想象一下 ，被大P榜你是模型一个默默耕耘的开源社区管理员，服务器日复一日地为开发者提供支持 ，大模单出突然有一天 ，击力流量日志里冒出一堆不速之客——不是指数黑客 ，不是被大P榜爬虫爱好者 ，而是模型AI大模型的训练机器人 。这些家伙像饿狼一样扑向你的大模单出数据 ，把带宽吃得干干净净 ，击力甚至连页面加载都卡到怀疑人生。源码库指数很遗憾 ，被大P榜这不是模型阴谋论科幻片 ，而是大模单出广大中小互联网企业/服务正面临的现实威胁 。
DDoS新势力：AI爬虫
就在本周一 ，击力SourceHut——一家开源Git托管服务平台 ，指数在其状态页面上无奈喊话 ：“我们持续遭受激进的LLM（大语言模型）爬虫干扰，服务屡屡受阻 。”为了自救 ，他们祭出了名为“Nepenthes”的捕虫器 ，试图困住这些为AI训练而生的爬虫 ，服务器租用同时还直接封禁了Google Cloud和Microsoft Azure等云服务商的IP——因为这些地方正是爬虫流量的重灾区 。
SourceHut坦言，虽然这些措施暂时控制住了局面 ，但也可能误伤正常用户，体验降级在所难免 。
这不是SourceHut第一次被“爬虫DDoS”搞得焦头烂额。早在2022年 ，他们就曾公开diss谷歌的Go Module Mirror ，指责其无节制的流量请求形同“拒绝服务攻击”。而如今，香港云服务器随着生成式AI热潮席卷全球 ，类似的故事在互联网的各个角落反复上演 。
维修网站iFixit去年7月就曾抱怨Anthropic的Claudebot过度爬取；云托管服务Vercel则在2024年12月披露 ，单月内OpenAI的GPTbot发起了5.69亿次请求 ，Anthropic的Claudebot也有3.7亿次 ，合计占谷歌Googlebot请求量的20% 。Diaspora开发者Dennis Schubert甚至爆料，他服务器60天内70%的流量都来自LLM训练机器人 。
这些AI爬虫为何如此猖狂？答案很简单：数据饥渴 。亿华云生成式AI的崛起让OpenAI 、Anthropic 、Google等玩家对互联网内容的渴求达到了前所未有的高度 。无论是ChatGPT的对话能力 ，还是Claude的推理水平，背后都需要海量数据喂养 。然而 ，这种“拿来主义”正在给中小型互联网服务带来沉重负担 ，甚至演变成一场无形的建站模板DDoS危机。
大模型“DDoS攻击力指数”TOP10榜单
为了更直观地呈现这些AI爬虫的“破坏力” ，GoUpSec基于近期互联网相关报道与公开数据 ，整理了一份“大模型DDoS攻击力指数TOP10榜单” 。指数综合了爬虫的请求量 、覆盖网站范围、被封禁频率以及对服务影响的严重程度等维度 。以下是榜单及简评 ：
1.Bytespider（字节跳动）指数 ：95
点评：字节跳动的爬虫王者 ，据Cloudflare统计 ，其请求量和覆盖范围均居首位，为自家AI产品豆包囤粮 。源码下载被封禁率也高，其激进作风无人能敌 。
2.GPTbot（OpenAI）指数 ：90
点评：OpenAI的明星爬虫 ，单月5.69亿次请求让人咋舌。虽然承诺尊重robots.txt，但伪装流量和过载投诉仍让它稳坐榜眼 。
3.Claudebot（Anthropic）指数 ：85
点评 ：Anthropic的训练先锋 ，3.7亿次月请求+iFixit百万次单日轰炸 ，堪称“温柔杀手” 。被封禁率稍低 ，但破坏力不容小觑 。
4.Amazonbot（亚马逊）指数 ：80
点评：为Alexa索引内容而生 ，流量虽不及前三 ，但开发者频频抱怨其过载行为 ，伪装流量也让人生疑 。
5.Google-Extended（谷歌）指数：75
点评：谷歌专为AI训练设计的爬虫 ，13.6%的顶级网站封禁率显示其影响力。双重身份（搜索+AI）让网站主投鼠忌器。
6.AppleBot（苹果）指数 ：70
点评 ：苹果为AI功能收集数据的代表 ，透明度较高，但DoubleVerify数据显示其贡献了2024年16%的无效流量。
7.Meta AI Bot（Meta）指数：65
点评 ：Meta的AI野心驱使其爬虫活跃 ，虽然自称目的明确 ，但多用途属性让封禁变得复杂 。
8.CCBot（Common Crawl）
指数 ：60
点评 ：开源数据集的常客 ，22.1%的顶级网站封禁率说明其影响广泛 ，但攻击性稍逊商业爬虫 。
9.OAI-SearchBot（OpenAI）指数 ：55
点评 ：OpenAI的新兵 ，甫一亮相就被14家主流媒体封杀 ，潜力未完全释放 。
10.Perplexity AI Bot（Perplexity）指数 ：50
点评 ：AI搜索新贵 ，伪装成普通浏览器偷偷摸摸爬数据 ，惹恼了不少网站主 。
面对“白嫖”：躺平还是对抗 ？
疯狂的AI爬虫其实也有自己的行规 ，2023年8月 ，OpenAI率先承诺GPTbot会遵守robots.txt标准 ，其他厂商纷纷跟进。然而现实却是，承诺归承诺 ，执行靠自觉 。Diaspora的Schubert就发现 ，他的服务器日志里满是伪装成GPTbot的“山寨爬虫”，IP来自AWS甚至美国居民网络 ，显然是恶作剧者趁乱起哄 。DoubleVerify的报告更指出 ，2024下半年因AI爬虫导致的“一般无效流量”（GIVT）激增86%，其中16%直接来自GPTbot 、Claudebot等知名玩家 。
这背后 ，是AI公司与网站主之间的博弈。一方面 ，AI厂商需要数据喂养模型 ，互联网是天然的“粮仓”；另一方面 ，网站主却面临带宽挤占、隐私争议甚至版权纠纷的困境 。SourceHut封禁云服务商 、iFixit更新robots.txt ，都是被动防御的缩影 。更棘手的是 ，像Googlebot这样身兼搜索与AI双重任务的爬虫，让网站主在封禁与曝光之间左右为难（编者 ：谷歌2023年发布robots.txt的Google-Extended产品令牌，经允许网站运营者单独封锁爬虫而不影响网页检索和排名） 。
AI爬虫的“DDoS效应”暴露了生成式AI热潮下的隐忧。对于中小型服务商来说 ，这不仅是技术挑战，更是生存问题 。SourceHut的“Nepenthes”捕虫器、Cloudflare的“一键屏蔽AI爬虫”功能 ，都是技术社区的反击尝试 。但长远看 ，光靠封禁和对抗显然不是解药。
或许 ，未来的出路在于平衡——AI公司需要更透明的数据采集政策 ，甚至通过授权或付费模式与网站主合作；而网站主则需在保护自身权益与拥抱AI生态之间找到折中点。否则 ，这场爬虫与服务的“猫鼠游戏” ，只会让互联网的生态雪上加霜 。
你被大模型DDoS了吗 ？也许下一个喊救命的 ，就是你常上的那个小众论坛 。
