OKF vs. llms.txt vs. AGENTS.md vs. JSON-LD
Diese vier Formate werden oft in einen Topf geworfen, weil alle „Maschinen etwas über Inhalte sagen". Sie lösen aber verschiedene Probleme an verschiedenen Orten. Diese Seite ordnet sie entlang klarer Dimensionen ein, ohne Sieger zu küren – am Ende passt jedes zu einer anderen Aufgabe, und die meisten lassen sich kombinieren.
Die kurze Version
| Dimension | OKF v0.2 | llms.txt | AGENTS.md | JSON-LD |
|---|---|---|---|---|
| Einheit / Unit | Konzept-Bundle (viele Dateien) / concept bundle | eine Datei je Site / one file per site | eine Datei je Repo/Ordner / one file per repo | Annotation je Seite / per-page annotation |
| Hauptkonsument / Primary consumer | Mensch + RAG-Agent / human + RAG agent | LLM zur Inferenzzeit / LLM at inference | Coding-Agent / coding agent | Suchmaschine, Knowledge Graph / search engine |
| Inhalt / Content | Prosa + Metadaten / prose + metadata | kuratierter Link-Index / curated link index | Anweisungen / instructions | typisierte Entitäten / typed entities |
| Provenance/Trust | ja (generated, verified, status) | nein / no | nein / no | begrenzt (Autor, Datum) / limited |
| Versionierbar in Git / Git-diffable | ja / yes | ja / yes | ja / yes | im Seitenquelltext / in page source |
| Herkunft / Origin | offenes Format, Google-Basis + Profil | Answer.AI (2024) | Linux Foundation / AAIF | W3C / schema.org |
OKF – das Wissens-Bundle
OKF beschreibt Wissen als Sammlung einzelner Konzepte: je eine Markdown-Datei mit YAML-Kopf, zusammen ein Bundle. Der Fokus liegt auf dem Inhalt selbst und seiner Belastbarkeit – mit der v0.2-Schicht aus Herkunft, Prüfung und Aktualität. Ein Bundle ist gleichzeitig für Menschen lesbar, in Git diffbar und für Retrieval durch KI-Systeme gebaut. Die Stärke: Granularität und Vertrauen. Die Grenze: Es ist kein Seiten-Wegweiser und keine Agenten-Anleitung, sondern der Wissenskörper darunter.
llms.txt – der Wegweiser an der Site-Wurzel
llms.txt, 2024 von Jeremy Howard (Answer.AI) vorgeschlagen, ist eine einzelne Markdown-Datei unter /llms.txt, die einem Sprachmodell zur Inferenzzeit einen kuratierten Überblick über eine Website gibt: eine H1 mit dem Namen, ein Kurzsummary als Blockquote, dann H2-Abschnitte mit Linklisten auf die wichtigen (oft als .md gespiegelten) Seiten. Der Zweck ist Auffindbarkeit, nicht Speicherung: Das Modell soll schnell dorthin finden, wo die Substanz liegt. llms.txt ergänzt Sitemap und robots.txt, ersetzt sie nicht.
llms.txt und OKF beißen sich nicht. Ein OKF-Bundle liefert die Konzepte; eine llms.txt kann darauf zeigen. Die Pipeline dieses Projekts erzeugt beides – die Konzepte plus eine llms.txt als Crawler-Wegweiser.
AGENTS.md – die Anleitung für Coding-Agenten
AGENTS.md ist ein offenes Format, das einem Coding-Agenten sagt, wie er in einem Repository arbeiten soll: Build-Befehle, Testkommandos, Codekonventionen, Sicherheitshinweise. Ein „README für Agenten", inzwischen von über 60.000 Open-Source-Projekten genutzt und unter dem Dach der Linux Foundation gepflegt. Es beschreibt Handlungsanweisungen, keinen Wissenskörper. Damit steht es orthogonal zu OKF: Das eine sagt einem Agenten, wie er ein Projekt bearbeitet, das andere liefert ihm was er wissen muss.
JSON-LD – die typisierte Annotation für Suchmaschinen
JSON-LD nach schema.org bettet strukturierte Daten in eine Webseite ein: typisierte Entitäten und ihre Beziehungen, in einem <script type="application/ld+json">-Block. Suchmaschinen und klassische Knowledge Graphs lesen daraus Fakten über Produkte, Personen, Organisationen, Artikel. Die Stärke liegt in der maschinellen Präzision typisierter Felder – ein Preis ist ein Preis, ein Autor ist ein Autor. Die Grenze liegt bei Prosa: JSON-LD annotiert Inhalte, es trägt sie nicht. Ein Fließtext-Wissenskörper mit Herleitungen und Beispielen passt schlecht in typisierte Felder.
Entlang der entscheidenden Dimensionen
Granularität. JSON-LD arbeitet auf Feldebene, OKF auf Konzeptebene, AGENTS.md und llms.txt auf Datei- beziehungsweise Site-Ebene. Je feiner die Einheit, desto gezielter das Retrieval – und desto mehr Pflegeaufwand.
Provenance und Trust. Hier ist OKF v0.2 allein: generated, verified, status, stale_after und sources machen Herkunft und Aktualität maschinenlesbar. JSON-LD kann Autor und Datum tragen, aber keinen Prüf- und Lebenszyklus. llms.txt und AGENTS.md kennen das Thema nicht – sie sind dafür nicht gedacht.
Portabilität. OKF, llms.txt und AGENTS.md sind Markdown im Klartext und leben in Git. JSON-LD lebt im Seitenquelltext und ist an die Seite gebunden, in der es steht. Für einen versionierten, weitergebbaren Wissenskörper ist der Klartext-Ansatz im Vorteil.
Wann welches
Ein realistisches Setup nutzt mehrere zugleich. JSON-LD annotiert die öffentliche Website für Suchmaschinen. llms.txt weist Sprachmodelle an der Site-Wurzel zurecht. AGENTS.md steuert die Agenten, die am Code arbeiten. Und OKF trägt den eigentlichen Wissenskörper, den ein RAG-System befragt – mit der Provenance, die die anderen drei nicht liefern. Die Frage ist selten „welches Format", sondern „welche Schicht" – und OKF besetzt die Wissensschicht.
Weiter im Thema
Wie sich Retrieval über ein OKF-Bundle messen lässt, steht auf der RAG-Benchmark-Seite. Das Format selbst erklärt die OKF-v0.2-Spezifikation.
Quellen: llms.txt (Answer.AI, 2024), AGENTS.md (Linux Foundation), schema.org / JSON-LD, OKF SPEC.md. Abgerufen am 2. August 2026. / Sources retrieved 2 August 2026.