zwischen Fakten und Hypothesen.
