文章轉載于新智元

AI網絡爬蟲是互聯網上的「 蟑螂」，幾乎所有軟件開發者都會這樣認為的。

「爬蟲 」是一種網絡自動程序，用來瀏覽互聯網、獲取網頁內容。

而在AI時代，爬蟲的威脅到了讓開發者不得不封鎖掉某個地區所有人的訪問。

Triplegangers是一家僅僅由七名員工運營的公司，他們花費十多年時間建立了自稱是網絡上最大的「人類數字替身」的數據庫，即從實際人體掃描得到的3D圖像文件。

2025年2月10日，公司CEO Oleksandr Tomchuk突然發現他們公司的電商網站「崩了」。

「OpenAI使用了600個IP來抓取數據，日志還在分析中，可能遠不止這些」，Tomchuk最終發現，導致他們網站崩潰的元兇竟然是OpenAI的爬蟲機器人。

「他們的爬蟲正在壓垮我們的網站，這就是一次DDoS攻擊！」

OpenAI沒有回應此次事件，該事件過去僅僅不到兩個月，但AI爬蟲機器人仍然活躍在網絡上。

1

AI爬蟲不遵循「古老傳統」，阻止他們是徒勞的

其實爬蟲最早并不是AI時代為了獲取訓練語料而誕生的。

早在搜索引擎時代，就已經有「搜索引擎機器人」，那個「古老年代」的機器人還約定俗成的遵循各個網站上會存在的一份文件——robots.txt。

這個文件告訴了機器人不要爬取哪些內容，哪些內容可以爬取。

但這份傳統隨著互聯網的發展似乎已經被遺忘，爬蟲和反爬蟲也演變為一場攻防戰役。

而到了如今的「大模型時代」，互聯網的信息已經被LLMs吞噬一空。

阻止AI爬蟲機器人是徒勞的，因為它們會撒謊、更改用戶代理、使用住宅IP地址作為代理來騙過網絡「防守」。

「他們會不斷地抓取你的網站，直到它崩潰，然后還會繼續抓取。他們會點擊每一個頁面上的每一個鏈接上，一遍又一遍地查看相同的頁面」，開發者在帖子中寫道。

AI機器人除了「免費」爬取信息外，還會額外增加所爬網站企業的運營費用——在這個云服務的時代，幾乎所有被爬取的企業都在云上，大量的爬蟲流量不僅無法帶來收益，還會增加他們的云服務器賬單。

更加無法預料的一點是，對于那些被「白嫖」的網站來說，甚至確切的知道被白嫖了哪些信息。

一些開發者決定開始以巧妙且幽默的方式進行反擊。

1

程序員打造爬蟲的「神之墓地」

FOSS開發者Xe Iaso在博客中描述了AmazonBot如何不斷攻擊一個Git服務器網站，導致DDoS停機。

所以Iaso決定用智慧反擊，他構建了一個名為Anubis的工具。

Anubis是一個工作量證明檢查的反向代理，請求必須通過該檢查才能訪問Git服務器。

它阻止機器人，但允許人類操作的瀏覽器通過。

Iaso關于Anubis工作原理的簡單介紹。

本質上，Anubis確保的是「真實人類使用的瀏覽器」在訪問目標網站，而不是AI爬蟲——除非這個爬蟲偽裝的足夠「先進」，就像通過圖靈測試一樣。

有趣的部分是：Anubis是埃及神話中引導死者接受審判的神的名字。

「Anubis稱量了你的靈魂（心臟），如果它比一根羽毛重，你的心臟就會被吃掉，然后你就徹底死了」。

這個項目的名字帶有諷刺意味，在自由開源軟件社區中像風一樣傳播開來。

Iaso在3月19日將其分享到GitHub上，僅幾天時間就獲得了2000個星標、20位貢獻者和39個分支。

1

用「復仇」的方式防御AI爬蟲

Anubis的迅速流行表明Iaso的痛苦并非個例。 事實上，還有很多故事：

• SourceHut的創始人兼CEO Drew DeVault描述說，他每周要花費「20% 到 100% 的時間來大規模緩解過于激進的 LLM 爬蟲」，并且「每周經歷數十次短暫的服務中斷」。

• Jonathan Corbet，一位著名的FOSS開發者，他運營著Linux行業新聞網站 LWN，警告稱他的網站正受到「來自 AI 抓取機器人的 DDoS 級別的流量」影響而變慢。

• Kevin Fenzi，龐大的Linux Fedora項目的系統管理員，表示AI抓取機器人變得如此激進，他不得不封鎖整個巴西的訪問。

除了像Anubis一樣「衡量」網絡請求者的靈魂外，其他開發者認為復仇是最好的防御。

幾天前在Hacker News上，用戶xyzal建議用「大量關于喝漂白劑好處的文章」或「關于感染麻疹對床上表現的積極影響的文章」來加載robots.txt禁止的頁面。

這樣AI爬蟲獲取的信息都是這種大量且無用的「替代品」。

「我們認為需要讓機器人訪問我們的陷阱時獲得負的效用值，而不僅僅是零價值」，xyzal 解釋說。

一月份，一位名為Aaron的匿名創作者發布了一個名為Nepenthes的工具，其目的正是如此。

它將爬蟲困在一個無盡的虛假內容迷宮中，無法像爬蟲「主人」返回任何信息。

而作為網友心目中的「賽博菩薩」的Cloudflare，也許是提供多種工具來抵御AI爬蟲的最大商業玩家，上周發布了一個名為AI Labyrinth的類似工具。

它的目的是「減慢、迷惑并浪費不遵守禁止爬取指令的AI爬蟲和其他機器人的資源」，Cloudflare 在其博客文章中描述道。

「當AI爬蟲跟隨這些鏈接時，它們會浪費寶貴的計算資源處理無關內容，而不是提取合法網站數據。這大大降低了它們收集足夠有用信息以有效訓練模型的能力」。

相比起反擊，另一種觀點是「Nepenthes有一種令人滿意的正義感，因為它向爬蟲提供無意義的內容并污染它們的數據源，但最終Anubis是對網站有效的解決方案」。

拒絕或者反擊也許都不是最佳的途徑。

DeVault也公開發出了一則誠懇的請求，希望有一個更直接的解決辦法：「請停止將LLMs或AI圖像生成器任何這類垃圾合法化。懇求停止使用它們，停止談論它們，停止制造新的，就這么停下」。

但是，想讓LLM廠商主動停止爬蟲這種情況的可能性幾乎為零。

畢竟AI的「智能」都來自于不斷「吞噬」互聯網上的各種數據和信息。

不論是給禁止AI爬蟲訪問網站、給AI「投喂垃圾」還是將AI爬蟲拉入「無線虛空」。

開發者們，尤其是在開源軟件領域，正在用智慧和「極客幽默」進行反擊。

如果你是網站管理者和開發者，你會如何「出招」？

參考資料：

https://techcrunch.com/2025/03/27/open-source-devs-are-fighting-ai-crawlers-with-cleverness-and-vengeance/

點個 “愛心”，再走吧