最近在研究 LLM 上下文工程（Context Engineering）时，发现一个特别实用的工具——`llms-txt`。它的职责非常纯粹：将项目里的 `llms.txt` 文件转换成大型语言模型能够直接理解的 XML 上下文文档。 做 AI Agent、RAG、Claude 项目或 Prompt 工程的同学，应该都遇到过这样的需求：如何把项目文档自动整理成模型可读的结构化信息？这个工具正是为此而生。 下面从概念到操作，完整梳理它的用法和原理。 ## Python 解析 llms.txt 的教程：一键生成 LLM 上下文 XML 

---

### 前言 `llms-txt` 的核心价值一句话就能说清楚：**将 Markdown 格式的项目描述，转化为 LLM 可以直接使用的结构化上下文**。 它主要完成三件事： - 解析 `llms.txt` 的区块结构 - 提取标题、摘要、文档链接、示例链接等信息 - 输出一个整洁的 XML 文档，直接喂给 Claude、GPT 等模型作为背景知识 接下来完整介绍：CLI 如何使用、Python API 如何调用、核心解析原理（附 20 行实现），以及适合在哪些场景落地。

---

### 一、什么是 llms.txt 简单来说，它是一种用 Markdown 描述项目的方式——把文档、示例、知识链接按照固定结构组织起来。 下面是一个典型示例： ```ja vascript # FastHTML > FastHTML is a python library which... When writing FastHTML apps remember to: - Thing to remember ## Docs - [Surreal](https://host/README.md): Tiny jQuery alternative - [FastHTML quick start](https://host/quickstart.html.md) ## Examples - [Todo app](https://host/adv_app.py) ## Optional - [Starlette docs](https://host/starlette-sml.md) ``` 核心区块只有四个： | 区块 | 含义 | |------|------| | Title | 项目名称 | | Summary | 项目简介（`>` 引用的文字） | | Info | 额外说明（标题和摘要之后、第一个 `##` 之前的内容） | | Sections | 文档、示例、可选等分类链接，每类下放一个列表 |

---

### 二、安装 llms-txt ```ja vascript pip install llms-txt ``` 安装完成后，命令行就会多出 `llms_txt2ctx` 命令。 ```ja vascript llms_txt2ctx ```

---

### 三、CLI 使用教程 查看帮助： ```ja vascript llms_txt2ctx -h ``` 将 `llms.txt` 转换为 XML 上下文（默认不包含 Optional 区块）： ```ja vascript llms_txt2ctx llms.txt > llms.md ``` 如果需要包含 Optional 区块： ```ja vascript llms_txt2ctx llms.txt --optional True > llms.md ``` 生成的内容可以直接交给 Claude 或 GPT，无需额外处理。

---

### 四、Python API 使用 除了命令行，它还提供 Python 模块，适合在项目中实现自动化。 #### 导入模块 ```ja vascript from llms_txt import * from pathlib import Path ``` 读取 `llms.txt`： ```ja vascript samp = Path('llms-sample.txt').read_text() ```

---

#### 1️⃣ 解析 llms.txt ```ja vascript parsed = parse_llms_file(samp) ``` 解析后，得到的 `parsed` 是一个命名元组，包含四个字段： ```ja vascript list(parsed) # ['title', 'summary', 'info', 'sections'] ``` 查看标题和摘要： ```ja vascript parsed.title, parsed.summary # ('FastHTML', 'FastHTML is a python library...') ``` 查看所有 section 名称： ```ja vascript list(parsed.sections) # ['Docs', 'Examples', 'Optional'] ``` 查看某条链接的具体内容： ```ja vascript parsed.sections.Optional[0] # {"desc": "A subset of the Starlette documentation useful...", # "title": "Starlette full documentation", # "url": "https://..."} ```

---

#### 2️⃣ 生成 LLM XML 上下文 最关键的一步——把解析结果转成 XML 文档： ```ja vascript ctx = create_ctx(samp) print(ctx[:300]) ``` 输出的内容类似： ```ja vascript Remember: - Use serve() for running uvicorn... ``` 这一步就是 CLI 背后实际执行的逻辑。

---

### 五、核心实现原理（重点） 官方给出了一个**无依赖、20 行的解析器**，非常值得学习。 #### 完整解析器 ```ja vascript from pathlib import Path import re, itertools def chunked(it, chunk_sz): it = iter(it) return iter(lambda: list(itertools.islice(it, chunk_sz)), []) def parse_llms_txt(txt): "Parse llms.txt file contents in `txt` to a `dict`" def _p(links): link_pat = r'- \[(?P