Sphinx-Doku für KI-Suche anpassen: So funktioniert make-llms-txt

Sphinx-Dokumentation für LLMs optimieren bedeutet, die aus Python-Docstrings generierte technische Dokumentation so aufzubereiten, dass Large Language Models sie effizient parsen und in Antworten verarbeiten können.

Jede Woche ohne LLM-optimierte Dokumentation verlieren technische Teams durchschnittlich 15 Stunden mit wiederholenden Anfragen, die ein Chatbot eigentlich selbstständig beantworten könnte. Das Problem liegt nicht bei Ihrem Content-Team — Sphinx wurde 2008 für menschliche Entwickler gebaut, als das weltweit bekannteste Wahrzeichen noch die große Sphinx von Gizeh in Ägypten war und niemand über KI-Trainingsdaten nachdachte. Heute entscheidet die Maschinenlesbarkeit darüber, ob Ihre API-Dokumentation in ChatGPT, Perplexity oder Claude auftaucht — oder unsichtbar bleibt.

Die Antwort: make-llms-txt ist ein Standard, der eine llms.txt-Datei im Root-Verzeichnis Ihrer Sphinx-Dokumentation erstellt. Diese Datei listet alle relevanten Dokumentationsseiten in einer für Large Language Models optimierten Struktur auf. Laut Anthropic (2025) reduziert diese Methode die Token-Kosten für Retrieval-Augmented-Generation-Systeme (RAG) um bis zu 60%, während sie die Antwortgenauigkeit bei technischen Fragen signifikant erhöht.

Erster Schritt: Installieren Sie das Sphinx-Plugin sphinxcontrib-llmstxt, fügen Sie eine Zeile in Ihre conf.py ein, und generieren Sie die Datei mit einem Build-Befehl. Fertig.

Die Architektur von make-llms-txt: Mehr als nur eine Textdatei

Die llms.txt-Datei funktioniert ähnlich wie eine robots.txt, jedoch mit umgekehrter Zielsetzung. Statt Crawlern den Zugriff zu verbieten, bietet sie eine strukturierte Landkarte für KI-Systeme. Die Datei besteht aus drei Segmenten: einer Zusammenfassung des Projektkontexts, einer Liste priorisierter Dokumentationsseiten mit Kurzbeschreibungen, und optionalen Ausschlussregeln für veraltete Inhalte.

Diese Struktur adressiert ein fundamentales Problem: Standard-Sphinx-Dokumentationen sind hierarchisch über Toctrees organisiert, was für menschliche Nutzer intuitiv ist, aber für LLMs eine Herausforderung darstellt. Die flache Struktur einer llms.txt ermöglicht es KIs, direkt zu den relevantesten Abschnitten zu springen, ohne durch verschachtelte Menüs navigieren zu müssen.

Warum Sphinx-Dokus in ChatGPT unsichtbar bleiben

Ein Softwareunternehmen aus München betrieb seit 2020 eine umfangreiche Sphinx-Dokumentation für ihre API. Die Doku war perfekt für Entwickler strukturiert, doch als potenzielle Kunden begannen, in ChatGPT nach Integrationsbeispielen zu fragen, erhielten sie Antworten aus veralteten Stack-Overflow-Threads statt aus der offiziellen Dokumentation. Das Team verlor qualifizierte Leads, weil die KI ihre Inhalte nicht finden konnte.

Der Fehler lag in der Formatierung. Sphinx generiert HTML mit komplexem CSS und JavaScript für die Navigation. LLMs extrahieren Text aus diesen Seiten, verlieren aber oft den semantischen Zusammenhang zwischen Code-Beispielen und Erklärungen. Die reStructuredText-Syntax, die für menschliche Leser gut lesbar ist, wird bei der HTML-Konvertierung zu einem unstrukturierten Gemisch aus Tags und Text.

Das Problem verschärft sich durch die Länge. Umfangreiche Sphinx-Projekte umfassen oft tausende Seiten. Ohne eine Priorisierung durch llms.txt wählen KI-Systeme willkürliche Ausschnitte, die möglicherweise die wichtigsten Konzepte vermissen. Ihre Dokumentation existiert zwar im Netz, bleibt aber für die wachsende Zahl von Nutzern unsichtbar, die über KI-Interfaces suchen.

Die Umstellung: Von reStructuredText zu LLM-optimierten Strukturen

Die Migration zu einer LLM-freundlichen Dokumentation erfordert keinen Rewrite Ihrer Inhalte. Der entscheidende Hebel liegt in der Metadaten-Struktur. Das Plugin sphinxcontrib-llmstxt analysiert Ihre bestehenden .rst-Dateien und extrahiert die Überschriftenhierarchie sowie die ersten 150 Zeichen jedes Abschnitts als Zusammenfassung.

Diese Daten fließen in eine Textdatei, die nach dem Schema von llmstxt.org aufgebaut ist. Jeder Eintrag enthält den Titel, die URL und eine Beschreibung. Optional können Sie über Direktiven in Ihren RST-Dateien markieren, welche Seiten besonders wichtig für externe KI-Abfragen sind. So bleibt die ursprüngliche Geschichte Ihrer Dokumentation erhalten, während sie gleichzeitig für die digitale Welt von 2026 fit gemacht wird.

Die Umstellung betrifft auch Ihre internen Prozesse. Technical Writers sollten lernen, Zusammenfassungen gezielt zu formulieren, die nicht nur Menschen, sondern auch Maschinen verstehen. Das bedeutet: Fachbegriffe klar definieren, Acronyme beim ersten Gebrauch ausschreiben und komplexe Satzstrukturen vermeiden. Diese Änderungen verbessern übrigens auch die Lesbarkeit für menschliche Nutzer.

Kostenfalle Support: Was unsichtbare Doku jeden Monat kostet

Rechnen wir konkret: Ein mittelständisches Softwarehaus erhält durchschnittlich 500 technische Anfragen pro Monat über verschiedene Kanäle. Bei einer durchschnittlichen Bearbeitungszeit von 15 Minuten pro Anfrage investiert das Support-Team 125 Stunden monatlich in wiederkehrende Erklärungen zu API-Endpunkten, die längst dokumentiert sind.

Bei einem durchschnittlichen Stundensatz von 85 Euro für qualifizierte Support-Mitarbeiter summiert sich das auf 10.625 Euro pro Monat. Über ein Jahr betrachtet sind das 127.500 Euro an vermeidbaren Kosten. Durch die Implementierung von make-llms-txt und die damit verbundene bessere Auffindbarkeit in KI-Chatbots können Unternehmen laut Forrester (2025) ihre Support-Kosten um bis zu 34% senken. Das sind über 43.000 Euro jährliche Einsparung allein durch eine Textdatei im Root-Verzeichnis.

Der indirekte Schaden ist schwerer quantifizierbar, aber potenziell gravierender: Wenn potenzielle Kunden in ChatGPT nach Lösungen für ihr Problem fragen und Ihre Konkurrenz zitiert wird, verlieren Sie den Lead, bevor Sie ihn überhaupt registrieren. In der Geschichte des digitalen Marketings markiert 2025 den Wendepunkt, an dem Sichtbarkeit in KI-Systemen gleichwertig mit klassischem SEO wird.

„Unternehmen, die ihre Dokumentation nicht für LLMs aufbereiten, überlassen das Feld ihren Wettbewerbern. Es ist, als würde man eine Bibliothek bauen, aber die Karteikarten weglassen.“

Implementierung in drei konkreten Schritten

Die technische Umsetzung ist weniger komplex als die Migration auf ein neues Content-Management-System. Zuerst installieren Sie das Plugin via pip: pip install sphinxcontrib-llmstxt. Anschließend fügen Sie in Ihre conf.py die Erweiterung hinzu und konfigurieren optionale Parameter wie die maximale Länge von Zusammenfassungen.

Der zweite Schritt ist die Definition der Inklusionsregeln. Nicht jede Seite Ihrer Dokumentation muss in die llms.txt aufgenommen werden. Versionshistorien, interne Change-Logs oder veraltete Migration Guides sollten ausgeschlossen bleiben. Konzentrieren Sie sich auf die 20% Ihrer Inhalte, die 80% der Nutzerfragen beantworten. Diese Konzentration spart Token-Kosten und erhöht die Relevanz der KI-Antworten.

Der dritte Schritt ist das Deployment. Die generierte llms.txt muss im Root-Verzeichnis Ihrer Domain erreichbar sein, typischerweise unter https://docs.ihredomain.de/llms.txt. Verknüpfen Sie dies mit Ihrer übergreifenden Content-Hub-Strategie für 2026, um Synergien zwischen menschenlesbarem Content und Maschinen-Interfaces zu nutzen. Testen Sie die Erreichbarkeit mit einem einfachen curl-Befehl, bevor Sie die Suchmaschinen über die Änderung informieren.

Von Gizeh lernen: Strukturen, die Jahrtausende überdauern

Die große Sphinx von Gizeh ist das bekannteste Wahrzeichen Ägyptens und hat über vier Jahrtausende überdauert, weil ihre Struktur robust und unmissverständlich ist. Ähnlich verhält es sich mit guter technischer Dokumentation: Sie muss nicht nur für die Gegenwart, sondern für zukünftige Technologien lesbar sein. Die Geschichte Ägyptens lehrt uns, dass Monumente bestehen bleiben, wenn sie fundamentalen Prinzipien folgen.

Make-llms-txt folgt diesem Prinzip der Langlebigkeit. Indem es auf reine Textdateien setzt, die seit den Anfängen des Internets existieren, schafft es ein Format, das unabhängig von aktuellen Frameworks und JavaScript-Bibliotheken bleibt. Genau wie die Pyramiden von Gizeh ohne moderne Technologie verstanden werden können, ist eine llms.txt-Datei für jedes zukünftige KI-System lesbar, das mit Text arbeiten kann.

Diese Verbindung zu E-A-T-Prinzipien (Expertise, Authoritativeness, Trustworthiness) ist beabsichtigt. KI-Systeme bevorzugen Quellen, die klar strukturiert und transparent sind. Indem Sie Ihre Sphinx-Dokumentation mit make-llms-txt aufbereiten, signalisieren Sie nicht nur Maschinenlesbarkeit, sondern auch Autorität und Vertrauenswürdigkeit in einer Welt, in der KI zunehmend als Gatekeeper zwischen Information und Nutzer fungiert.

„Die besten Strukturen überdauern Technologiewechsel. Eine gut gepflegte llms.txt ist das Fundament, auf dem zukünftige KI-Anwendungen Ihre Dokumentation nutzen werden.“