02 引入 llms.txt如今的内容呈现方式是服务于人类的，尤其是以网页这种侧重于交互、视觉的设计。我看法到，希冀 AI Agent 能像人类一样“智能”地阅读一切类型的网页，在当前阶段能够并不理想。更有效的途径，或许是作为内容提供者，自动为 AI 提供一个更明晰、更结构化的指南。我想到了llms.txt——由 Jeremy Howard 于 2024 年提出的一种 AI 优先的文档索引标准，目的是为大言语模型提供简约、结构化的网站文档概览和链接，协助模型在推理时疾速获取关键信息而不受多余内容干扰。它相似于面向搜索引擎的 robots.txt 或 sitemap.xml（站点地图），但专为 LLM 设计，经过 Markdown 格式同时兼具人类可读性与机器可解析性。我与 Cursor 协作，创建了博客的第一个基础版本 llms.txt，包含了博客的基本信息和指向次要 HTML 页面的链接。但是，简单的链接指向，对于 Manus 获取文章的详细原始文本协助依然有限。AI 仍需自行解析 HTML 结构，这与直接提供更纯粹的内容源相比，效率和准确性上仍有差距。
03 API+重构llms.txt一个理想的面向 AI 的交互方案是什么样的？回答这个成绩先要知道当前的 AI，尤以LLM 为代表，在处理文字（自然言语了解）、代码等方面，相较于同等规模图片包含的信息，LLM 处理前者具有相对抢先的优势。所以，我需求直接告诉访问网站并希望获得内容的 AI（以 Manus 为代表的Agent），这里“有什么”、“如何获取这里的内容”（我提供了什么）。我重构了 llms.txt （这里有什么）的角色。由站点引见到一份面向 AI 的交互手册，同时引入两个 API （如何获得这里的内容）。并且与 Cursor 协作放大效率。
第一个关键节点：内容获取 API
我们首先创建了一个 API 端点，允许经过文章的独一标识符 (slug) 直接央求并获得该文章的原始 Markdown 文本。Markdown 格式对 AI 极为敌对，它既保留了文章的逻辑结构（标题、列表、援用等），又剥离了 HTML 的复杂渲染信息，使得 AI 可以直接处理最核心的内容。
第二个关键节点：元数据索引 API
处理了单篇文章的获取成绩后，新的成绩随之而来：AI 如何知道我的博客上有多少篇文章？它们的 slug 分别是什么？为了处理这个成绩，我们创建了第二个 API，它可以前往一个包含一切文章元数据（标题、slug、发布日期、摘要、标签等）的 JSON 列表。这为 AI 提供了一个威望的、结构化的全站文章目录，使其可以先对博客内容有一个全局的了解，再按需精准获取。