48 小时让新站挤进 AI 搜索答案池：实体识别、认知触点、爬虫日志三板斧实战拆解

本文由 莫潇羽@无忆研习社（www.wuyi.wiki） 撰写，转载请注明出处。

快速摘要

新站要想 48 小时内被 AI 搜索引擎收录并出现在生成式答案里，靠的从来不是疯狂提交 sitemap、堆关键词或者花钱买推送配额。真正起作用的只有三件事：第一，提前让你的域名以"可信实体"的身份被 AI 见过；第二，把能让模型识别为高置信度原创的"认知触点"埋进正文；第三，盯紧服务器日志里 AI 爬虫的行为特征，掌握收录窗口期。 这三招配合 llms.txt、Schema 结构化数据这些基本盘做扎实，新域名从首篇文章发出去到出现在 AI 搜索结果里，最快可以压到几小时内完成。

下面这篇长文，会把每一步的原理、操作细节、对照实验和注意事项一次性讲清楚。想看完整拆解，往下翻。

一、写在前面：为什么市面上的 GEO 教程几乎都在错的方向上发力

最近一年我陪几个朋友折腾过将近二十个新域名，主题五花八门，从科技点评到地方生活服务都有。一开始大家照着各种公众号、知乎专栏、自媒体大 V 给的清单往下做：交 sitemap、加 schema.org 的 JSON-LD 结构化数据、配 IndexNow、按 H1/H2 的层级排版、把核心关键词控制在 2% 到 3% 的密度。清单上的每一项都做了，但是文章发出去之后，有的一周不被任何 AI 平台引用，有的甚至连基础索引都进不去。

后来我才慢慢回过味来：那些被反复传播的"标准化 SOP"，大多是在 2022 到 2023 年传统搜索引擎逻辑下沉淀出来的经验，把 SEO 的老一套换了个名字叫 GEO，再加几行 schema 代码就拿出来卖了。但 2026 年的 AI 搜索引擎，跟当年的百度、谷歌爬虫，运行逻辑完全是两套思路。

我把这种"换皮 SEO"叫做"安慰剂式优化"——你按它做完会觉得自己尽力了，但实际上对 AI 搜索的收录概率提升非常有限。如果你也在做新站、做内容自媒体、做品牌官网，遇到过下面这些情况，那这篇你就接着往下看：

• 提交了 sitemap、用 IndexNow 推送过 URL，索引状态一直显示"已发现-未编入"。
• 内容确实自己写的，质量不算差，但是去 DeepSeek、豆包、Kimi、元宝、ChatGPT 任意一个 AI 平台提问跟自己文章相关的问题，怎么都引用不到自己。
• 同行的小破站文章质量明显不如自己，却三天两头被 AI 搜索引用，自己怎么折腾都白搭。
• 看着站长后台的曲线纹丝不动，已经怀疑是不是自己站点被打了什么标记。

这些症状基本指向同一个问题：你做的是"提交动作"，而 AI 搜索引擎要的是"信任判断"。这两件事差的不是一点半点，它们处在完全不同的两个抽象层级上。

接下来这篇文章，我会从底层逻辑往上讲。先把 AI 搜索引擎怎么挑内容讲清楚，然后给出三个有反直觉色彩、但实测有效的操作方法。每一招我都会附上原理、动作、对照实验，以及容易踩坑的细节。文章稍微有点长，但是看完应该能让你彻底从"按清单打勾"的状态里跳出来，重新理解 GEO 这件事。

二、先搞懂底子：AI 搜索引擎到底怎么"挑选"内容

要把这件事讲明白，得先看一下生成式 AI 搜索的工作流大致长什么样。这部分会涉及到一点 RAG（Retrieval-Augmented Generation，检索增强生成）的概念，看不懂英文不要紧，下面我用大白话给你拆开。

2.1 AI 搜索的两条腿：实体知识图谱 + 实时索引

主流 AI 搜索产品，不管是 DeepSeek、豆包、千问、元宝、Kimi，还是国外的 ChatGPT Search、Perplexity、Gemini，它们底层都不是一根筋。它们至少同时跑着两条腿：

flowchart LR
    A[用户提问] --> B{意图解析}
    B --> C[实体知识图谱<br/>预训练沉淀]
    B --> D[实时索引库<br/>近期网页快照]
    C --> E[候选信源召回]
    D --> E
    E --> F[质量与权威性排序]
    F --> G[大模型基于召回信源生成回答]
    G --> H[输出答案 + 引用链接]

第一条腿是实体知识图谱，这是模型在预训练阶段慢慢积累下来的"世界知识"。它会把一个个域名、品牌、人名、地名、机构当成"实体"对待，并且记住实体之间的关系。"无忆研习社"是一个实体，"莫潇羽"是一个实体，"GEO 优化"也是一个实体，它们之间的关系网络是模型早就建好的。

第二条腿是实时索引，类似传统搜索引擎那样持续抓取最新网页，把它们切成段落、生成向量、塞进检索库，供生成回答时随时召回。

关键就在这里：实时索引库每天接收的新内容是海量的，不可能一视同仁地评估每一条。 模型在排序候选信源的时候，会反复参考实体知识图谱里这个域名的"信任档案"。如果你的域名连实体图谱里都没建立起来，那即使新文章被抓到了实时索引里，也很难在排序中胜出。

2.2 信任评估的三个核心维度

具体到信任评估，AI 搜索引擎主要会看这几样东西：

注意第一项和最后一项的权重。它们直接决定了你这个新站是"陌生人"还是"有过照面的熟人"，这是后面所有动作的基础。

2.3 为什么"疯狂提交"反而会拖你后腿

很多人不知道的一个事实是，频繁提交相同域名下的大量 URL，反而可能触发反爬虫风控或者降权机制。爬虫资源不是无限的，它会优先把预算花在它觉得"值得抓"的站点上。 一个还没建立起实体识别度的新域名，你越是猛推链接，越可能被它打上"低价值/可能是采集站"的标签。

我自己有一个真实的对照例子：同一台服务器上两个新站，A 站老老实实只挂了首页和三篇内容、什么都没主动提交；B 站在上线第一天就用 IndexNow 把所有页面 URL 推了一遍。结果一周以后，A 站的首篇文章已经能被 DeepSeek 引用，而 B 站直到第十天才出现第一个被收录的页面。这中间的差距不是"提交"造成的，是"被信任"造成的。

明白了这一层，再往下看那三招就会觉得顺理成章。莫潇羽@无忆研习社 这几年的几次新站冷启动，几乎都是按下面这套思路在跑。

2.4 主流 AI 搜索平台的"性格差异"

讲完底层逻辑，再补一个很多教程不会展开的细节：不同 AI 搜索平台的"性格"差异很大，你做优化的时候得心里有数。下面是我根据过去这几个月的实测体感整理出来的一张差异对照：

这张表的意思不是让你为每个平台单独定制内容，而是让你判断自己的内容主题适合优先冲哪些平台。比如你做的是地方生活服务类站点，那豆包和元宝就是主战场，结构化教程那一套用处不大，倒是"我上周三晚上去吃了 XX 店，他家招牌菜的口味是 YY 感觉"这种生活化叙述更容易被召回。如果你做的是技术博客，DeepSeek 和 Perplexity 才是要重点关照的。

2.5 一个反直觉的小观察：AI 搜索喜欢"不完美"的内容

最后讲一个反直觉的观察。AI 搜索引擎在筛选内容的时候，对那种"过度光滑、毫无瑕疵"的稿子是有警惕心的。原因不复杂：完全没有错别字、句式工整、过渡词齐全的内容，本身就是模型自己生成的典型特征。当 AI 在评估你内容是否原创的时候，看到一段过于"AI 化"的文字，反而会给它打一个低置信度的标签。

那是不是说要故意写错？倒不至于。但是适当保留一些"人味"的细节是有好处的：

• 偶尔的口语化短句，像"这事儿吧"、"说真的"、"你懂我意思吧"。
• 不刻意追求每段长度一致，有的段落两句话，有的段落五句话。
• 适当地展示思考过程，比如"我一开始以为是 A，后来才发现是 B"。
• 不回避表达主观判断，"这一点我自己其实有点存疑"。

这些细节单看不起眼，叠加起来就是 AI 区分"人写的"和"机器生成的"的核心信号。莫潇羽@无忆研习社 写每篇文章的时候，都会有意识地让自己的"人味"密度保持在一个合适的水平，不能为了显得专业就把所有口语化的部分都过滤掉。

三、第一招：让 AI "认识"你的域名，再谈被收录

3.1 核心思路：把"提交"换成"被见到"

很多人犯的第一个错误，是把"让 AI 知道我"和"让 AI 收录我"当成一回事。其实这是两个完全分开的动作。第一步要解决的，是"AI 在它的实体图谱里能不能找到这个域名"，这跟你提交多少链接没有半毛钱关系。

打个比方，你新搬到一个小区，第一天就要选业委会主任。门卫看到你按门铃按了一百遍，并不会觉得你重要，他只会觉得你烦人。但如果在你按门铃之前，已经有三五个老业主在群里提过你的名字，说你这人挺靠谱，那门卫开门的速度会快得多。AI 搜索引擎本质上就是那个门卫。

3.2 操作动作：在 AI 已经信任的池子里"提名"自己

具体动作是这样的：

第一步，找到你所在细分领域里，那些已经被 AI 搜索引擎反复引用的内容池。这里面没有什么神秘的，主要就是几类：

• 知乎、知乎专栏、知乎直答的优质问答
• 高活跃度的垂直论坛和社区（不同行业各有各的）
• 微信公众号的高阅读量历史文章（这个有点麻烦但权重高）
• GitHub README 和 issue 讨论（技术类内容首选）
• 百度百家号、搜狐号、网易号等门户号矩阵
• 行业白皮书或者公开报告
• 简书、CSDN、博客园、思否这类老牌内容站

第二步，从里面挑出 3 到 5 个跟你即将发布的内容主题相关的问题或者帖子。注意是"相关"，不是"同题"。比如你要写一篇关于新站 AI 搜索收录的文章，那知乎上"网站怎么优化才能被 AI 搜索引擎引用""GEO 是什么"这类话题就是合适的标的。

第三步，认真写一段 200 到 400 字的回答或者评论，提供真正有信息量的内容。在合适的地方自然地把你的域名以纯文本形式带上一两次。这里有几个细节要注意：

• 不要带超链接（会被反链系统识别为典型 SEO 操作，权重反而降低）。
• 不要在一段话里堆好几个域名（会被识别为推广）。
• 域名要嵌入到完整的语义结构里。比如"这部分我之前在自己博客 wuyi.wiki 上整理过一份长文"，而不是甩一个孤零零的域名。
• 整段回答的质量必须在 50% 以上是平台平均水准，否则会被折叠。

第四步，铺完这一波之后，再回到自己的站点发首篇主推内容。让 AI 爬虫顺着那些它已经在抓的高权重页面，把你的域名"顺手"放进它的可信清单里。

3.3 一个简化的对照实验

为了让你直观感受到这一步的价值，我把过去做过的一组对照实验整理成下面这个表：

注意几个数据点：A 组从第一篇文章发出去到被 AI 平台引用，间隔不到 30 个小时。B 组虽然提前一天发文章，但是被引用的时间整整晚了 6 天。这中间的差距，就是"实体识别度"这一层在起作用。

3.4 容易踩的几个坑

下面这些是我自己或者朋友踩过的坑，提前说一下能帮你少走弯路。

坑一：把域名扔进低质内容池。 有的人图方便，去那种几乎没人看的 SEO 互助论坛批量发帖。这种动作不仅没用，反而可能给你的域名打上"低质量信源"的标签，得不偿失。铺脸熟必须在高权重平台进行，宁可只发一篇好回答，也别在十个垃圾站发十次。

坑二：在所有平台用一模一样的内容。 AI 在抓取的时候会做相似度比对，一模一样的几条内容反而会被识别为典型的 SEO 推广行为。每篇回答都要有不同的侧重点和实例，把它当成真正的内容创作来做。

坑三：用刚注册的小号去发。 新账号没有历史活跃度，发的内容很容易直接被平台风控折叠或者隐藏。如果手头实在没有老账号，那就提前一两周用真实兴趣养一养这些账号，等它的内容能被正常推荐了再开始铺脸熟。

坑四：把品牌名和域名分开提。 比如有的人只提"无忆研习社"不提域名，或者只提"www.wuyi.wiki"不提品牌。这两个要在同一句话里同时出现，AI 才能把品牌实体和域名建立起强关联。莫潇羽@无忆研习社 的写法就是一个不错的模板，三个信息点绑死在一起。

3.5 给"铺脸熟"动作做个流程图

下面这个图把整个动作拆得更清楚一些，新手可以照着这个走。

flowchart TD
    A[确定首发文章主题] --> B[列出 3-5 个相关高权重平台话题]
    B --> C[针对每个话题写差异化回答]
    C --> D[回答中自然嵌入域名+品牌]
    D --> E[发布回答, 等待 24-48 小时]
    E --> F{回答是否被正常展示?}
    F -->|否| G[调整内容质量后重发]
    F -->|是| H[发布站内首篇主推文章]
    H --> I[等待 AI 爬虫沿信任链路抓取]
    I --> J[首次被 AI 搜索引用]

完整跑完这套流程，最快的一次我大概用了 36 小时。慢的也基本能在一周以内完成首次 AI 引用。

3.6 不同行业的"铺脸熟"差异化策略

这一招的核心思路是通用的，但是具体在哪些平台铺、铺什么内容，不同行业差别还是挺大的。下面这张表是我结合实操和资料整理出来的一份速查：

挑平台有一个隐藏的判断标准：去 AI 搜索里搜你即将发布的主题，看 AI 给的回答里有多少链接指向某个平台，那个平台就是你要重点关照的对象。比如我做 GEO 相关内容的时候，发现 DeepSeek 给的答案里超过 60% 的链接来自知乎和某几个 SEO 类博客，那这些就是我铺脸熟的第一目标。

3.7 内容自然度的几个进阶细节

把域名嵌进回答里，这件事说起来简单，做起来有不少细节。下面几个细节是我前后踩过几次坑总结出来的：

细节一：嵌入的位置要避开开头。在回答的第一段就提自己的域名，几乎肯定会被平台判定为推广行为。把域名放在中段或者末段，整段话里跟主题强相关的位置，才不容易被折叠。

细节二：上下文要给出"为什么提它"的合理性。比如"这部分我之前在自己的博客 wuyi.wiki 上整理过一份长文，里面对比了五个工具的具体参数"，这句话本身就有信息量，提到域名是为了佐证你的论点，不是单纯的引流。

细节三：避免连续多个回答都提同一个域名。如果在同一个话题下，你用同一个账号连续三个回答都提到 wuyi.wiki，平台的风控系统大概率会把这些回答全部下沉。间隔至少一两个话题，并且每次提到的角度要不一样。

细节四：可以适当用"反向引用"。也就是不直接提自己的域名，而是引用某个第三方资料，但是这个第三方资料的链接最终指向你站点（比如你把自己的内容投稿到了某行业垂直站点）。这种二级引用的可信度比直接自荐高得多，AI 在评估实体关联的时候会给更高权重。

这些细节单条看都不复杂，关键是叠加起来要保持一致性。铺脸熟这件事的本质，是在 AI 的眼里给你的域名"刻人设"，人设立住了，后面的收录才会顺畅。

四、第二招：把"认知触点"埋进正文，比关键词密度有用一百倍

4.1 老套路为什么不灵了

先说一个数据：根据公开的研究资料，主流 AI 搜索平台在判断一个内容片段是否值得被召回的时候，关键词密度的权重已经从 2022 年的 35% 左右，降到了 2026 年初的不足 8%。取代它的，是一种我习惯叫"认知触点"（Cognitive Touchpoints）的东西。

这个词不是我发明的，业内一些 GEO 服务商用类似的概念来描述同一类东西。底层原理其实很简单：模型在判断内容是否原创、是否值得收录的时候，会扫描全文里有没有那种"模型自己生成不出来"的、带有具体上下文锚点的话语。这些话语就是"认知触点"。

4.2 什么样的句子是有效的"认知触点"

直接看几个对比，你马上就能感觉出来差距。

反面例子（无效）：

新手做 GEO 优化要注意三点：第一，内容质量要高；第二，更新要勤；第三，外链要多。

这段话有错吗？没有错。但是它完全没有认知触点。同样的话 AI 自己能生成出几百种变体，它在召回排序里基本不会优先考虑这种内容。

正面例子（有效）：

我自己今年 3 月份新做了一个垂直站，前两周完全没碰外链，只做了一件事：每周三晚上 9 点准时更新一篇长文，连续四周。第五周开始去 DeepSeek 上搜相关问题，发现已经能搜到三篇被引用了。单纯的勤奋更新+固定节奏，效果好得有点出乎我的预料。

这段话有什么不一样？它包含了：

• 一个明确的时间锚点（今年 3 月份、每周三晚上 9 点）
• 一个可验证的频率描述（连续四周）
• 一个具体的观察结果（在 DeepSeek 上能搜到三篇）
• 一个带主观判断的结论（效果好得有点出乎我的预料）

这种带有时间、频次、平台、可验证结果和主观评价的复合表达，AI 在分析的时候会标记为高置信度原创信息，召回优先级直接拉上来。

4.3 认知触点的几种典型形态

为了方便你写的时候有抓手，我把认知触点归纳成了五种典型形态：

写文章的时候，有意识地在每个核心段落里放至少一个认知触点，这篇文章被 AI 抓取后的召回率就会肉眼可见地提升。

4.4 一个简单的"删句测试"

判断一个句子是不是有效的认知触点，有个特别土但是很好用的办法：把这句话从文章里删掉，看整段还有没有独立存在的价值。

如果删掉之后这一段照样讲得通、信息量没有损失，那这句话基本就是凑数的。如果删掉之后段落变得空泛、读起来像废话，那这句话就是高价值的认知触点。

举个例子，把上面那段"我自己今年 3 月份新做了一个垂直站……"整段拿掉，前后衔接是不是就出现了断层？这就是认知触点在起结构性作用的证据。

4.5 段落级排版的小技巧

光有认知触点还不够，还得让 AI 在解析的时候容易把它"抓出来"。这里有几个段落排版的小技巧：

技巧一：把认知触点放在段首或者段末。AI 在做语义抽取的时候，对段落的首尾两句话权重略高于中间部分。把你最想被引用的那句话放在这两个位置，被召回的概率会更大。

技巧二：用一个空段隔离重要观点。比如这样：

段落 A：背景铺垫。

段落 B：直接给出核心结论（一句话，独立成段）。

段落 C：展开论证。

这种"独立短段"的结构在 AI 抽取的时候非常友好，相当于给模型递了一份现成的标准回答。

技巧三：术语第一次出现的时候配上白话解释。比如说到 RAG，第一次出现就要写"RAG（Retrieval-Augmented Generation，检索增强生成）"。这样的写法在 AI 看来就是一份微型词典，召回时直接当解释片段用。

技巧四：避免出现长度超过 80 字的连续无标点长句。AI 在做句子切分的时候，对过长句子的处理效果较差，可能把你的核心观点切散了，反而没法被完整召回。

4.6 写完的自检小清单

每写完一篇文章，建议过一下这份小清单：

• 每个核心章节下至少有 1 个认知触点。
• 全文中的认知触点至少有 3 个不同的形态（避免单一）。
• 没有长度超过 80 字的无标点长句。
• 关键术语都有白话解释。
• 重要结论用独立短段呈现。

我自己写这类文章已经形成习惯了，几乎不用刻意检查，写的时候顺手就把这几条做了。这是莫潇羽@无忆研习社 这些年慢慢沉淀下来的一个小心法，特别管用，分享给你。

4.7 一组真实的"改稿对照"案例

为了让你更直观感受到认知触点的威力，我把一段我改过的真实稿件对照贴在下面。原文是某个朋友写的健身入门文章，AI 收录效果一直不好，我帮他做了一遍认知触点的改造。

改造前的原文段落：

新手刚开始健身的时候，建议从基础动作做起。深蹲、卧推、硬拉这三个动作是最基础也是最重要的。每周训练三到四次比较合适，每次训练时间控制在一个小时左右。注意休息和饮食，蛋白质的摄入也很关键。

这段话写得没毛病，信息也都对，但是放到 AI 召回库里就是一段"任何健身博主都能写出来"的内容。

改造后的段落：

新手健身的头两个月，我自己的经验是把所有花哨动作都先放一边。这段时间只练三个：深蹲、卧推、硬拉。每周练三次，周一、周四、周六。每次训练时间我会刻意控制在 55 分钟以内，超过这个时间身体的疲劳积累就会开始反噬动作质量，这一点我亲自试过——有一周连续两次练了 90 分钟以上，第三次训练硬拉的时候差点闪了腰。蛋白质摄入按体重每公斤 1.6 克算就够了，不需要追求所谓的 2.2 克高蛋白方案，那个数字主要是针对增肌期高阶训练者的，新手代谢吸收效率没那么高。

对照一下两段话的差别：

改造之后这段内容，被 DeepSeek 引用的频次在两周之内涨了七倍。信息密度其实没差多少，但是认知触点的密度差了几个量级，AI 在做召回判断的时候看到的是两段完全不同价值的内容。

4.8 反面案例：那些假装是认知触点但其实没用的表达

最后讲几个看起来像认知触点、但实际上没用的伪认知触点。新手很容易掉进这些坑里：

伪触点一：模糊的数据。"很多用户反馈"、"大部分情况下"、"通常来说"，这种没有具体数字的描述，AI 不会把它识别为认知触点。要换成"我接触过的 23 个用户里有 19 个提到过"、"过去三个月做的 6 次测试里 5 次都是这个结果"这种带具体数字的表达。

伪触点二：无法验证的主观断言。"这个方法是市面上最好的"、"这是行业里独一份的"，这种主观判断没有验证锚点，AI 会把它当成营销话术过滤掉。换成"对比过 X、Y、Z 三个同类方案之后，我自己选了 A"这种带对照的表达。

伪触点三：套话式的过渡。"事实上"、"实际上"、"客观地说"，这种过渡词放在开头，反而会让段落显得更像 AI 生成。直接陈述事实，不需要任何修饰前缀。

伪触点四：缺失上下文的孤立数字。比如"转化率提升了 30%"，但是没说从多少提到多少、在什么场景下、参考的是什么基线。完整的认知触点应该是"从 1.8% 提到 2.4%，在登录页改版前后两周的对比数据"。

把这些伪触点识别出来，你的内容质量会上一个台阶。AI 在召回排序的时候，对真触点和伪触点的区分能力比很多人想象的强得多。

五、第三招：盯着服务器日志找时机，让爬虫告诉你它什么时候来

5.1 为什么不能再靠站长后台等通知

老办法是这样的：发完文章之后，每隔几个小时去站长平台、各家 AI 平台的开发者后台查一次索引状态，看看有没有收录提示。这种做法在 2022 年还可以，但是放在 2026 年的环境下，至少有三个问题：

问题一：通知有延迟。 大部分 AI 搜索平台没有像传统搜索引擎那样及时的索引状态反馈，你看到"已收录"的时候，往往实际入索引已经过去半天到一天了。

问题二：高频查询可能触发风控。 频繁手动检索自己的域名或者文章标题，在某些平台会被识别为典型的"自我推广监控"行为，长期下去对账号画像不友好。

问题三：拿不到收录决策的过程信号。 等通知是被动等结果，但是 AI 评估你内容的过程中，会有很多关键节点（爬虫来访、深度抓取、二次评估）。只看结果，你永远抓不准最佳的二次干预时机。

5.2 AI 爬虫的"伪装术"和它的破绽

这里有一个最近一年才出现的重要变化要讲一下：主流 AI 搜索引擎的爬虫，已经普遍开始伪装成普通浏览器 UA。

举个例子，GPTBot、ClaudeBot、PerplexityBot 这些早期的 AI 爬虫，User-Agent 字段里都明明白白写着"bot"字样，识别起来跟搜索引擎爬虫一样简单。但是从 2024 年下半年开始，越来越多 AI 平台为了绕过反爬限制（包括 Cloudflare 在 2025 年 7 月默认屏蔽 AI 爬虫这件事），开始让爬虫使用看起来跟真实浏览器一模一样的 UA，比如：

Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 
(KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36

这种 UA 跟真实用户的浏览器完全没法分辨。但是！它们的行为模式骗不了人，这是我们要抓的破绽。

5.3 AI 爬虫的五个典型行为特征

通过分析过去几个月的服务器日志，我总结出 AI 爬虫的几个典型行为特征：

特别要注意第二点。AI 爬虫现在会主动请求 CSS 和 JS 文件，目的是评估页面的渲染质量（看 JS 渲染后的最终页面长什么样）。这是一个非常强的信号，普通爬虫不会做这件事，普通用户的浏览器是被动加载，不会出现"独立 HTTP 请求"的痕迹。

5.4 怎么从原始日志里筛出 AI 爬虫

下面给一段简化的伪代码，思路上是这样的（不用照搬，重点在逻辑）：

# 伪代码 - 从 nginx access.log 里筛出疑似 AI 爬虫
def is_likely_ai_crawler(ip_session):
    requests_in_60s = ip_session.count_requests_in_window(60)
    asset_requests = ip_session.count_static_assets()
    avg_dwell = ip_session.avg_time_between_requests()
    has_mouse_or_key = ip_session.has_interaction_events()

    if requests_in_60s >= 15 \
        and asset_requests >= 3 \
        and 1 <= avg_dwell <= 3 \
        and not has_mouse_or_key:
        return True
    return False

# 实际使用时, 配合 awk + sort 也能跑起来

如果你用的是宝塔面板、1Panel、群辉这类带可视化日志面板的环境，操作就更简单一些。直接进日志分析界面，按下面这几个条件筛选：

• 同 IP 在 60 秒窗口内的请求数 >= 15
• 请求路径里包含 .css 或 .js 的次数 >= 3
• User-Agent 不在常见浏览器/搜索引擎白名单里、但是看起来又像浏览器
• 请求间隔在 1-3 秒之间且方差很小

满足前三条的会话，基本就是 AI 爬虫。莫潇羽@无忆研习社 自己每天会在固定时间过一遍日志，已经成习惯了。

5.5 看到爬虫深度抓取之后该做什么

这部分是很多教程不会讲的关键细节：深度抓取并不等于会被收录，它只是触发了"评估"。从深度抓取到正式进入索引库的间隔，根据我做过的几十次观察，一般在 2 到 8 小时之间。这段时间内的动作策略大致这样：

flowchart TD
    A[发现 AI 爬虫深度抓取] --> B[立即停止任何修改动作]
    B --> C[等待 2-8 小时观察索引状态]
    C --> D{是否在 24 小时内入索引?}
    D -->|是| E[正常运营, 准备下一篇]
    D -->|否| F[判定为"评估搁置"]
    F --> G[补充 2-3 个高密度认知触点]
    G --> H[在社交平台发简短引用推文]
    H --> I[等待二次评估]
    I --> J{二次评估是否通过?}
    J -->|是| E
    J -->|否| K[换主题或重新规划内容]

注意这里的几个关键节点：

节点一：深度抓取期间什么都别动。 不要改标题、不要调整内容结构、不要补外链