llms.txt vs AGENTS.md vs OKF：三種「給 AI 的 markdown」，其實在解不同問題
最近「給 AI 用的 markdown」冒出一堆：llms.txt、AGENTS.md、CLAUDE.md、OKF……我在自己的網站和 repo 裡剛好三種都用過，結果最常被問的是同一句：「是不是有了其中一個，另外幾個就不用了？」
這問題有點像我上一篇問的「OKF 是不是取代 RAG」——會混淆，是因為把不在同一層的東西擺在一起比。它們的差別不在「哪個比較好」，而在它們對誰說話。
先把結論放前面：llms.txt 是給外部 LLM 讀你的網站，AGENTS.md／CLAUDE.md 是給在你 repo 裡工作的 agent 下指令，OKF 是那個 agent 要用的結構化知識本身。三個是三層，不是三選一。
同一個框架，上一篇：OKF vs RAG vs 向量資料庫真正的差別：它們對誰說話
把它們放回正確的位置，只要問三個問題：對誰說話、內容是什麼、什麼時候被讀。
| llms.txt | AGENTS.md / CLAUDE.md | OKF | |
|---|---|---|---|
| 對誰 | 外部 LLM（讀你公開網站） | 你 repo 裡工作的 coding agent | 需要知識的 agent |
| 是什麼 | 網站的精選地圖／索引 | 行為指令與紀律 | 結構化知識本身 |
| 範圍 | 一個檔、站層級 | 一個檔、repo 層級 | 一個目錄的概念圖 |
| 內含 | 重點頁面連結 + 簡述 | 規矩、指向哪裡 | 概念、關係、決策 |
| 何時被讀 | LLM 抓你網站時 | agent 開始工作時 | agent 需要某項知識時 |
llms.txt：把網站整理給 LLM 看
llms.txt 是放在網站根目錄的一份 markdown 地圖（規格見 llmstxt.org），讓 ChatGPT、Perplexity、Claude 這類會讀你公開網站的 LLM，快速找到你的重點內容、正確引用，而不是亂爬一通。它的對象是「外部的、讀你網站的模型」。
重點是：它不是拿來對你的 coding agent 下指令的，也不是知識庫。它就是一張對外的地圖。我幫這個站補了一份，而且是從文章資料自動生成的，加新文章就自動更新。
AGENTS.md / CLAUDE.md：是指令，不是知識
AGENTS.md（給 Codex）和 CLAUDE.md（給 Claude Code）是 coding agent 進到你 repo 時預設會載入的入口檔。它們講的是「怎麼做」：專案慣例、常用指令、規矩、以及該去哪裡找東西。它本身不放知識，它放的是行為與指向。
第一手講：我就是用它們當入口，把 agent 指向我的 OKF 知識庫——「動工前先讀 /knowledge 的相關節點」。少了這層，知識庫放在那也沒人會去讀。
OKF：知識本身
OKF 則是那份被指向的、結構化、可走訪、可版本控制的知識——一個目錄的 typed markdown，概念之間用連結串成圖。它回答的是「知識該長什麼樣子」，不是「怎麼行為」，也不是「對外怎麼被找到」。
想深入 OKF：Google OKF 會取代 RAG 與向量資料庫嗎？它們怎麼組起來（不是互相取代）
在我實際的 setup 裡，三者同時存在、各做各的：AGENTS.md／CLAUDE.md 是入口指令，把 agent 指向 OKF bundle；llms.txt 走另一條路，對外，給讀我網站的 LLM。前兩者對內、對開發 agent，llms.txt 對外，沒有誰取代誰。
實測這套怎麼運作：把 repo 做成 OKF bundle 給 agent 當記憶所以你需要哪個？
按需求對號入座：有公開網站想被 LLM 正確讀到、正確引用 → 補 llms.txt。有 coding agent 在你 repo 裡工作 → 寫 AGENTS.md／CLAUDE.md。有一批 agent 會反覆用到的結構化知識 → 做成 OKF。答案常常是「都要」，但別把其中一個當成另一個用。
所以「給 AI 的 markdown」其實是三層，不是同一種東西。與其糾結要選哪一個，不如逐層檢查：這三層，我各自補齊了沒。