Blog

Haz tu web legible para IA: llms.txt, Markdown y un servidor MCP

Cómo hacer tu web legible para agentes de IA con un llms.txt, versiones Markdown de cada contenido y un servidor MCP remoto de solo lectura, sin exponer ningún canal de envío.

Haz tu web legible para IA: llms.txt, Markdown y un servidor MCP
herramientas

Introducción

Los agentes de IA ya leen webs, pero una web pensada para personas les pone las cosas difíciles: menús, estilos, scripts y bloques de navegación que para un humano son invisibles y para un modelo son ruido.

Hay tres ideas que ayudan a ofrecerles un camino limpio hacia tu contenido: un índice, una versión en texto plano de lo que publicas y una forma de consultarlo activamente. Y hay una cuarta, que para mí es la más importante: decidir qué no les dejas hacer.

Qué significa que una web sea legible para IA

No hay un estándar oficial que obligue a nada. Hay convenciones que empiezan a usarse, y la idea de fondo es sencilla: dar al agente una ruta corta y limpia hacia el contenido, en lugar de obligarlo a interpretar HTML pensado para la vista.

Las tres capas funcionan por separado y se apoyan entre sí:

  • Un índice, que dice qué hay en la web y dónde.
  • Versiones en texto plano, con el contenido de cada página sin el envoltorio visual.
  • Un servidor de herramientas, que permite al agente hacer preguntas concretas y recibir respuestas acotadas.

La primera es la más barata y sirve para orientarse. La tercera es la única que permite consultar. Las dos del medio son el puente entre ambas.

Capa 1: un índice en /llms.txt

El formato llms.txt propone un fichero en la raíz del sitio, escrito en Markdown, que funciona como mapa para modelos de lenguaje. Tiene un título, un resumen corto y secciones con enlaces, cada uno con una descripción breve. La propuesta completa está en llmstxt.org.

Lo importante es que sea un índice curado, no un volcado de URLs. Un agente con poco espacio de contexto necesita saber qué es lo principal y qué es secundario, así que conviene separarlo: el contenido que define tu perfil y tus proyectos arriba, y el resto (feeds, mapas del sitio, archivos antiguos) en una sección marcada como opcional.

Capa 2: una versión en texto plano de cada contenido

El índice apunta a algo, y ese algo tiene que poder leerse sin ruido. Aquí aparece el problema más común: si tu contenido vive en un formato con componentes propios, importaciones o imágenes que solo tienen sentido dentro de tu framework, el texto que recibe el agente está lleno de restos.

La solución es convertir cada página a Markdown plano. Esa conversión tiene reglas que conviene tener claras:

  • Los componentes se traducen a su equivalente de texto (una cita, por ejemplo) o se eliminan si no aportan nada.
  • Las imágenes se sustituyen por su texto alternativo. Por eso ese texto debe describir la imagen de verdad cuando aporta información.
  • El código no se toca. Si la conversión reescribe un ejemplo, el agente recibe código que no funciona y no tiene forma de saberlo.

Y algo que no es evidente: el índice y las versiones en texto deben generarse a partir de la misma fuente que la web, en el momento de construirla. Si los mantienes a mano, tarde o temprano dejan de coincidir, y el agente recibe una versión antigua de algo que ya cambió.

En mi web, el llms.txt y las versiones .md se generan automáticamente con endpoints de Astro durante el build, así que no tengo nada que actualizar a mano.

Capa 3: un servidor MCP de solo lectura

Las dos primeras capas son ficheros. Con MCP, la web deja de ser solo algo que se lee y pasa a ser algo que un agente puede consultar. MCP (Model Context Protocol) es un protocolo abierto para que un cliente de IA llame a herramientas que expone un servidor. Su web oficial tiene la especificación y los SDK.

Para una web personal, el conjunto de herramientas útil es pequeño y de solo lectura:

  • Listar contenido, con algún filtro sencillo.
  • Leer un contenido completo a partir de su identificador.
  • Buscar un texto en el contenido publicado.
  • Devolver información pública de contacto.

Que sea de solo lectura no es un detalle menor. Un agente que solo puede leer no puede causar daños fuera de la conversación, y eso simplifica casi todas las decisiones de diseño.

Hay tres principios que me parecen valiosos al montar uno:

  • Sin estado, si puedes. Cada petición se resuelve sola, sin sesiones que mantener entre llamadas. En un entorno sin servidor permanente es lo más sensato.
  • Parámetros acotados. Un límite máximo de resultados y una longitud máxima de búsqueda evitan que una petición descuidada devuelva medio sitio.
  • Errores claros. Un identificador que no existe debe responder con un error explícito, no con un contenido vacío. El agente necesita saber que no ha encontrado nada para poder decírselo a quien le pregunta.

Lo que no expones: ningún envío de mensajes

Esta es la decisión que más me importa, y no es técnica sino de diseño.

Mi servidor no tiene ninguna herramienta que envíe un mensaje. Puede decir cómo contactarme, pero no contactar por mí. Y el motivo es general, no particular de mi web.

Un agente puede llamar a una herramienta miles de veces en un bucle, sin que nadie revise cada llamada. Además, lee contenido de terceros, y ese contenido puede contener instrucciones maliciosas que intenten usar tus herramientas por él. Si una herramienta puede enviar correos, publicar o gastar dinero, cualquiera de esos caminos se convierte en un canal de abuso con tu nombre.

La regla que sigo es simple: si una herramienta puede producir efectos fuera de la conversación, necesita dos cosas, un límite por origen y una confirmación humana antes de ejecutarse. Si no puedes garantizar ambas, no la expongas. Para una web personal, lo más seguro es que el contacto siga siendo una acción humana: un formulario, un enlace, una dirección.

Cómo comprobar que funciona

Hay tres comprobaciones que cubren lo esencial, y ninguna requiere herramientas especiales:

  1. El índice existe y sus enlaces son reales. Abre el llms.txt de esta web, que se abre en una pestaña nueva, y comprueba que cada enlace responde.
  2. Una versión en texto plano se lee sin ruido. Elige un contenido con componentes e imágenes, y verifica que el texto es el que tú ves, sin restos del formato. Puedes comprobarlo con este mismo artículo en su versión .md, que se abre en una pestaña nueva.
  3. Un cliente real puede usar el servidor. No basta con que el endpoint responda a una petición suelta. Conéctalo a un cliente MCP y pide una lista y la lectura de un contenido. Es la prueba que confirma que el protocolo funciona de extremo a extremo.

Conclusión

Hacer tu web legible para IA son tres piezas pequeñas: un índice curado, una versión en texto plano de cada contenido y un servidor de solo lectura. Ninguna requiere infraestructura nueva si ya generas tu web en el momento de construirla.

Y la parte que más importa no es lo que expones, sino lo que decides no exponer. Un agente puede leer tu web sin que tú le des la capacidad de actuar en tu nombre.

Si ya tienes una web en producción, cuéntame en la sección de comentarios de debajo qué capa probarías primero, o qué te frena para hacerlo.

¡Mucha suerte a todos!

Comentarios

Sigue leyendo