Saltearse al contenido
NamiDB NamiDB

llms.txt y llms-full.txt

El sitio de docs genera tres digests machine-readable en build time vía el plugin starlight-llms-txt. Los tres siguen la propuesta llmstxt.org.

Las tres URLs

URLFormatoPara
/llms.txtManifiesto de páginas + descripciones cortasEl agente decide qué páginas fetchar bajo demanda
/llms-full.txtTodos los docs EN concatenados como markdownIngesta one-shot del corpus completo
/llms-small.txtSubset filtrado (solo conceptos core)Modelos de context chico (≤ 32k)

Cuándo usar cuál

Cargar llms-full.txt al prompt o system prompt del modelo al inicio de la sesión. Funciona en Opus, GPT-5, Gemini 2.5 — cualquier modelo con ≥ 128k de context.

Ventana de terminal
curl -s https://docs.namidb.com/llms-full.txt > namidb-context.md
# Luego alimentar namidb-context.md al prompt / system message

Qué hay en llms-full.txt

El locale inglés, organizado por sección:

  • Get started (5 páginas)
  • Concepts (6 páginas)
  • Cypher reference (5 páginas)
  • SDK reference (4 páginas: Python, Rust, CLI, HTTP)
  • Operations (12 páginas: config, gramática de URIs, 6 backends, self-host, observabilidad, backup, tuning)
  • Cloud (3 páginas)
  • Internals (RFCs) (17 RFCs)
  • Community (4 páginas)
  • Changelog

El locale español está excluido del digest LLM por diseño — tener los dos locales en un corpus solo diluye el signal para agentes que no hablan español de todas formas. El sitio HTML español queda plenamente navegable.

Notas de ingesta por proveedor

Claude Code

Si usas Claude Code en un repo que toca NamiDB, instala la skill de Claude Code en lugar de esto — es un resumen más apretado, tuneado para flujos de IDE. Usa llms-full.txt solo cuando la skill no está instalada o trabajas con un front-end de LLM distinto.

Anthropic API directo

import anthropic, urllib.request


namidb_context = urllib.request.urlopen(
    "https://docs.namidb.com/llms-full.txt"
).read().decode()


client = anthropic.Anthropic()
resp = client.messages.create(
    model="claude-opus-4-7",
    max_tokens=2048,
    system=[
        {
            "type": "text",
            "text": namidb_context,
            "cache_control": {"type": "ephemeral"},
        }
    ],
    messages=[{"role": "user", "content": "Escribir una query de Cypher que …"}],
)

El bloque cache_control habilita prompt caching para que llamadas posteriores en la misma sesión no re-paguen el costo de ingesta.

Codex (OpenAI)

from openai import OpenAI
import urllib.request


namidb_context = urllib.request.urlopen(
    "https://docs.namidb.com/llms-full.txt"
).read().decode()


client = OpenAI()
resp = client.responses.create(
    model="gpt-5",
    instructions=f"Tienes la documentación completa de NamiDB en contexto:\n\n{namidb_context}",
    input="Escribir una query de Cypher que …",
)

Cómo se construye

astro.config.mjs
import starlightLlmsTxt from 'starlight-llms-txt';


starlight({
  plugins: [
    starlightLlmsTxt({
      projectName: 'NamiDB',
      description: 'Cloud-native graph database…',
      exclude: ['es/**'],
      customSets: [
        { label: 'Cypher reference', paths: ['en/cypher/**'] },
        // …
      ],
    }),
  ],
})

Se vuelve a generar en cada pnpm build y en cada push a Vercel. Siempre matchea el sitio en vivo.

Ver también