llms.txt 分析与生成技能
帮你检查或从头生成 llms.txt 文件，让 AI 搜索引擎一眼读懂你的网站结构与关键信息。
技能仅声明 Read/Grep/Glob/Bash/WebFetch/Write 工具，主要操作为抓取公开网页、校验并写入 Markdown 报告，无敏感数据收集、无破坏性默认行为；仓库提供 uninstall.sh 且 venv 隔离。但 SKILL.md 本身未声明确认机制、写入范围界定或回滚说明，Bash 授权宽泛，数据流披露不完整，故扣分至中等。
分析/生成流程分步骤描述清晰，含 HTTP 状态码分支（200/404/403/301/302）与验证清单，happy path 可信；但未见针对本技能路径（llmstxt 校验/生成）的测试或脚本执行证据（tests/ 仅覆盖 fetch_page SSR），异常输入下的失败反馈质量无法确认，静态评审封顶 10 以下。
场景明确（分析或生成 llms.txt），触发语义与 /geo llmstxt 命令对应，格式规范详尽；但未声明不适配边界（如 JS 渲染站点、需登录页面），文档全英文，无中文支持说明；核心功能依赖抓取目标站点，未发现完全不可达的海外服务依赖。
SKILL.md 结构分层良好（规范、分析模式、生成模式、输出模板、最佳实践），许可为 MIT；但技能文件本身无版本号、变更记录或已知限制声明，README 含大量营销性市场数据与 Skool 社区推广，维护责任与更新路径不明确，扣分。
输出模板（分析报告、生成的 llms.txt）具体、格式直接可用，评分权重明确；但未验证 llms.txt 标准对 AI 引用的实际收益（'少于5%网站采用'等声明无来源），静态评审下产出正确性与直接可用性未经执行确认，扣分。
格式规范与步骤可审计、可部分人工复核；仓库含一个真实测试文件但仅覆盖 fetch_page SSR 启发式，未覆盖本技能关键路径；无第三方执行证据、无跨源佐证，评分权重公式（0.40/0.35/0.25）为作者自设，静态封顶 5 以下。
- 静态评审，未执行任何代码；技能核心路径（llms.txt 校验与生成）无测试覆盖证据。
- SKILL.md 授权 Bash 与 WebFetch 且写入文件时无确认要求，建议使用前自行审查输出位置。
- 文档中市场数据（如'AI 流量 +527%'、'少于5%网站有 llms.txt'）均无来源，属营销性声明，不应视为事实。
- 文档仅英文，未声明对中文站点或中文内容的适配；llms.txt 标准本身尚属新兴提案，实际 AI 平台收益未经证实。
- 发布者未经 FollowSkills 验证，身份不明；仓库整体带 Skool 社区商业推广，注意动机偏差。
这个 Skill 能做什么，适合哪些场景？
geo-llmstxt 是 geo-seo-claude 仓库中的一个子技能，专注于 llms.txt 标准（2024 年 9 月由 Jeremy Howard 提出）。它既能抓取并校验已有的 llms.txt / llms-full.txt 文件，也能通过爬取网站首页、导航和 sitemap.xml 从零生成新文件。技能内置完整的格式规范、评分模型（完整性 40%、准确性 35%、有用性 25%）以及结构化的 Markdown 输出报告。它是 MIT 许可的开源工具集合的一部分，可随整个集合一键安装。
分析模式下：用 WebFetch 获取 [域名]/llms.txt 和 /llms-full.txt，检查 HTTP 状态码（200/404/403/301/302），逐项校验 H1 标题、描述区块、H2 分节、页面条目、绝对 URL、Key Facts 与 Contact 分节，并按三维加权打分；还会爬取站点导航与 sitemap，找出应列入却缺失的重要页面。生成模式下：抓取首页提取站名、描述和导航，读取 sitemap.xml，筛选并优先排序 10–30 个关键页面，为每个页面撰写 10–30 词的事实性描述，汇编公司关键事实，组装成符合规范的 llms.txt，并在输出前校验 URL 可达性与文件长度（50–150 行）。输出 GEO-LLMSTXT-ANALYSIS.md 或完整的 llms.txt 文件及生成说明报告。
- 站长或营销人员在部署 llms.txt 前后，想验证文件格式是否符合规范、URL 是否有效
- GEO/SEO 代理机构为客户做 AI 可见性审计时，需要一份可直接交付的 llms.txt 分析报告
- SaaS 或电商网站从未写过 llms.txt，希望自动爬取站点并生成一份规范的初始文件
- 内容团队在改版后想找出 llms.txt 中缺失或过期的页面条目
- 企业想让 ChatGPT、Perplexity 等 AI 引用正确页面、减少对其业务事实的幻觉
这个 Skill 有哪些优点和局限？
- 对 llms.txt / llms-full.txt 规范的覆盖极为详尽，含逐项校验表和量化评分模型
- 支持分析和生成双向工作流，且生成前会爬取真实站点内容而非凭空编写
- 输出结构化的 Markdown 报告，可直接交付客户
- MIT 许可、免费开源，随成熟集合一键安装，依赖隔离不影响系统 Python
- 效果依赖 AI 系统实际读取 llms.txt——该标准 2026 年初采用率不足 5%，实际引用收益缺乏第三方验证
- 评分权重（40/35/25）为技能作者自定义，无公开测试套件或基准数据佐证
- 处理大站点时依赖 WebFetch 逐页抓取，可能较慢且受目标站反爬限制
- 源文档未说明单技能独立安装方式，须安装整个 16 技能集合
- 集合的 CRM/报告功能会将数据写入 ~/.geo-prospects/，卸载脚本不会清理该目录
如何安装这个 Skill？
该技能随整个 geo-seo-claude 集合安装：macOS/Linux 运行 curl -fsSL https://raw.githubusercontent.com/zubair-trabzada/geo-seo-claude/main/install.sh | bash；Windows 在 Git Bash 中运行 install-win.sh。前置要求：Python 3.8+、Claude Code CLI、Git。依赖装入 ~/.claude/skills/geo/.venv/ 的独立虚拟环境。技能本体位于仓库 skills/geo-llmstxt/SKILL.md；源文档未说明单独安装该子技能的步骤。
如何使用这个 Skill？
安装整个集合后，在 Claude Code 中对目标站点运行 /geo llmstxt <url>，即可触发本技能：已存在 llms.txt 时进入分析模式并输出 GEO-LLMSTXT-ANALYSIS.md，不存在时进入生成模式输出新的 llms.txt 文件。也可在对话中直接描述任务（如"为 example.com 生成 llms.txt"）。生成后需将文件上传至网站根目录并验证 https://你的域名/llms.txt 可直接访问。
这个 Skill 与同类方案有什么区别？
源材料未直接点名竞品，但语境上属于新兴的 llms.txt 工具类别；仓库自身定位是与传统 SEO（robots.txt、schema markup）互补的 GEO（生成式引擎优化）方案。