
智能体驱动的流量分析,是指对非人类行为主体发出的请求进行采集、分类和归因,然后衡量这些智能体代表人类委托方完成了哪些任务。它不再把会话作为计量单位,而是改用一个更简单的模型:actor、task、outcome。
如果您的仪表板上,“机器人流量”仍是一条平线,而 AI 智能体访问的占比不断扩大,却没有附带任何转化数据,那说明您并没有衡量站点上真实发生的情况。来自 ChatGPT、Gemini 和 Perplexity 的购物智能体正在读取商品页面、比较规格,并把推荐结果交给那些自己甚至不会滚动查看首屏以下内容的买家。您的分析栈很可能还完全不知道这件事正在发生。
用三步就能快速修复最大的盲区:
- 启用 CDN 或边缘日志转发,捕获那些既不会加载浏览器、也不会触发 JavaScript 标签的请求。
- 在数据摄取环节添加一个
actor属性,并在数据进入仪表板之前标记为 human、agent 或 crawler。 - 把这些日志导入数据仓库,而不是客户端工具,这样才能将智能体事件与后续结果长期关联起来。
智能体读取通常发生在购买之前很久,会提前完成买家教育,让用户到站时就已经做出决定。这部分收入,您当前的传统分析设置要么归因到“直接访问”,要么根本没有捕捉到。
要点速览
当团队用由 actor、task 和 outcome 构成的模型取代会话指标,并以服务端采集和身份关联日志为支撑时,智能体驱动的流量分析才能真正发挥作用。
| 要点 | 说明 |
|---|---|
| 先在边缘层完成采集 | CDN 和边缘日志转发可以捕获绝大多数完全绕过客户端 JavaScript 的智能体请求。 |
| 不要再对智能体使用会话指标 | 跳出率和滚动深度对非人类行为主体没有意义;应改用 actor、task 和 outcome。 |
| 报告任务完成情况,而不是页面浏览量 | 在报告任何完成指标之前,先为检索、表单流程和集成成功定义清晰的判定标准。 |
| 有意识地弥合归因缺口 | Canary 协议和不可变、身份关联的日志可降低未授权智能体行为带来的法律与审计风险敞口。 |
| 优化智能体真正会读取的内容 | ecentic 会模拟 AI 购物智能体对商品页面的评估,并报告推动或阻碍推荐的具体因素。 |
什么是智能体驱动流量,以及为什么会话指标会失效
如今有三类行为主体会访问您的服务器,而且它们的行为完全不同。 人类 会以交互方式浏览,期间会停顿、滚动,并移动鼠标。 爬虫 会为语料库索引内容,通常并不关心某个具体任务。 智能体 则代表某个人执行操作,抓取页面、提取数据,而且常常会完成比较或购买步骤之类的任务,整个过程中甚至不会以可视方式渲染页面。
标准 Web 指标默认另一端是人类用户。一旦面对智能体,这个前提就立刻失效。
- 跳出率 在智能体只抓取一个页面、提取价格和规格表后离开的情况下毫无意义。这是任务完成,不是一次被放弃的访问。
- 页面停留时间 不适用于在几毫秒内完成的请求,因为其中没有渲染、没有阅读,也没有滚动。
- 滚动深度 需要视口。通过原始 HTTP 调用运行的无头智能体根本不会生成视口。
解决办法是彻底换一种思维模型: 参与者、任务、结果。先判断是谁发起了请求,再界定其要完成什么任务,并记录其是否成功。无论行为主体是购物者、爬虫,还是在向买家推荐其中一个商品前先比较五个竞品的自主智能体,这套框架都适用。
智能体检测与捕获的实际工作方式
大多数智能体活动,对营销团队已经信任的那些工具来说都是不可见的。这一点确实令人不安。Google Analytics、Adobe Analytics 标签以及大多数标签管理器配置都依赖浏览器中执行的 JavaScript。而智能体流量正越来越多地完全跳过这一步。
真正能捕获这类流量的是服务端和边缘侧采集。供应商遥测数据显示,约 59% 的 ChatGPT 智能体流量通过从不执行脚本的原始 HTTP 客户端到达,这意味着客户端分析工具按设计就会漏掉一半以上的活动,不是偶然,而是机制如此。如果您唯一的埋点放在标签管理器里,那么您测量到的,只是实际情况中越来越小的一部分。

CDN 和边缘日志能够解决这个问题,因为无论浏览器是否真的渲染出任何像素,它们都会记录打到您的基础设施上的每一次请求。智能体驱动流量分析正是从这一层开始的。
一旦开始查看原始日志,少数几类信号就能较为可靠地区分智能体、人类和通用机器人:
- 声明的 User-Agent 字符串。 许多智能体至少目前还会如实表明身份,在字符串中写明发起请求的模型或平台。
- 资源与请求比率。 人类加载一个页面时,会拉取几十张图片、字体和脚本。提取结构化数据的智能体通常只请求 HTML 或 JSON 负载。
- Beacon 缺失。 某次页面浏览在服务端层面显然已经发生,但页面上没有触发任何分析像素,这本身就是一个信号。
- 请求头与时序模式。 智能体往往会以机器速度请求页面,其请求头顺序和时序熵也不同于典型的浏览器行为。
- llms.txt 与结构化资源。 越来越多的网站现在会发布 llms.txt 文件,并同时提供 OpenAPI schema,为智能体(以及您的日志系统)提供一个有文档说明、明确声明的接口,用于校验请求。
验证已声明的模型 IP 范围,或将请求字符串与公开的供应商文档进行匹配,可以进一步提升可信度,但单靠这些方法永远无法做到万无一失。
专业提示: 不要只依赖 user-agent 字符串。应结合资源比例评分,即使字符串被伪造,只要请求模式不像真实浏览器会话,仍然能被标记出来。
真正体现智能体影响的关键指标
用页面浏览量和会话数来汇报智能体流量,往往会因为错误原因让数据看起来很惊人或很可怕。真正重要的指标衡量的是请求、任务和业务结果,而不是访问次数。
| 指标 | 反映的信息 |
|---|---|
| 智能体请求占比 | 按页面和模型统计总请求中的占比,揭示智能体实际读取了哪些页面 |
| 任务完成率 | 智能体的数据获取、表单流程或集成调用是否成功完成 |
| 智能体到人工的交接率 | 智能体会话转化为人工后续访问或购买的频率 |
| 按行为主体统计的拦截/错误率 | 与真人相比,智能体被限流、拦截或返回错误的频率 |
| 模型级运营成本 | 访问您基础设施的各模型对应的 token 使用量、延迟和错误率 |
在衡量任务完成情况之前,必须先给出明确的定义。 数据获取任务 在智能体提取到目标数据(例如价格或库存)时算成功。 表单流程任务 在“加入购物车”等多步骤流程无错误完成时算成功。 集成任务 则是在 API 风格调用返回有效且可用的响应时算成功。如果不提前定义清楚,这个指标就只是毫无意义的噪音。
由智能体辅助带来的转化,应该在每一份报告中单独列出。相关跟踪实践表明,只要正确拆分并衡量,智能体带来的引荐流量转化率可能是普通自然流量的数倍,而不是被混进一个模糊的“其他”分类里。这类数据才会真正引起 CFO 的关注,而不是原始请求量。
- 按具体模型拆分智能体占比,而不仅仅是汇总到“机器人”这一类别。
- 同时汇报任务完成率和交接率。只看其中一个,无法判断智能体流量是否真正产生了价值。
- 将拦截率和错误率与真人错误率分开追踪。这里突然飙升,往往意味着防火墙规则配置错误,而不是恶意流量。
构建数据管道:Schema、标签与存储
上线智能体驱动流量分析,本质上首先是一个数据管道问题,其次才是分析问题。以下是实践中有效的实施顺序。
- 先开启 CDN 日志转发。 采集时间戳、完整 user-agent 字符串、请求路径、响应码、字节大小,以及 CDN 可提供的任何 TLS 指纹数据等字段。
- 在数据摄取阶段添加
actor和actor_name属性。 每个事件在写入任何数据表之前,都要被标记为 human、agent 或 crawler,并在可识别时附带具体名称(模型或平台字符串)。 - 采用分层分类逻辑。 先从已声明的 user-agent 入手,再通过资源比例和时序等行为信号交叉验证,最后在存在时用认证 token 或 API key 进行确认。不要让单一信号决定整个判断。
- 尽可能将智能体事件与真人主体关联起来。 认证 token、session cookie 和关联 ID 能将智能体的数据获取任务追溯到部署它的人,从而弥合“有智能体访问过”和“这个客户的智能体访问过”之间的差距。
- 将所有数据导入数据仓库,而不仅仅是仪表盘工具。 BigQuery 的智能体分析管道 通过 Storage Write API 流式写入原始交互事件,并支持事后重建追踪记录。这一点很重要,因为有时您需要在三周后重新还原智能体当时到底做了什么。
- 对存储进行分层。 在明确的审计窗口内保留原始细粒度日志,之后再对旧数据进行采样或聚合。永久保留完整精度的数据会迅速变成成本问题,而且大多数审计通常只需要最近一段时间的数据。
专业提示: 根据实际可能出现的最长争议或合规周期来设定审计保留窗口,而不是随意定为 30 天或 90 天。如果拒付或监管问题可能在六个月后才出现,您的追踪记录就必须至少保留那么久。
弥合归因缺口
知道有智能体访问了您的网站是一回事,证明究竟是哪位用户或哪个组织部署了这个智能体,则是难得多的问题,而这正是让合规团队夜不能寐的原因。
归因缺口之所以存在,是因为大多数企业只能记录“某个智能体执行了操作”,却无法证明是哪位用户授权了该操作。一旦智能体做出了企业之后需要否认或辩护的行为,这个缺口立刻就会演变成真实的法律与监管风险。
这正是 Okta 对 AI 合规风险分析中的核心结论,它不仅适用于安全团队,也直接适用于任何为审计目的构建智能体驱动流量分析的团队。
目前一种越来越受关注的实用缓解方案是 canary 协议:这是一种由供应商中介的方式,让智能体交互携带可追溯到源账户的标记。针对 Web、通信和网络安全智能体 的研究发现,在非对抗环境下,这种方法能够可靠地将观察到的行为关联回源账户。不过,一旦行为主体主动规避检测,出现归因缺口也是现实可预期的。
以下几个运营习惯可以弥补大部分剩余差距:
- 将智能体日志视为不可变记录,而不是会被提前覆盖或压缩清除的数据。
- 在 token、cookie 或 API key 可用的情况下,将每个智能体事件都关联到身份主体。
- 在事故发生之前,就建立安全、法务与平台供应商之间的常态化协作机制。
有效的工具与仪表盘模式
您不需要从零开始构建所有内容。现在已经有一些成熟工具可以覆盖大部分数据管道。
- BigQuery Agent Analytics 负责从采集到分析的整条管道:流式处理原始事件、重建追踪记录,并对智能体行为进行大规模程序化评估。当您的智能体请求量超过每天几千次后,这一点尤其重要。
- Adobe 的 Agentic Traffic 仪表盘 在配置好 CDN 日志转发后,可直接提供预构建视图,并支持 流量分布、趋势线,以及涨幅和跌幅排名的筛选条件。
- 像 GA4 这样的基于标签的工具 依然适合衡量真人行为,但由于大量智能体活动不会触发客户端标签,因此它们会持续低估智能体流量。一个有效做法是 将 GA4 与服务端采集结合使用 ,而不是直接替代它。这样既能保留真人行为分析,又能在其上叠加智能体层的数据。
- 供应商仪表盘确实适合监控趋势,但当您需要为审计或根因调查提供可复现的评估结果时,它们无法替代以数据仓库为核心的追踪模型。
智能体流量如何改变性能与资源规划
智能体请求与真人流量对基础设施的影响方式不同,而大多数团队还没有为此带来的容量变化做好准备。
真人访客通常会触发一连串并行请求:HTML、图片、字体、脚本和分析 beacon,并在数秒内分散完成。而提取结构化数据的智能体,往往只会高效地发出一个精准请求,拿到所需内容后立即离开。表面上看,这似乎更轻量,但规模化后并非如此。智能体会以任何真人都不会达到的频率和量级,反复访问同一批高价值页面,例如价格页或商品详情页,因为请求之间不存在阅读时间。

这种模式通常表现为特定端点上的异常负载,而不是均匀分布在整个网站。原本针对真人浏览模式优化的限流和缓存策略,在面对智能体时可能会失效:要么误拦本可带来销售的合法智能体流量,要么让行为异常的智能体持续冲击团队原以为低流量的端点。
实际可行的做法,是将智能体负载视为独立的容量规划类别。按行为主体类型监控请求率,而不仅仅看整体流量;制定缓存和限流规则时,也要专门考虑智能体行为模式。一个每小时会被购物智能体检查几十次的商品页,即使在综合仪表盘中的总请求量看起来和每天只被真人查看几次的页面相近,也需要完全不同的缓存策略。
智能体流量监控中的法律与伦理边界
记录智能体活动会引发许多尚未有明确答案的问题,假装这些问题不存在是错误的。
采集详细请求数据,包括请求头、时序和行为指纹,也意味着在某些情况下会采集到可关联到个人的数据,尤其是在智能体代表具名客户账户执行操作时。这使得智能体流量日志同样受到组织现有隐私框架的约束,无论是地区性隐私法规,还是内部数据治理政策。
伦理问题与法律问题并行存在。全面封禁智能体或许能保护服务器资源,但也可能切断越来越多通过 AI 智能体而不是浏览器标签页进行比价购物的买家渠道。另一方面,过于宽松的访问策略,则会让伪装成合法智能体流量的抓取滥用行为有机可乘。
一个可行的折中方案,是像对待其他自动化集成一样管理智能体访问:提供文档、设置限流、持续监控,并明确允许的使用条款。发布 llms.txt 文件就是其中一部分,它为行为规范的智能体提供了一个有文档说明的接口,而不是迫使它们去猜测您网站的结构。
保留策略与采集策略同样重要。仅在审计或争议窗口实际需要的期限内保留详细智能体日志,并对这些日志施加与其他包含行为或身份关联信息的数据集相同的访问控制。
将智能体分析与安全和欺诈检测整合
智能体流量分析与欺诈检测解决的是高度重叠的问题,将两者拆分成独立系统,只会在双方都制造盲区。
恶意抓取程序与合法购物智能体,在网络层看起来几乎完全一样:自动化请求、不执行 JavaScript、声明或伪造的 user-agent 字符串。用于识别合法智能体的分层分类方法——同时检查声明身份、行为信号与认证信息——也是识别滥用行为的方法。将两者构建为同一套系统,而不是两套独立系统,意味着您的风控团队不必重复开发分析团队已经构建好的信号检测能力。
实际整合的起点,是建立统一的行为主体分类体系。如果您的分析管道会将请求标记为 agent、crawler 或 human,那么安全工具也应读取并使用相同标签,而不是再运行一套定义不同的机器人检测层。团队之间分类体系不一致,正是合法 AI 购物智能体被某条安全规则误封,而分析团队却毫不知情的根源。
共享告警机制则是另一半关键。某个结账端点上的智能体请求突然激增,可能是知名购物智能体正在测试您商品目录中的价格变化,也可能是伪装成智能体流量的撞库攻击。将与智能体相关的异常接入安全团队现有的欺诈事件处理流程,而不是放进一个安全团队根本不会看的独立分析告警系统,才真正能在关键时刻及时分辨两者。
不同行业中的智能体分析重点变化
并非每个行业都需要在智能体驱动流量分析中强调相同内容。用一套方案覆盖所有场景,只会把工程时间浪费在错误的信号上。
电商与零售网站最关注商品页和价格页上的任务完成率,以及智能体到人工的交接率,因为这是将智能体活动直接与收入关联起来的指标。零售商最大的盲点,通常是比价智能体频繁访问价格页,却没有对应的转化跟踪。
媒体与出版网站会更加重视 crawler 与 agent 的区分,因为它们的核心业务问题通常是授权与内容复用,而不是转化。区分“构建语料库的抓取程序”和“为回答用户具体问题而获取单篇文章的智能体”,会直接影响这类流量应如何估值与治理。
B2B 软件与 SaaS 平台通常更重视集成任务类别,因为与这些网站交互的智能体,往往是在代表另一个系统发起 API 风格调用,而不是服务单一购物用户。在这里,按行为主体统计的错误率和拦截率,比交接率更重要,因为请求另一端的“真人”可能距离实际请求已经隔了好几个环节。
金融服务网站最接近前文提到的归因与治理问题,因为这一领域中,未经授权的智能体行为带来的监管风险最高。基于 canary 的归因方法和不可变日志,在这里的重要性几乎超过其他所有行业。
分析团队真正需要改变的内容
保留现有默认的面向真人的报告,不要为了把智能体数据硬塞进去,就重建营销负责人已经信任的仪表盘。应当另建一个并行视图,因为它衡量的是结构上完全不同的对象,本来就应该长得不一样。
更大的组织变化,在于智能体遥测数据日常归属的位置。它应该进入事件响应和采购讨论,而不是被埋在没人会看的季度分析报告里,直到出问题才被翻出来。如果您打算投入工程资源,优先优化面向智能体可读性的内容,那就先从价格页和商品页开始。因为智能体真正替买家做决策的地方就在这里,而这项工作的回报也会最先在这里体现。
— Xhurian
将智能体可见性转化为优化后的商品信息
衡量智能体流量,只能告诉您智能体正在读取商品页面。它无法解释为什么智能体推荐了竞品而不是您,而这正是 Ecentic 解决的问题。

Ecentic 可直接连接到您的 Shopify 或 WooCommerce 店铺,并模拟 ChatGPT、Gemini、Claude 和 Perplexity 实际如何将您的商品信息与竞品进行比较,然后用通俗易懂的诊断结果指出究竟是什么因素导致您未被推荐。使用 Ecentic 优化工具的客户,在采用其建议的 商品信息改写后,报告称 AI 驱动访问量和销售额均有显著提升。您获得的不只是智能体请求统计,而是经过智能体可读性验证的 UCP 档案,以及能够随模型变化持续追踪商品被选中率的重新扫描周期。
如果您已经在转发 CDN 日志并标记行为主体,当前缺少的,就是如何利用这些可见性。立即为您的店铺进行 免费入门检测 ,准确了解您的商品信息在已读取它们的智能体中表现如何。
FAQ
什么是智能体驱动流量分析?
它是一种对代表真人执行操作的 AI 智能体请求进行采集、分类和归因的方法,并通过衡量其完成的任务,而不是依赖基于会话的指标来进行分析。
为什么会话指标不适用于智能体流量?
跳出率、页面停留时间等指标默认前提是页面由真人渲染并阅读,而智能体通常只发起一次高效请求后就离开,因此这些数字已经失去意义。
如何检测网站上的 AI 智能体流量?
结合服务端与 CDN 日志采集、user-agent 分析、资源与请求比例,以及 llms.txt 校验,可以可靠识别客户端工具遗漏的智能体活动。
什么是智能体分析中的归因缺口?
它指的是难以证明究竟是哪位用户或哪个组织授权了特定智能体的操作,从而产生法律与合规风险,而基于 canary 的协议与不可变日志有助于降低这类风险。
Ecentic 能帮助优化智能体流量吗?
可以。Ecentic 会模拟 AI 购物智能体如何评估 Shopify 和 WooCommerce 店铺中的商品信息,并提供具体建议,以提升智能体驱动的可见性与转化。