Begriff

agent readableMarkdown

Markdown-Negotiation — Glossar

Direkte Antwort

Markdown-Negotiation: Markdown-Negotiation heißt, dass dieselbe Adresse zwei Fassungen ausliefern kann. Sendet ein Programm den Header Accept: text/markdown, antwortet der Server mit einer Markdown-Version der Seite; ein Browser bekommt weiter HTML. Agenten sparen so Navigation, Skripte und Layout und lesen nur Überschriften, Absätze und Listen.

Wichtigste Punkte

  • Eine URL, mehrere Darstellungen — gewählt über den Accept-Header (HTTP Content Negotiation).
  • Antwort mit Content-Type: text/markdown und Vary: Accept, damit Caches die Varianten nicht vermischen.
  • Selten bei kleinen Webseiten — deshalb ein klares Merkmal für Agent-Readiness.
  • Ergänzt llms.txt: Karte plus Inhalt in schlanker Form.

— Steve Baka

Aktualisiert: · Autor: Steve Baka

Was ist Markdown-Negotiation?

HTTP kennt seit Langem die serverseitige Inhaltsaushandlung. Der Client teilt im Accept-Header mit, welche Medientypen er verarbeiten kann, optional mit Gewichtung, und der Server wählt eine passende Darstellung derselben Ressource. Bekannte Anwendungen sind Sprache, Bildformat oder die Wahl zwischen HTML und JSON. Markdown-Negotiation nutzt dieses Prinzip für den Medientyp text/markdown, den RFC 7763 registriert.

Das Ergebnis: Unter https://beispiel.de/leistungen liefert ein Browser die gewohnte Seite, ein Agent mit Accept: text/markdown erhält denselben Inhalt als Markdown. Keine zweite Adresse, kein /md/-Duplikat, keine Frage, welche URL die kanonische ist. Das passt zur Idee des Webs: Eine Ressource, verschiedene Repräsentationen.

Warum profitieren KI-Agenten davon?

Sprachmodelle zahlen für jedes Token Kontext. Eine typische Unternehmensseite besteht zu großen Teilen aus Menüs, Cookie-Bannern, Skripten und verschachtelten Containern. Was der Agent eigentlich braucht, sind ein paar hundert Wörter Inhalt. Als Markdown bleiben Überschriftenebenen, Listen, Tabellen und Links erhalten — genau die Struktur, die für RAG und Antwortgenerierung nützlich ist. Weniger Rauschen heißt weniger Fehlinterpretation und mehr verwertbarer Text pro Abruf.

Das Verfahren ersetzt keine gute Seite. Es verbessert die Extrahierbarkeit, also wie leicht Aussagen aus einer Seite gelöst werden können. In der AI-Readiness-Studie liegt der Anteil der Webseiten mit Markdown-Negotiation nahe null Prozent — Legacy-CMS und Baukästen können es meist nicht. Wer es anbietet, zeigt Agenten eine bevorzugte Lesefassung.

Wie wird es technisch umgesetzt?

  1. Header auswerten: Der Server liest Accept und prüft, ob text/markdown bevorzugt wird.
  2. Markdown erzeugen: Idealerweise aus derselben Quelle wie das HTML, nicht per nachträglicher Konvertierung. Bei Next.js mit MDX-Inhalten liegt der Markdown-Text ohnehin vor.
  3. Header setzen: Content-Type: text/markdown; charset=utf-8 und Vary: Accept.
  4. Caching beachten: Ohne Vary: Accept könnte ein CDN die Markdown-Antwort an einen Browser ausliefern oder umgekehrt.
  5. Fallback: Unbekannte oder fehlende Accept-Header liefern weiterhin HTML.

Aus SSR-Sicht ist das ein Zusatzzweig im Request-Handler, kein neues Rendering-System.

Markdown-Negotiation bei Modern Stack

Wir liefern Markdown für Startseite, Hubs, Studien und alle Inhaltsseiten — einschließlich englischer Maschinenfelder. Zusammen mit /llms.txt und /llms.json entsteht eine Maschinenoberfläche, die ohne HTML-Parsing auskommt. Häufige Fehler anderswo: zusätzliche /markdown/-Pfade ohne Canonical, fehlendes Vary, Markdown mit unvollständigem Inhalt gegenüber dem HTML oder ein Server, der auf Accept: text/markdown mit 406 antwortet. Einordnung und Messung findest du unter GEO & AI-Sichtbarkeit.

Verwandte Themen

Mehr dazu: GEO & AI-Sichtbarkeit

Quellen

Häufige Fragen

Sehen normale Besucher dadurch Markdown?

Nein. Browser fordern HTML an und bekommen HTML. Nur Clients, die ausdrücklich Accept: text/markdown senden, erhalten die Markdown-Fassung. Die kanonische URL und die HTML-Seite bleiben unverändert.

Ist das ein Rankingfaktor?

Nicht im klassischen Sinn. Es verbessert die Maschinenlesbarkeit für Agenten und fließt in den Agent-Ready-Score ein. Ob und wann ein Anbieter es nutzt, entscheidet jeder Client selbst.

Was ist der Unterschied zu llms.txt?

llms.txt ist eine Karte mit Links und Kurzbeschreibungen. Markdown-Negotiation liefert die einzelnen Seiten selbst im schlanken Format. Beide ergänzen sich.

Weiterlesen

  • llms.txt

    llms.txt ist ein 2024 vorgeschlagenes Format: eine Markdown-Datei unter /llms.txt, die Sprachmodellen Titel, Kurzbeschreibung und priorisierte Links einer Webseite liefert. Sie ergänzt HTML, ersetzt aber keine guten Seiten.

  • Extrahierbarkeit

    Extrahierbarkeit beschreibt, wie zuverlässig sich Fakten aus einer Webseite herauslösen lassen — durch Menschen, Crawler und KI-Modelle. Sauberes HTML, klare Überschriften und eigenständige Antwortabschnitte erhöhen sie; Layout-Ballast und JavaScript-Hüllen senken sie.

  • GEO & AI-Sichtbarkeit

    Warum moderne Webseiten für Google und KI-Systeme strukturiert sein müssen — und wie Modern Stack die technische Grundlage für GEO, AIO und Zitation in generativen Antworten schafft.

  • Agent-Ready-Score

    Der Agent-Ready-Score (0–100) bewertet, wie gut eine Webseite für KI-Crawler und Assistenten nutzbar ist: Auffindbarkeit, Inhalt für Agenten und Bot-Zugangsregeln — gemessen über mehrere Seiten, nicht nur die Startseite.

  • Crawlability

    Crawlability beschreibt, ob Suchmaschinen-Crawler und KI-Assistenten deine Inhalte erreichen und lesen dürfen und können. Gesperrte Bots, fehlerhafte Statuscodes, Soft-404 und leere JavaScript-Hüllen verhindern sie.

  • RAG

    RAG (Retrieval-Augmented Generation) ergänzt ein Sprachmodell um eine Suchstufe: Vor der Antwort werden passende Textstellen abgerufen und dem Modell mitgegeben. Für Webseiten heißt das: klare, aktuelle, kurze Abschnitte.

  • AI-Readiness deutscher Dienstleister-Webseiten — Studie, Zahlen und Handlungsbedarf

    Empirische Auswertung von 6.675 Live-Audits: Agent-Ready-Scores, llms.txt, Markdown-Negotiation und Crawl-Signale bei Physiotherapie, Steuerberatung, Coaching, Psychologie, Fotografie und weiteren Dienstleistern in Deutschland — mit Interpretation für GEO, AIO und Webseite-Modernisierung.

  • SSR

    SSR (Server-Side Rendering) erzeugt das HTML einer Seite auf dem Server pro Anfrage, statt es dem Browser per JavaScript zusammenbauen zu lassen. Crawler, Assistenten und Nutzer erhalten den Inhalt sofort im ersten Response.

  • AI-Readiness von Physiotherapie-Webseiten — Branchenstudie

    Empirische Branchenauswertung: 2854 Live-Audits zu Physiotherapie, Agent-Ready Ø 19/100, Fit Ø 81/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness von Coaching-Webseiten — Branchenstudie

    Empirische Branchenauswertung: 702 Live-Audits zu Coaching, Agent-Ready Ø 18/100, Fit Ø 82/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness von Steuerberater-Webseiten — Branchenstudie

    Empirische Branchenauswertung: 1524 Live-Audits zu Steuerberater, Agent-Ready Ø 22/100, Fit Ø 78/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness von Psychologie- und Therapie-Webseiten — Branchenstudie

    Empirische Branchenauswertung: 1272 Live-Audits zu Psychologie, Agent-Ready Ø 25/100, Fit Ø 75/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness von Fotografie-Webseiten — Branchenstudie

    Empirische Branchenauswertung: 1262 Live-Audits zu Fotografie, Agent-Ready Ø 25/100, Fit Ø 75/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness gemischter Dienstleister-Webseiten — Branchenstudie

    Empirische Branchenauswertung: 1622 Live-Audits zu Dienstleistung, Agent-Ready Ø 22/100, Fit Ø 78/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness von Gesundheitspraxis-Webseiten — Richtungsstudie

    Empirische Branchenauswertung: 74 Live-Audits zu Gesundheitspraxis, Agent-Ready Ø 20/100, Fit Ø 80/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness von Handwerks-Webseiten — Richtungsstudie

    Empirische Branchenauswertung: 35 Live-Audits zu Handwerk, Agent-Ready Ø 19/100, Fit Ø 81/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness in Bad Schönborn — lokale Studie zu Dienstleister-Webseiten

    Primärstudie zur AI-Readiness und AI-Sichtbarkeit von Dienstleister-Webseiten in Bad Schönborn inkl. Mingolsheim und Langenbrücken: Agent-Ready-Scores, Discovery-Mentions in KI-Suche, llms.txt und Handlungsempfehlungen.

  • AI-Readiness in Bruchsal — lokale Studie zu Dienstleister-Webseiten

    Primärstudie zur AI-Readiness aller auffindbaren Dienstleister-Webseiten in Bruchsal (PLZ 76646) inkl. Stadtteile: Agent-Ready-Scores, llms.txt, Crawl-Signale und konkrete Handlungsempfehlungen für lokale Betriebe.

← Glossar·Themen