# llms.txt Spiegato: La Specifica, la Vera Adozione e Come Pubblicarlo

llms.txt promette di fornire all'IA una mappa pulita del tuo sito. Ecco cosa richiede realmente la specifica, una lettura onesta su se i crawler lo utilizzano già e come pubblicarne uno.

**llms.txt** è un'idea semplice che sta ricevendo molta attenzione: un file markdown alla radice del tuo sito che fornisce ai modelli di linguaggio di grandi dimensioni una mappa pulita e curata di ciò che offri, invece di farli lottare per estrarre significato da HTML carico di annunci. Vale la pena comprenderlo con precisione - perché c'è una sostanza reale nella specifica e un eccesso di promesse nel marketing che lo circonda. Questa guida copre ciò che il formato richiede effettivamente, una lettura onesta su se i crawler IA lo rispettano oggi e come pubblicarne uno.

## Perché esiste il file

La proposta, introdotta da Answer.AI a settembre 2024, parte da un vincolo reale: le finestre di contesto degli LLM sono troppo piccole per inghiottire la maggior parte dei siti web interi, e convertire HTML complesso - navigazione, annunci, script - in testo pulito è impreciso e con perdita di dati. llms.txt aggira questo fornendo ai modelli informazioni concise e di livello esperto in un unico luogo prevedibile. La parola chiave è *inferenza*: questo file è pensato per aiutare un modello nel momento in cui un utente gli chiede qualcosa, non per alimentare le sessioni di addestramento. È una panoramica curata, scritta a mano, non un dump di tutto.

## La specifica, precisamente

Il file si trova in `/llms.txt` ed è scritto in markdown, in un ordine di sezioni fisso in modo che possa essere analizzato programmaticamente oltre che letto da un modello:

- Un **H1** con il nome del progetto o del sito. Questa è l'unica sezione obbligatoria.
- Un riassunto in **blockquote** che fornisce il contesto chiave necessario per comprendere il resto.
- Zero o più sezioni markdown (paragrafi, elenchi - senza intestazioni) con ulteriori dettagli.
- Zero o più **H2** 'elenchi di file': ogni elemento è un link markdown `[nome](url)` seguito da un opzionale `:` e una breve nota.
- Una sezione speciale **## Optional** i cui link possono essere saltati quando è necessario un contesto più breve.

C'è una proposta complementare: servire una versione markdown pulita di qualsiasi pagina allo stesso URL con `.md` aggiunto (e `index.html.md` per gli URL delle directory), in modo che un modello possa recuperare direttamente la versione leggibile. Ecco un file minimo e valido:

```markdown
# QuantumProxies

> Residential, ISP, datacenter, mobile and IPv6 proxies plus SERP, Scraper and
> Extract APIs for web data collection at scale.

Stable API endpoints, per-request rotation, and 200+ country geo-targeting.

## Docs

- [Scraper API](https://quantumproxies.io/scraper-api): Markdown/JSON/HTML output, JS rendering on demand
- [SERP API](https://quantumproxies.io/serp-api): Google, Bing and DuckDuckGo plus verticals

## Guides

- [Feeding LLMs fresh web data](https://quantumproxies.io/blog/feeding-llms-fresh-web-data-2026): grounding and RAG patterns

## Optional

- [All blog posts](https://quantumproxies.io/blog): the full archive, skip for short context
```

![Tre file nella radice di un sito: robots.txt indica le regole di accesso per i bot, sitemap.xml elenca ogni pagina indicizzabile per i motori di ricerca e llms.txt offre ai modelli linguistici una mappa curata e dimensionata per il contesto; la scheda mostra chi legge ciascuno, dato che llms.txt completa gli altri due invece di sostituirli.](https://res.cloudinary.com/dmqliab0t/image/upload/f_auto,q_auto,w_1200/v1785335210/blog/generated/qp-b9-083-diag1.png)
*llms.txt completa robots.txt e sitemap - non sostituisce nessuno dei due. File diversi, compiti diversi.*

## Come si differenzia da robots.txt e sitemap.xml

Si affianca ai due file che già conosci, seguendo la stessa convenzione di percorso radice. `robots.txt` stabilisce le regole di accesso - chi può eseguire il crawling di cosa - e lo trattiamo nella nostra [guida a robots.txt](https://quantumproxies.io/blog/robots-txt-web-scraping-ethics). `sitemap.xml` elenca ogni pagina umana indicizzabile per i motori di ricerca. Nessuno dei due sostituisce llms.txt: una sitemap raramente collega le versioni markdown delle pagine, non punta mai a risorse esterne utili, e nel complesso è troppo grande per adattarsi a una finestra di contesto. llms.txt è la panoramica curata, delle dimensioni di un LLM, che quei due non sono mai stati progettati per essere.

## I crawler IA lo rispettano davvero? Una risposta onesta

Qui è dove la sincerità conta. llms.txt è una proposta, non uno standard ufficiale, e l'adozione è disomogenea. A partire dal 2025 nessun grande crawler IA ha confermato pubblicamente di utilizzare llms.txt per classificare o rispondere - Google ha detto chiaramente che non utilizza il file, e la documentazione di Chrome lo descrive come 'una convenzione emergente'. La posizione onesta: pubblicarne uno è economico e innocuo, può aiutare gli strumenti che *effettivamente* ingeriscono documentazione (alcuni assistenti focalizzati sugli sviluppatori e piattaforme di documentazione lo utilizzano), e non ti costa nulla per prepararti al futuro. Ma non aspettarti un boom di SEO o traffico IA. Chiunque venda llms.txt come un trucco per il ranking sta esagerando una proposta. Trattalo come un'igiene a basso sforzo, non come una leva di crescita.

## Come pubblicarne uno

Scrivi il file a mano per un piccolo sito - è pensato per essere curato, e un file ponderato di 30 righe batte uno generato automaticamente di 300 righe. Per siti più grandi, esistono plugin per VitePress, Docusaurus, Mintlify e Drupal che lo generano dal tuo contenuto, e directory come llmstxt.site catalogano i file pubblicati. Lo strumento di riferimento, `llms_txt2ctx`, espande il tuo file in un unico blob di contesto che puoi testare contro modelli reali - produce una versione snella senza i link Optional e una versione completa con essi:

```bash
# Install the reference CLI and expand your file into an LLM context blob
pip install llms-txt

# Lean context (skips the ## Optional links)
llms_txt2ctx llms.txt > llms-ctx.txt

# Full context (includes Optional)
llms_txt2ctx --optional true llms.txt > llms-ctx-full.txt
```

La trappola del write-once è la stasi. Un llms.txt che punta a pagine rinominate o eliminate fuorvia attivamente. Se il tuo è generato dai documenti, collegalo al tuo build; se scritto a mano, rivedilo con la stessa cadenza della tua sitemap. Mantenere fresche le versioni collegate `.md` è la stessa disciplina dietro qualsiasi pipeline di grounding - la nostra guida a [pipeline RAG che non si stancano](https://quantumproxies.io/blog/fresh-web-data-rag-pipelines) si applica direttamente.

![Un file llms.txt minimo: un H1 con il nome del sito, un riassunto in blockquote, un elenco H2 Docs di link annotati e una sezione Optional; la scheda spiega ogni parte: l'H1 è l'unica sezione obbligatoria, il blockquote fornisce il contesto chiave, gli elenchi di file abbinano link e note, e i link Optional vengono saltati quando il contesto è breve.](https://res.cloudinary.com/dmqliab0t/image/upload/f_auto,q_auto,w_1200/v1785335211/blog/generated/qp-b9-083-diag2.png)
*La struttura è fissa e piccola: un H1 obbligatorio, un riassunto in blockquote, poi elenchi H2 di link annotati.*

## Dove entra in gioco il web data pulito

llms.txt riguarda la pubblicazione di un contesto pulito per il tuo sito. Il problema speculare - ottenere markdown pulito, pronto per LLM, dai siti di tutti gli altri per il tuo modello o agente - è ciò per cui esiste il nostro servizio [web data for LLMs](https://quantumproxies.io/web-data-for-llms). L'API Scraper può restituire qualsiasi pagina come markdown, che è esattamente la forma che sia uno specchio llms.txt `.md` sia una pipeline di ingestione RAG vogliono. Se stai costruendo un assistente che ha bisogno di leggere il web live, quell'output markdown-first è il pezzo mancante; la nostra panoramica su [alimentare gli LLM con dati web freschi](https://quantumproxies.io/blog/feeding-llms-fresh-web-data-2026) lo collega insieme.

[Ottieni dati web puliti, pronti per LLM](https://quantumproxies.io/web-data-for-llms)

## Domande frequenti

### Cos'è llms.txt?

È un file markdown proposto posizionato alla radice del tuo sito (`/llms.txt`) che fornisce ai modelli di linguaggio di grandi dimensioni una panoramica concisa e curata del tuo contenuto e link a versioni markdown dettagliate delle pagine chiave. È mirato ad aiutare i modelli al momento dell'inferenza - quando un utente fa una domanda - piuttosto che nell'addestramento, e richiede solo un nome H1 come sua unica sezione obbligatoria.

### I modelli IA usano effettivamente llms.txt?

In modo incoerente. È una proposta, non uno standard adottato; a partire dal 2025 nessun grande crawler IA ha confermato di utilizzarlo per classificare o rispondere, e Google ha detto che non lo fa. Alcuni assistenti focalizzati sugli sviluppatori e strumenti di documentazione lo ingeriscono. Pubblicarne uno è economico e prepara il tuo sito per il futuro, ma trattalo come igiene, non come una leva provata di traffico o ranking.

### In cosa llms.txt è diverso da robots.txt?

Servono intenti opposti. robots.txt stabilisce le regole di accesso - quali bot possono eseguire il crawling di quali percorsi - ed è spesso utilizzato per tenere i crawler fuori. llms.txt invita l'IA e le fornisce una mappa curata di cosa leggere. Seguono la stessa convenzione di percorso radice e coesistono; llms.txt non sostituisce robots.txt o la tua sitemap XML.

### Come creo un file llms.txt?

Per un piccolo sito, scrivilo a mano: un nome H1, un riassunto in blockquote, poi sezioni H2 che elencano link markdown annotati, con una sezione `## Optional` per extra saltabili. Per siti più grandi, usa un plugin generatore per la tua piattaforma. Testalo espandendolo con la CLI `llms_txt2ctx` e chiedendo a un modello domande sul tuo contenuto.

llms.txt è una piccola idea sensata che vale la pena adottare per ciò che è - un file di contesto curato - e vale la pena essere scettici su ciò per cui viene venduto. Pubblicane uno pulito, mantienilo fresco, e abbinalo a dati web genuinamente pronti per LLM, e avrai coperto entrambi i lati: ciò che esponi e ciò che i tuoi modelli consumano.

[Trasforma qualsiasi pagina in markdown pronto per LLM](https://quantumproxies.io/web-data-for-llms)