AgentReady 发布：基于 25 万次 Agent 实测的 "Agent 可用性" 开放标准，真正卡住 Agent 的只有两件事 @oradotai 联合 Vercel、Stripe、Auth0、Mintlify、Tavily、Google、Elementor、MIT 推出 AgentReady：一份开源（MIT 许可）、不绑定任何厂商的规范，规定网站和产品要做到什么程度，AI Agent 才能找到它、读懂它、用起来。核心发现很反直觉：在受控实验里，只有两种改动会让 Agent 失败：把答案藏在 JavaScript 里，以及直接屏蔽 Agent。其他十几种 "给 Agent 优化" 的配置，对能不能拿到答案都没有影响。 ora.ai/blog/agentready-launc… 关键发现 · 受控实验：同一个文档站用 19 种配置提供服务，由不跑 JS 的普通抓取和能跑 JS 的客户端分别去取答案，共 190 次探测。只有"答案只在 JS 里"（普通抓取全部失败）和"对 Agent 返回 403"（两种客户端全部失败）会出问题。llms.txt、JSON-LD、站点地图、Markdown 镜像都没有改变结果。 · Agent 和人看的是同一批页面：83% 的运行访问了文档页，69% 访问了首页；.well-known 只有 23%，sitemap.xml 只有 4%。 · 靠链接，不靠猜路径：llms.txt 的访问有 86% 来自页面链接，openapi.json 是 97%。也就是说，专门给机器的文件，如果没有页面链接过去，基本没人读。 · 读不到你，Agent 也照样回答：在 1,056 个商业网站上，Agent 读不到官网时，转而用搜索结果和第三方页面作答，这样的回答"完全没有包含用户要问的事实"的概率是 3.7 倍（25% 对 7%）。价格回答的准确率是 37% 对 60%。对 Agent 友好的企业被明确推荐的比例是 20% 对 11%。 · 现状：ora 扫描了约 12.4 万个网站，平均 42 分，只有 6% 达到 B 级及以上，59% 是 D 或 F。 规范结构：按 Agent 接触网站的顺序分三步（找到、读取、操作） · 找到：MUST 是在 robots.txt 和防机器人系统里放行 Agent，规则写成通配，不要只列白名单；SHOULD 是发布官方文档、提供 sitemap；MAY 是 /.well-known/ai-catalog.json。 · 读取：MUST 是答案出现在初始 HTML 里、返回真实的 HTTP 状态码；SHOULD 是链接 llms.txt、JSON-LD、OpenAPI，代码块要标注语言，价格要以文字形式写在页面上。 · 操作（只针对需要让 Agent 完成任务的产品）：MUST 是至少提供 MCP 服务器或 CLI 之一；SHOULD 是 Agent 能独立走完的登录认证、公开 API 加 OpenAPI、WebMCP；MAY 是 Agent 支付（通过 Link 的测试结账正确率 92.3%）。