llms.txt: guía práctica para que agentes de IA entiendan tu documentación

Checklist

Por qué vuelve a importar en 2026

El debate cambió cuando los agentes de código dejaron de ser chatbots y empezaron a navegar documentación, invocar MCP, leer repositorios y pedir contexto en formato Markdown. Para un humano, una documentación con navegación bonita es cómoda. Para un agente, muchas veces es ruido.

Cloudflare ya ofrece formatos orientados a agentes, llms.txt, llms-full.txt, vistas Markdown y MCP servers. Anthropic y el sitio de Model Context Protocol también exponen llms.txt. Chrome Lighthouse lo trata como una convención emergente para agentic browsing. Eso no prueba que todos los modelos lo usen, pero sí marca una dirección técnica: la documentación tendrá una capa para máquinas.

El punto honesto es que el valor actual está más cerca de `hacer tu documentación fácil de consumir por agentes` que de `subir posiciones en AI Overviews`. Si el KPI es búsqueda orgánica, llms.txt es una pieza secundaria. Si el KPI es que un dev use tu SDK con Claude Code, Cursor, Codex o Copilot sin alucinar endpoints, es mucho más interesante.

# DevAI API

> Documentacion para integrar la API de DevAI en productos internos.

Usa estas paginas para resolver dudas tecnicas. No uses posts de marketing
como fuente de comportamiento de la API.

## Inicio

- [Quickstart](https://example.com/docs/quickstart): Primer request autenticado.
- [Autenticacion](https://example.com/docs/auth): API keys, scopes y rotacion.
- [Errores](https://example.com/docs/errors): Codigos, retries y rate limits.

## Referencia

- [REST API](https://example.com/docs/api): Endpoints estables.
- [SDK Python](https://example.com/docs/sdk-python): Cliente oficial.
- [Changelog](https://example.com/changelog): Cambios incompatibles.

from pathlib import Path

pages = [
    ("Quickstart", "https://example.com/docs/quickstart", "Primer request autenticado."),
    ("Autenticacion", "https://example.com/docs/auth", "API keys, scopes y rotacion."),
    ("REST API", "https://example.com/docs/api", "Endpoints estables."),
]

lines = [
    "# DevAI API",
    "",
    "> Documentacion tecnica para agentes y asistentes de codigo.",
    "",
    "## Documentacion principal",
    "",
]

for title, url, desc in pages:
    lines.append(f"- [{title}]({url}): {desc}")

Path("public/llms.txt").write_text("\n".join(lines) + "\n", encoding="utf-8")

¿Te está sirviendo? Hay una dosis cada semana

Te resumo herramientas de IA para devs, agentes, MCP, seguridad y workflows en un email de 5 minutos. En español y sin ruido.

Puntos a revisar

Lo que conviene comprobar

Organiza los enlaces por intención, no por jerarquía interna. Para devs funcionan bien grupos como `Inicio`, `Referencia`, `SDKs`, `Arquitectura`, `Seguridad`, `Ejemplos`, `Changelog` y `Soporte`. Cada enlace debe llevar una descripción útil. Un agente necesita saber por qué abrir esa URL.

Evita meter todo. El archivo principal debe ser corto y curado. Si quieres ofrecer el corpus completo, usa `/llms-full.txt` o archivos por sección. El objetivo de `/llms.txt` es orientar, no convertirse en un dump de 200.000 tokens.

Checklist

Implementación en Next.js, Astro o docs estáticas

En un sitio estático, lo más simple es generar `public/llms.txt` durante build desde un inventario curado. No lo escribas a mano si ya tienes frontmatter, sidebar o catálogo de docs: usa esa fuente y añade una capa editorial para descripciones.

En Next.js puedes servirlo como archivo estático en `public/llms.txt` o como route handler si necesitas construirlo dinámicamente. Para documentación versionada, prefiero generarlo en build: queda cacheable, revisable en PR y no depende de una base de datos en runtime.

En Astro, Docusaurus, Mintlify, GitBook o Fern revisa primero si la plataforma ya lo genera. Si lo hace, no dupliques. Audita el resultado, elimina páginas irrelevantes y añade descripciones útiles. La automatización sin criterio puede llenar el archivo de rutas que un agente nunca debería priorizar.

Puntos a revisar

Lo que conviene comprobar

Cadencia: actualízalo con cada cambio de API, SDK, onboarding o deprecación. Si tienes changelog semanal, el llms.txt no necesita cambiar cada semana; solo cuando cambian rutas de contexto.

Revisión: añade un check de CI que valide enlaces 200, tamaño razonable, ausencia de rutas privadas y presencia de secciones mínimas. También conviene testearlo con un agente real: `lee nuestro llms.txt y escribe un ejemplo de integración`. Si inventa, el archivo no está guiando lo suficiente.

Fuentes y referencias

• Especificación llms.txt
• Repositorio answerdotai/llms-txt
• Chrome Lighthouse: llms.txt
• Cloudflare: Docs for agents
• Cloudflare llms.txt
• OpenAI: overview of crawlers
• Mintlify: improved agent experience
• Mintlify: real llms.txt examples
• Ahrefs study: llms.txt requests
• Model Context Protocol llms.txt
• Anthropic developer docs llms.txt

También te puede interesar

Recibe una lectura semanal de herramientas IA para devs

Cada semana te resumo herramientas de IA para devs, agentes, MCP, seguridad y workflows en un email de 5 minutos. En español y sin ruido.