當你開始研究 llms.txt，會發現它只有一層。每一列都是一個頁面連結「 [標題](連結)：描述」，分類頁、文章、商品頁全部平等並列，看不出彼此的關係。網站一旦有了分類、有了一定數量的內容，這一層就不夠用，如果將所有頁面全部列出來，會導致內容太多，塞進 context 反而稀釋 AI 的注意力；只列幾頁，地圖又殘缺。寫少不完整，寫多撐不住。更根本的問題是，你在 WordPress 裡分好的分類、排好的層級，在這份檔案裡完全消失，AI 拿到的是一份沒有主從先後的清單，很容易抓錯頁面，答非所問。
從 2D 到 3D：RAG Sitemap 如何重建網站知識骨架
RAG Sitemap 解決的，正是 llms.txt 沒有解決的那個問題。如果說 llms.txt 是攤平在地上的平面圖，RAG Sitemap 就是一座有樓層、有動線的 3D 建築。它不只是一份連結總表，而是一套讓 AI 能夠逐層導航的結構化知識地圖。
核心設計從 master-sitemap.txt 開始。這份主檔案不只是列標題和連結，它透過 Rag_Item_Link 指向單一頁面的詳細內容，又透過 Rag_Category_Link 將 AI 導向分類清單。AI 可以先讀總綱，再依需求鑽入特定分類，最後進入單篇文章的完整內文。這種分層遞進的關係，讓 AI 有機會「理解」而非單純「知道」你的網站。
當 AI Chatbot 需要回答特定產品或文章的問題時，它不再需要把整個網站資料塞進上下文。它可以沿著 RAG Sitemap 的立體路徑，精準定位到那一個分類、那一篇文章，用最小的 Token 成本取得最深的資訊。
專為 AI 檢索設計的檔案架構：透明、分層、多語系
這是一種以 AI 最佳化格式呈現、專為機器理解設計的內容輸出，但同時保留了對人類高度友善的可讀性。這點至關重要：傳統向量資料庫（Vector Database）猶如「黑盒子」，AI 檢索只能靠算式去「猜」，開發者調整向量算法也像在盲人摸象。相反地，RAG Sitemap 的純文字透明化輸出，讓你隨時可以檢查。如果 AI 找不到某個產品，人類可以輕易分析除錯：是不是這個分類的描述（Description）寫得不夠清楚？
你也不會覺得把網站拆成這麼多小文字檔很瑣碎，因為這一切都不需要手動處理。透過 RAG Sitemap，系統會沿著 WordPress 網站既有的分類邏輯「一鍵自動生成」。管理者只需專注於內容本身，系統可以將龐大的網站一鍵轉化為 LLM 最擅長處理的結構化語料。
更進一步，這套架構原生支援多語系擴展：例如 jp/、ko/ 等語言各自可以擁有獨立的主目錄與內容層，讓不同語言的 AI 檢索引擎都能精準讀取對應的知識地圖。當你的網站內容以這種透明、確定的格式存在，無論是驅動站內對話機器人，還是迎接 AI 搜尋引擎，本質上都是零邊際成本的前瞻佈局。
