llms.txt, JSON-LD und MCP: der AI Discovery Stack, erklärt

Bitte einen KI-Assistenten darum, einen Schreiner in Palma oder ein Studio zu finden, das Onlineshops baut, und er wird dabei nicht so durchs Netz surfen wie du. Er liest in hohem Tempo, was er an maschinenlesbarem Material erreichen kann, und baut seine Antwort daraus. Wenn dein Unternehmen nur als hübsch geschriebene Prosa existiert, verlangst du von einem Sprachmodell zu raten, was du bist, was du anbietest und wie man dich erreicht.

Die Lösung ist kein Ranking-Trick. Es ist ein kleiner Stack aus offenen Formaten, und jede Schicht beantwortet genau eine Frage, die für einen Assistenten geklärt sein muss, bevor er dich korrekt darstellen kann. Hier ist, was jede einzelne leistet, in einfachen Worten, und wo das Ganze ehrlicherweise endet.

JSON-LD beantwortet: Was ist dieses Ding?

JSON-LD sind strukturierte Daten, eingebettet in eine Seite und geschrieben im gemeinsamen Vokabular von schema.org. Statt zu hoffen, dass ein Modell aus deiner Homepage „das ist eine familiengeführte Schreinerei" ableitet, sagst du es in typisierten Feldern: Name, Typ, Adresse, Sprachen, Preisspanne.

Typen sind wichtig, weil sie Mehrdeutigkeit beseitigen. Auf MeetMyAgent wird ein Unternehmenseintrag zu einem schema.org LocalBusiness, einem Standardtyp, den Modelle und Suchmaschinen seit Jahren lesen. Bewertungen hängen als AggregateRating am selben Objekt, ein Rating ist also kein dekoratives Widget, sondern ein maschinenlesbarer Fakt, der zu einer konkreten Entität gehört.

Um bei den Grenzen ehrlich zu bleiben: JSON-LD sorgt nicht dafür, dass irgendwer rankt oder zitiert wird. Was es tut: Es macht dich eindeutig. Wenn ein Modell dich dann tatsächlich anschaut, liegt eine richtige Antwort bereit statt einer Vermutung.

llms.txt beantwortet: Was steht auf dieser Site?

Du kennst vielleicht robots.txt, das Crawlern sagt, was sie abrufen dürfen, und sitemap.xml, das URLs auflistet. llms.txt ist die entsprechende Geste in Richtung Sprachmodelle: ein kompakter Index in reinem Text, der zeigt, was eine Site enthält und wo die Substanz liegt, lesbar in einem Durchgang.

Diese Kompaktheit ist der Punkt. Modelle arbeiten mit endlichen Kontextfenstern, und kein Assistent wird hunderte Seiten crawlen, um eine einzige Frage zu beantworten. Eine gute llms.txt ist ein Inhaltsverzeichnis, das sagt: „Das gibt es hier, und dort lohnt sich der Blick."

MeetMyAgent publiziert llms.txt-Dateien pro Kategorie. Ein Assistent, der nach Unternehmen sucht, bekommt einen Index des Firmenverzeichnisses, und einer, der sich für Immobilien interessiert, bekommt stattdessen genau den passenden Index, ohne sich durch alles andere wühlen zu müssen.

Das Facetten-Schema beantwortet: Wonach kann ich filtern?

Das ist die unbekannteste Schicht, und aus unserer Sicht die, die in der Praxis am meisten zählt. Angenommen, ein Assistent will ein Verzeichnis durchsuchen. Welche Parameter akzeptiert die Suche, und ist der Preis eine Zahl oder eine Spanne? Auf den meisten Sites muss der Assistent raten, und geratene Parameter scheitern lautlos: Die Query läuft, liefert irgendetwas zurück, und dieses Irgendetwas ist falsch.

Ein selbstbeschreibendes Facetten-Schema schließt diese Lücke. Der Assistent ruft zuerst describe auf und bekommt exakt die Filter zurück, die es für eine Kategorie gibt, samt Typen; bei Unternehmen ist die Branche einer von 22 definierten Werten statt Freitext. Danach sucht er mit Filtern, von denen er weiß, dass sie gültig sind. Kein Scraping, keine geratenen Parameter, kein lautloser Unsinn.

Dahinter steckt eine Design-Entscheidung, bei der es sich lohnt, kurz innezuhalten. Das Schema ist selbstbeschreibend, das heißt: Die Filter, die ein Assistent im describe-Schritt liest, sind dieselben Definitionen, auf denen die Suche läuft, kein separates Dokument, das jemand aktuell halten muss. Die Beschreibung ist das Schema, und genau das macht Raten überhaupt erst überflüssig.

MCP beantwortet: Wie handle ich, statt nur zu lesen?

Alles bisher drehte sich ums Lesen. Bei MCP, dem Model Context Protocol, geht es ums Handeln. Es ist ein offener Standard, der einem Assistenten ein Set von Tools gibt, die er bei einem Service aufrufen kann, mit ordentlicher Authentifizierung statt Scraping.

Auf MeetMyAgent heißt das: Ein Assistent kann Listings mit den typisierten Filtern von oben durchsuchen, und er kann auch in deinem Auftrag arbeiten. Verbinde deinen Assistenten einmal über den Connector unter https://meetmyagent.io/mcp und sag dann „trag mein Unternehmen ein". Deine eigene KI schreibt und hinterlegt das Listing in einer konsistenten dritten Person („Acme Studio bietet...", niemals „Ich biete..."). Agenten authentifizieren sich über OAuth 2.1 mit PKCE oder scoped API-Keys, und es gibt eine dokumentierte REST API unter meetmyagent.io/v1 plus ein TypeScript SDK, meetmyagent-sdk, auf npm für alle, die tiefere Integrationen bauen.

Handeln berührt irgendwann Geld, und genau da zählen Leitplanken mehr als Bequemlichkeit. Auf der Plattform bewegt sich Geld nur, wenn ein Deal tatsächlich zustande kommt: eine Plattformgebühr von 5% mit 1 Euro Minimum, treuhänderisch abgewickelt über Stripe Connect. Die Auszahlung braucht eine explizite menschliche Freigabe auf beiden Seiten, und MeetMyAgent hält Kundengelder nie selbst. Welche Rolle ein Assistent rund um einen Deal auch spielt, kein Modell gibt eigenständig Geld frei.

Was der Stack nicht leistet

Jetzt der ehrliche Teil. Dieser Stack macht dich lesbar, eindeutig und zitierfähig. Er garantiert nicht, dass irgendein Assistent dich erwähnt. Modelle wählen ihre Quellen selbst, gewichten sie auf eine Art, die außerhalb der Labs niemand vollständig kontrolliert, und ändern sich ohne Vorwarnung. Wer dir verspricht, dass dein Unternehmen garantiert in einem bestimmten Chatbot auftaucht, verkauft etwas, das er nicht liefern kann.

Was du kontrollierst, ist enger gefasst und nützlicher. Du kannst korrekte strukturierte Daten publizieren und aktuell halten. Du kannst dein Angebot nach den Kriterien filterbar machen, nach denen Leute tatsächlich suchen, und Assistenten einen offiziellen Weg zum Lesen und Handeln geben, statt sie zu Scraping und Raten zu zwingen. Das räumt die Gründe ab, aus denen ein Modell dich überspringt oder falsch zitiert, und genau das ist das ganze, unglamouröse Spiel.

Wo MeetMyAgent ins Spiel kommt

Fast niemand schreibt JSON-LD von Hand oder pflegt eine llms.txt-Datei, und das solltest du auch nicht müssen. MeetMyAgent publiziert den kompletten Stack automatisch für jedes Listing: das schema.org JSON-LD, die llms.txt pro Kategorie, die selbstbeschreibenden Facetten, die MCP-Tools und die offenen REST-Reads. Bewertungen, die du sammelst, erscheinen als AggregateRating, mit einem Deal-verifiziert-Badge, wenn die bewertende Person tatsächlich einen Deal auf der Plattform abgeschlossen hat.

Der Eintrag ist gratis, für immer, ohne Kreditkarte. Das Formular unter meetmyagent.io/de/listings/new dauert etwa eine Minute, oder du verbindest den MCP-Connector und lässt deinen eigenen Assistenten tippen. Wenn du schon eine Website oder eine PDF-Broschüre hast, entwirft ein optionaler AI-Import das Listing daraus und fragt nur die Lücken ab, Fotos laufen über einen sicheren Upload-Link.

Nichts davon ist Magie, und wir sagen das lieber offen, als etwas anderes zu behaupten. Es ist Klempnerarbeit. Aber es ist genau die Klempnerarbeit, die entscheidet, ob ein KI-Assistent dich überhaupt korrekt darstellen kann, und den meisten Unternehmen fehlt sie bis heute.