网站内容被AI抓取怎么办，是这两年站长新多出来的烦心事。过去怕的是搜索引擎不抓，现在还要操心各类AI训练与问答系统把整站内容批量拿走，用来喂自己的模型，原创站反而成了别人的素材库。应对不能靠堵，得在 robots 与协议层面把权限说清楚、把边界划明白。

一个做行业报告内容的站，发现自己的文章频繁出现在某AI问答的回答里，原文却零引用。后来它在 robots 和协议层做了规范，抓取行为明显收敛。下面从协议到配置一步步讲。

一、先搞清：谁在抓、抓什么

应对前先知道对手是谁。打开服务器访问日志，看哪些 UA 在高频请求你的页面，哪些是陌生的爬虫、哪些是已知的AI采集方。不看清就乱禁，可能误伤正常搜索引擎，反而害了自己。

下面这段脚本帮你审计日志：把 LOG 改成你自己的访问日志路径，它按 UA 统计请求量和占比，跑完你一眼能找出异常高的抓取源。

# 审计访问日志，按 UA 统计请求量，找出异常抓取源
import re
from collections import Counter
 
LOG = "/var/log/nginx/access.log" # 改成你的日志路径
 
ua_counter = Counter()
with open(LOG, encoding="utf-8", errors="ignore") as f:
 for line in f:
 m = re.search(r'"([^"]*)"\s*$', line) # 取行末最后一个引号串，即 UA
 if m:
 ua_counter[m.group(1)] += 1
 
for ua, n in ua_counter.most_common(10):
 print("%6d %s" % (n, ua))

跑完重点看那些『量大且陌生』的 UA，列成清单，下一步针对性处理，别一刀切。

二、用 robots.txt 声明抓取边界

robots.txt 是站点和爬虫之间的第一份协议。对不希望被AI抓取的路径，用 Disallow 明确拒绝；对已知AI方，可在 User-agent 里单独写明。注意 robots 是『君子协定』，主流方会遵守，但恶意方不会，所以不能只靠它。

下面这段脚本按你的规则生成 robots.txt：把 UA_BLOCKS 和 DISALLOW_ALL_PATHS 改成你自己的配置，它输出可直接部署到站点根目录的文件，跑完在终端打印出内容供你核对。

# 按规则生成 robots.txt，声明哪些路径禁止抓取
UA_BLOCKS = { # 针对性禁止的抓取方及其路径
 "ai-bot": ["/premium/", "/draft/"],
}
DISALLOW_ALL_PATHS = ["/admin/", "/draft/"] # 全量禁止的路径
 
lines = ["User-agent: *"]
for p in DISALLOW_ALL_PATHS:
 lines.append("Disallow: " + p)
for agent, paths in UA_BLOCKS.items():
 lines.append("")
 lines.append("User-agent: " + agent)
 for p in paths:
 lines.append("Disallow: " + p)
 
with open("robots.txt", "w", encoding="utf-8") as f:
 f.write("\n".join(lines) + "\n")
print("robots.txt 已生成：")
print("\n".join(lines))

生成后放到站点根目录，浏览器访问 /robots.txt 确认不是 404，再等爬虫下次抓取生效。

三、协议层再做一层：抓取频率与授权声明

除了 robots，还可在站点协议或页面元信息里声明内容使用边界，比如对批量抓取接口做频率限制、对敏感栏目加授权校验。对公开内容，至少让正常访客和合规爬虫顺畅，对异常高频的陌生 UA 在服务器层限流。

做法是 nginx 或应用层对单 IP 或 UA 设请求阈值，超了返回限速。这一步挡的是『暴力采集』，保护服务器也保护内容。

四、持续监控与回溯

配完不是结束。每周回看日志，确认异常 UA 是否收敛；定期用搜索或AI问答验证自己的内容是否仍被无授权引用。若发现新的抓取源，补进 robots 和限流规则。

验证看两件事：异常 UA 的请求量是否下降、服务器负载是否平稳。协议层应对的核心是『划清边界、留好证据、持续盯防』，而不是指望一次配置永逸。