O que é llms.txt — Cloudflare, Stripe, Perplexity adotaram | EPIC Digital

Última atualização: 19 Mai 2026

O que é llms.txt em uma frase

llms.txt é um arquivo de texto em markdown, publicado na raiz de um domínio (em /llms.txt), que diz a modelos de linguagem o que um site faz, quais seções existem e quais URLs são prioritárias para leitura.

Pense nisso assim: robots.txt diz ao rastreador do Google onde ele pode ou não ir. llms.txt diz ao modelo de AI o que ele deveria ler primeiro — e por quê. São propósitos completamente diferentes.

O arquivo tem formato simples e intencionalmente legível por humanos e por máquinas. A spec oficial, mantida em llmstxt.org, define a estrutura mínima: um cabeçalho H1 com o nome do site, um blockquote com descrição resumida, e seções H2 com listas de links anotados — URLs que o modelo deve consultar para entender aquele produto, serviço ou documentação.

Não é um padrão de consórcio. Não passou por comitê de standards. É uma proposta pragmática que resolveu um problema real, foi adotada por grandes players e ganhou tração orgânica em menos de um ano.

Por que isso importa em 2026

A resposta curta: porque o tráfego de agentes de AI para sites corporativos não é mais hipotético. É mensurável, crescente e fundamentalmente diferente do tráfego humano.

Um usuário humano chega ao seu site via Google, lê dois ou três parágrafos, e decide se vai mais fundo. Um agente de AI chega via API ou via crawl autônomo, precisa entender em segundos o que esse site faz, quem serve e quais ações estão disponíveis, e então decide se vai citar, recomendar ou executar uma transação a partir dali.

O problema é que a maioria dos sites não foi construída para esse visitante. A homepage tem hero sections com animações CSS, formulários em iframe e textos genéricos de "soluções inovadoras para o seu negócio". Para um humano, isso é familiar. Para um modelo de linguagem tentando entender o que a empresa faz em menos de 500 tokens, é ruído.

llms.txt resolve o problema de forma cirúrgica: em vez de forçar o agente a inferir o contexto do site a partir de HTML cheio de nav, footer e scripts, você publica um documento limpo que responde às perguntas que o modelo vai fazer de qualquer jeito.

Por isso Cloudflare adotou. Por isso Stripe adotou. Não por altruísmo tecnológico — mas porque eles entendem que quando um desenvolvedor pede ao ChatGPT "como integrar pagamentos via Stripe", a qualidade da resposta depende do que o modelo tem disponível sobre Stripe. llms.txt é a forma de controlar essa narrativa.

Quem já publicou

O diretório público em directory.llmstxt.cloud lista centenas de sites que já publicaram o arquivo. Entre os adotantes mais relevantes para um público B2B tech:

• Cloudflare — developers.cloudflare.com/llms.txt — organizado por produto, com links para sub-arquivos llms.txt por área (Argo, Workers, Pages, etc.).
• Stripe — docs.stripe.com/llms.txt — indexa toda a documentação da API de pagamentos com instruções diretas ao modelo.
• Mistral AI — mistral.ai/llms.txt — inclui contexto sobre modelos disponíveis, endpoints e casos de uso.
• Perplexity — perplexity.ai/llms.txt — orientações para modelos sobre como a plataforma funciona e quais recursos existem.
• Vercel, Hugging Face, ElevenLabs, Coinbase — todos presentes no diretório.

A EPIC também publica o seu: epic.digital/llms.txt. O arquivo descreve o que a EPIC faz, quais recursos existem para agentes de AI consumirem (incluindo o AEO Framework™ e o Commerce Layer™), e disponibiliza links para endpoints estruturados. Serve como exemplo real de L0 implementado — e é o arquivo que o nosso próprio CLI v2.2 usa como referência de calibração ao auditar Discovery.

Uma nota importante sobre Anthropic: o arquivo em anthropic.com/llms.txt é frequentemente citado como referência inicial de adoção, mas o acesso direto pode variar por configuração de servidor. O que importa é o padrão, não a URL específica de cada empresa — e o padrão está documentado em llmstxt.org.

Como funciona: formato e estrutura

A spec é deliberadamente minimalista. Isso não é descuido — é uma decisão de design. O arquivo tem que ser legível por humanos sem ferramenta, parseável por modelos sem treinamento específico, e processável por scripts sem biblioteca adicional.

A estrutura recomendada:

# Nome do Site ou Produto

> Descrição em uma ou duas frases. O que é, para quem serve, qual o problema que resolve.

## Seção Principal (ex: Documentação)

- [Nome da página](https://exemplo.com/pagina): descrição curta do que tem ali.
- [Outra página](https://exemplo.com/outra): o que o modelo vai encontrar nessa URL.

## Seção Secundária (ex: Sobre)

- [Quem somos](https://exemplo.com/sobre): contexto institucional.

## Optional

- [Recurso adicional](https://exemplo.com/recurso): informação útil mas não prioritária.

O bloco ## Optional é uma instrução explícita para modelos com contexto limitado: se você não tiver espaço para processar tudo, pode pular esta seção. É um mecanismo de priorização embutido no próprio formato.

O llms.txt da EPIC, por exemplo, declara quem somos, o que o AEO Framework™ faz, lista as páginas principais disponíveis em markdown (a spec recomenda que páginas disponibilizem versão .md via URL), aponta para o agent-card.json e para o sitemap-aeo.json — os outros dois componentes do L0 no nosso framework.

O resultado é que quando um agente chega em epic.digital/llms.txt, ele sabe em menos de 300 tokens: o que a EPIC faz, quais recursos técnicos estão disponíveis para consumo estruturado, e onde ir para cada caso de uso. Sem precisar rastrear o site inteiro.

llms.txt vs robots.txt: não é a mesma coisa

A confusão é compreensível. São dois arquivos de texto na raiz do domínio com nomes similares. Mas os propósitos são opostos em direção e diferentes em mecanismo.

robots.txt é uma instrução de controle de acesso para rastreadores. Ele diz ao Googlebot, ao ClaudeBot, ao GPTBot: "você pode ir aqui, não pode ir ali." É permissão. É bloqueio. Opera antes do conteúdo ser lido.

llms.txt é um documento de contexto para modelos. Ele não controla acesso — ele orienta compreensão. Não diz "não vá aqui". Diz "se você está aqui, isso é o que você precisa saber primeiro."

Um modelo de linguagem pode ignorar completamente o robots.txt (e alguns agentes fazem isso). Um modelo que lê llms.txt está fazendo isso porque quer entender o site — não porque foi obrigado. É uma interação diferente em natureza.

Na prática: você precisa dos dois. robots.txt para gerenciar quais rastreadores têm permissão de acessar quais partes do seu site (incluindo quais agentes de AI você quer ou não quer). llms.txt para garantir que, quando um modelo chegar, ele entenda o site rapidamente e com precisão.

No AEO Framework™, robots.txt e llms.txt são dois dos 11 checks do Layer 0 (Discovery). Ter um sem o outro é passar em metade do diagnóstico.

Como criar o seu llms.txt

Criar é simples. O que dá trabalho é decidir o que dizer — não o formato.

Antes de abrir o editor de texto, responda estas quatro perguntas:

1. O que o site faz em duas frases? — Essa resposta vira o blockquote de descrição. Se você não consegue responder em duas frases, o problema não é o llms.txt. É o posicionamento.
2. Quais são as 5 a 10 páginas que um agente precisa ler para entender seu produto? — Essas são as URLs que entram nas seções principais. Não é a sitemap inteira. É o essencial.
3. Quais ações um agente poderia querer executar no seu site? — Se você tem endpoints, formulários de cotação, APIs, ou qualquer recurso transacional, eles merecem menção. Isso conecta o llms.txt ao que vem depois na pilha AEO.
4. Quais páginas são contexto secundário? — Blog posts antigos, páginas institucionais de segundo nível, recursos complementares. Esses vão para o bloco ## Optional.

Com as respostas em mão, o arquivo leva menos de 30 minutos para ser redigido. A implantação depende da sua infraestrutura: em servidores com acesso ao diretório raiz, é publicar um arquivo estático. Em plataformas como HubSpot, Vercel ou Netlify, você cria o arquivo como um recurso específico e configura o path.

Uma ressalva prática: llms.txt não é um documento que você publica uma vez e esquece. Quando você lança um novo produto, abre um novo endpoint, publica um pillar de conteúdo relevante, ou muda o posicionamento — o arquivo precisa ser atualizado. Tratá-lo como documentação viva, não como configuração estática, é o que separa uma implementação funcional de uma implementação que fica desatualizada em seis meses.

O CLI proprietário da EPIC (@epic-digital/aeo, não distribuído publicamente) inclui o comando aeo generate, que analisa um domínio e gera um rascunho de llms.txt com base nas páginas existentes — parte do workflow de onboarding AEO para clientes. É um ponto de partida, não um substituto para a decisão editorial sobre o que incluir.

O que vem depois: do llms.txt ao Commerce Layer™

llms.txt resolve o problema de discovery — garante que um agente chegue ao seu site com contexto suficiente para entender o que você faz. É Layer 0 no AEO Framework™. É o começo.

O que a maioria das empresas não pergunta é: e depois que o agente entendeu o que você faz, o que ele pode fazer?

É essa a diferença entre um site que é citável por AI e um site que é acionável por AI.

No AEO Framework™, o Layer 4 é o Commerce Layer™ — a camada de infraestrutura machine-to-machine que permite que agentes executem transações reais: solicitar uma cotação, iniciar uma avaliação técnica, acessar dados de produto via endpoint JSON, completar uma sequência de vendas sem intervenção humana em nenhum passo do processo.

llms.txt diz ao agente "a EPIC faz arquitetura de receita e tem um diagnóstico AEO disponível". O Commerce Layer™ é o que permite que esse agente inicie o diagnóstico — com os dados certos, no formato certo, sem precisar preencher um formulário em HTML.

Para organizações B2B com ciclos de venda longos, múltiplos stakeholders e decisões de compra que envolvem pesquisa técnica prévia, essa camada não é diferencial de futuro. É o que determina se o seu site vai ser acionável no próximo ciclo de agentes autônomos de procurement e avaliação de fornecedores — que já estão em uso em empresas de tecnologia, infraestrutura e SaaS no exterior.

O caminho vai de llms.txt (Layer 0) até o Commerce Layer™ (Layer 4) passando por structured data, semantic HTML e narrative blocks. O pillar AEO Framework™ documenta o sistema completo — cada camada, cada check, cada decisão de implementação.

Perguntas frequentes sobre llms.txt

llms.txt é um padrão oficial aprovado por algum órgão de standards?

Não. É uma proposta publicada por Jeremy Howard (fast.ai) em setembro de 2024, mantida em llmstxt.org. Não passou por W3C, IETF ou qualquer consórcio de standards. A adoção é voluntária e orgânica — o que não diminui sua relevância prática, dado que Cloudflare, Stripe e Perplexity já implementaram.

Preciso de um desenvolvedor para publicar o meu llms.txt?

Depende da sua infraestrutura. Em servidores com acesso direto ao filesystem, qualquer pessoa com permissão de editar arquivos na raiz do domínio consegue publicar. Em plataformas como HubSpot, é necessário criar o arquivo como um recurso específico e configurar o path correto — o que exige conhecimento da plataforma, mas não desenvolvimento custom. Em Vercel ou Netlify, é um arquivo estático na raiz do repositório.

llms.txt substitui o trabalho de SEO?

Não. SEO continua sendo o que posiciona o seu site no Google para tráfego humano. llms.txt orienta modelos de linguagem quando eles chegam ao seu site diretamente — seja via agente autônomo, seja via integração de API. São canais distintos. A analogia útil é: SEO otimiza para o Google encontrar e rankear. AEO (do qual llms.txt é parte) otimiza para agentes de AI entenderem e agirem.

Qual é o tamanho recomendado para um arquivo llms.txt?

A spec não define limite fixo, mas a lógica é de economia de tokens. Um arquivo de llms.txt eficiente tem entre 200 e 800 tokens — suficiente para fornecer contexto sem consumir a janela de contexto do modelo. Se o seu arquivo está passando de 1.500 tokens, provavelmente está incluindo informação que deveria estar nas páginas referenciadas, não no llms.txt em si.

Modelos de AI realmente leem o llms.txt automaticamente?

Depende do modelo e do contexto de uso. Agentes autônomos configurados para explorar sites (como aqueles usados em pesquisa de fornecedores ou avaliação técnica) tipicamente buscam arquivos de discovery na raiz — incluindo llms.txt, robots.txt e agent-card.json. Modelos em uso conversacional padrão não fazem isso automaticamente, mas podem ser instruídos a consultar. A tendência é de adoção crescente por parte dos runtime de agentes à medida que o padrão amadurece.

Qual a diferença entre llms.txt e o agent-card.json no AEO Framework™?

São complementares dentro do Layer 0 (Discovery). llms.txt é um documento narrativo em markdown que explica o site para modelos de linguagem — contexto, páginas relevantes, descrições. agent-card.json é um manifesto estruturado em JSON que declara as capacidades transacionais do site para agentes — quais ações estão disponíveis, quais endpoints aceitam requisições, quais skills o agente pode invocar. Um orienta compreensão; o outro habilita ação.

Como saber se o meu llms.txt está funcionando?

A forma direta é verificar via audit AEO. O Layer 0 do AEO Framework™ inclui 11 checks específicos para Discovery — presença do arquivo, formato correto, conteúdo relevante, links válidos, e compatibilidade com robots.txt. O CLI proprietário da EPIC (aeo audit <url>) executa esses checks e retorna um score com diagnóstico detalhado. Alternativamente, você pode testar manualmente abrindo seudominio.com/llms.txt e verificando se o arquivo carrega em plain text com a estrutura markdown correta.