ملف llms.txt في عام 2026: ما الذي يفعله فعلاً (ولماذا تقول Google إنه لا يُفيد)

آخر تحديث: أغسطس 2026

في عام 2024، طرحت Answer.AI فكرة بسيطة: إذا كانت زواحف الذكاء الاصطناعي ستستهلك محتوى موقعك، فامنحها فهرساً نظيفاً وقابلاً للقراءة آلياً يوضّح ما يحتويه الموقع. يُعرف هذا التنسيق بـ

llms.txt

robots.txt

انتشرت الفكرة بسرعة. آلاف المواقع طبّقتها. ثم جاء تصريح John Mueller من Google ليُعيد رسم ملامح النقاش بأكمله: "لا أعتقد أن Google تستخدم llms.txt لنظرات عامة الذكاء الاصطناعي." يتناول هذا المقال ما يعنيه ذلك، وما تكشفه بيانات سجلات الزواحف، وما يُحرّك فعلاً معدل الاستشهاد بالذكاء الاصطناعي (AI citation rate) في عام 2026.

ما هو llms.txt وما الذي كان مُفترضاً أن يفعله؟

llms.txt هو ملف نصي عادي أو بصيغة Markdown موضوع في

yourdomain.com/llms.txt

التشابه مع

robots.txt

robots.txt

llms.txt

robots.txt

llms.txt

ما الذي تقوله Google فعلاً عن llms.txt؟

كانت Google صريحة. أكّد John Mueller في تفاعلات عامة متعددة (مدونة Search Off the Record، وجلسة AMA على Reddit) أن Google لا تستخدم

llms.txt

llms.txt

السبب يكمن في البنية المعمارية. طبقة الاسترجاع في Google لنظرات عامة الذكاء الاصطناعي لا تعمل انطلاقاً من زحف مستقل ينطلق من فهرس

llms.txt

أشار Mueller إلى WebMCP - المعيار الناشئ للتفاعل المنظم بين الوكلاء والمواقع والذي غطّيناه في مقال هندسة WebMCP - باعتباره نهجاً أكثر متانة هيكلياً للمواقع التي تريد وصولاً معلناً ومتحكماً به للوكلاء.

ما الذي تكشفه بيانات سجلات الزواحف عن تبنّي llms.txt؟

نشرت Ahrefs تحليلاً لبيانات سجلات الزواحف عبر 137,000 نطاق قامت بتطبيق

llms.txt

• GPTBot جلب
  textCopy

  llms.txt

  في نحو 0.1% إلى 3% من النطاقات التي نشرته، ولم يرتبط تكرار الجلب بتغييرات في معدل الاستشهاد في مخرجات ChatGPT.
• PerplexityBot أظهر معدلات جلب أعلى لكن دون ارتباط قابل للإثبات بين وجود
  textCopy

  llms.txt

  والاستشهاد بالمصدر في استجابات Perplexity.
• سلوك جلب ClaudeBot تماشى مع أنماط الزحف القياسية - لا أولوية متصاعدة لمضيفي
  textCopy

  llms.txt

  على المواقع المكافئة جودةً التي لا تملك الملف.
• Google-Extended (المستخدم لتدريب الذكاء الاصطناعي لا لاسترجاع نظرات عامة) جلب ملفات
  textCopy

  llms.txt

  بصورة انتهازية دون أي تحوّل موثّق في كيفية تعامل منتجات Google AI مع النطاقات الناشرة.

تجاوز إجمالي أحداث الزحف المُحلَّلة 500 مليون تفاعل بوت. عبر مجموعة البيانات هذه، كانت إشارة

llms.txt

ملف llms.txt في Seven Labs: ما الذي بنيناه ولماذا احتفظنا به

تنشر Seven Labs ملف

llms.txt

1# Seven Labs
2> Seven Labs is an AI systems engineering and automation agency...
3
4## File List
5* [Home](https://www.sevenlabs.site/)
6* [Services](https://www.sevenlabs.site/services)
7* [Case Studies](https://www.sevenlabs.site/case-studies)
8* [Engineering Notes](https://www.sevenlabs.site/blogs)
9* [Authority](https://www.sevenlabs.site/authority)
10* [Team](https://www.sevenlabs.site/team)
11* [Contact](https://www.sevenlabs.site/contact)

احتفظنا به لسببين. أولاً، لا تكلفة لصيانته. ثانياً، بينما لا تستخدمه Google، بعض أدوات الذكاء الاصطناعي الأصغر والزواحف الموجهة للمطورين (بما فيها بعض أدوات البحث وأطر العمل مفتوحة المصدر للوكلاء) تتحقق منه فعلاً. إذا كان موقعك يستهدف أساساً مستخدمي المطورين أو المشترين التقنيين الذين يستخدمون مساعدي الذكاء الاصطناعي في أبحاث البائعين، فثمة حالة ضيّقة للملف.

الخطأ يكمن في معاملته كاستراتيجية تحسين محركات البحث التوليدية (GEO) بدلاً من خطوة صيانة منخفضة التكلفة.

أين قد يظل llms.txt مهماً (الحالة الضيّقة)

لـllms.txt قيمة غير صفرية في حالات محددة:

• منتجات أدوات المطورين حيث يُرجّح أن مستخدميك المستهدفين يُشغّلون وكلاء LLM مخصصين يتحققون من أدلة الموقع المنظمة
• مواقع التوثيق حيث قد تستخدم مساعدات البرمجة بالذكاء الاصطناعي (Copilot, Cursor, Codeium) متغيرات
  textCopy

  llms-full.txt

  لفهرسة التوثيق التقني
• المحتوى المجاور للبحث العلمي حيث تُشكّل أدوات البحث الأكاديمية أو المؤسسية للذكاء الاصطناعي ذات الدعم الصريح لـ
  textCopy

  llms.txt

  طبقةَ الاسترجاع الأساسية

خارج هذه الحالات، يكمن تكلفة الفرصة الضائعة من معاملة

llms.txt

ما الذي يُحرّك الاستشهادات بالذكاء الاصطناعي فعلاً في 2026؟

طبقة الاسترجاع التي تحدد ما إذا كان نظام الذكاء الاصطناعي يستشهد بمحتواك هي في جوهرها إشارة جودة وسلطة - لا إشارة وجود ملف. من بين تكتيكات التحسين التوليدي (GEO) التي تُحرّك معدل الاستشهاد باستمرار، خمسة تبرز بوضوح:

1. البيانات المنظمة (Schema.org). توسيم FAQPage وHowTo وArticle وLocalBusiness يمنح أنظمة الذكاء الاصطناعي إجابات قابلة للتحليل محددة الكيانات دون قراءة النثر. تستشهد نظرات عامة الذكاء الاصطناعي من Google بصفحات البيانات المنظمة بمعدل أعلى قابل للقياس لاستعلامات الأسئلة.
2. هيكل الإجابة المقلوب هرمياً. ضع الإجابة الحاسمة المكوّنة من 40-60 كلمة لكل سؤال مباشرةً بعد H2 الخاص بالسؤال. تسحب أنظمة استرجاع الذكاء الاصطناعي أول استجابة جوهرية لكلمة مفتاحية الاستعلام. إذا كانت إجابتك في الفقرة الرابعة، ستُتجاهَل.
3. المحتوى المتسق في الكيانات. استخدم نفس الاسم والعنوان والوصف عبر موقعك وملف Google Business Profile وLinkedIn والاستشهادات الخارجية. المحتوى المتسق في الكيانات يُقلل تكلفة إزالة الغموض لطبقات استرجاع الذكاء الاصطناعي التي تفهرس حسب الكيان لا حسب URL.
4. السلطة الموضوعية عبر العمق. صفحة واحدة منظمة جيداً حول موضوع ما تحتل مرتبة أدنى للاستشهاد بالذكاء الاصطناعي مقارنةً بشبكة من الصفحات المترابطة ذات الاتساع الدلالي. تقيّم أنظمة الذكاء الاصطناعي السلطة عبر مجموعة موضوعية لا على أساس الصفحة بصفحة.
5. السماح الصريح لزواحف الذكاء الاصطناعي في robots.txt. يجب السماح صراحةً لجميع زواحف الذكاء الاصطناعي الرئيسية - GPTBot وClaudeBot وPerplexityBot وGoogle-Extended وOAI-SearchBot وApplebot-Extended. لا يضمن البدل العام
   textCopy

   allow: *

   التغطية في ظل جميع تطبيقات الزواحف. القواعد الصريحة لكل وكيل هي المسار الآمن.

تشمل خدمة هندسة منصات الذكاء الاصطناعي لدينا بنية GEO كجزء من استراتيجية المحتوى للعملاء الذين يحتاجون إلى ظهور توثيقهم التقني ودراسات حالتهم في أبحاث البائعين المدعومة بالذكاء الاصطناعي.

التحسين التوليدي (GEO) مقابل llms.txt: ما الذي تُقدّمه أولاً؟

هل يجب عليك تطبيق llms.txt؟

نعم - لكن فقط بوصفه مهمة صيانة تستغرق 20 دقيقة، لا استراتيجية GEO. انشر الملف، أدرج عشراً إلى خمس عشرة صفحة من أهم صفحاتك بأوصاف دقيقة، ثم انتقل إلى ما هو أهم. نسبة الجهد إلى الأثر لأي شيء يتجاوز ذلك غير مُجدية. الثلاثون دقيقة ذاتها المُستثمَرة في إضافة بيانات FAQPage المنظمة لصفحة واحدة عالية الزيارات ستُنتج على الأرجح أثراً أكثر قياساً في معدل الاستشهاد بالذكاء الاصطناعي.

الصياغة الصادقة:

llms.txt

تبني Seven Labs بنيات محتوى مُحسَّنة لـGEO، وتطبيقات بيانات منظمة، وقواعد معرفة يمكن لأنظمة الذكاء الاصطناعي الوصول إليها كجزء من عملنا في هندسة منصات الذكاء الاصطناعي. إذا كنت تريد لأنظمة الذكاء الاصطناعي أن تستشهد بخبرتك، لنتحدث عمّا يُحرّك هذا المقياس فعلاً.