Whose Agent Are You? Multi-Layer Fingerprinting and Attribution of Autonomous Web Agents
本文通过引入一种结合网络与浏览器交互特征的多层指纹识别框架，提出了一种针对无差别 AI 网络智能体抓取的鲁棒且具备抗规避能力的防御机制，从而在区分自主智能体、人类及传统爬虫方面达到了 97% 的准确率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，互联网是一个巨大且繁忙的图书馆。多年来，图书管理员（网站所有者）一直依赖一个简单的“禁止入内”标志（称为 robots.txt）来告诉自动化机器人远离某些书籍。此外，他们还配备了保安，通过查看身份证件来识别机器人。
但最近，一种新型访客来到了这里：AI 网络智能体（AI Web Agents）。这些不仅仅是扫描文本的简单机器人，它们更像是聪明的、自主的购物者，能够点击按钮、填写表单、滚动页面，并像人类一样做出决策。问题在于，它们非常擅长伪装成人类，并且正在无视那些“禁止入内”的标志，抓取它们不该看到的内容。
你提供的论文 《你是谁的智能体？》（"Whose Agent Are You?"） 介绍了一种捕捉这些聪明购物者的新方法。作者构建了一个名为 MARK（多层智能体指纹框架）的系统，它就像一个超级侦探。MARK 不仅仅是检查身份证，它还会观察访客如何移动、如何与图书馆交流，以及如何与书架进行交互。
以下是该系统的运作方式，通过简单的类比进行拆解：
1. 设置：“陷阱”图书馆
研究人员构建了一个特殊的、受控的网站（他们的“测试平台”），其中设计了五个特定的谜题，旨在让这些 AI 智能体出错或暴露身份。
- 假按钮： 一些按钮看起来是真的，但点击后没有任何反应。
- 隐藏按钮： 只有当鼠标悬停在特定位置时才会出现的按钮。
- 延迟反应： 一个需要几秒钟才能做出响应的按钮。
- 混乱标签： 一个按钮的文字写着“是”，但底层的计算机代码却是“否”。
他们邀请了六种不同类型的 AI 智能体（如 AutoGen、Skyvern、Claude、Gemini 和 OpenAI 的 Operator）来参观这个图书馆并解决这些谜题。他们还邀请了真实的人类和旧式的、低级的机器人（传统爬虫）来观察它们的行为差异。
2. 侦探工作：四层线索
MARK 系统并不只观察单一维度；它从四个不同的角度观察访客，就像一个拥有四个摄像头的侦探：
第一层：时机（“节奏”摄像头）
- 观察内容： 访客在点击一个页面与下一个页面之间等待了多久？
- 线索： 人类和某些 AI 智能体会进行“思考时间”。而另一些则非常机械化，点击速度极快。有些智能体非常一致（像节拍器一样），而另一些则显得杂乱无章。
- 类比： 想象一场比赛。有些跑步者以完美的间隔冲刺；而另一些则慢跑、停下来系鞋带，然后再冲刺。步行的节奏揭示了他们的身份。
第二层：握手（“TLS”摄像头）
- 观察内容： 当访客连接到网站时，他们会进行“握手”（一个被称为 TLS 握手的技术过程）以商定安全规则。
- 线索： 每个浏览器和机器人都有略微不同的握手方式。这就像是一种独特的握手风格。
- 类比： 如果你在派对上遇到某人，你可能会进行正常的握手。但机器人可能会用特定的力度握手，或者不同的浏览器可能会使用“击掌”代替。研究人员发现，一个智能体（Skyvern）拥有 17 条特定规则的独特“握手”方式，而其他智能体使用了 16 条。另一个智能体（Operator）是唯一使用“Firefox”握手风格的，而其他所有人使用的都是“Chrome”。
第三层：对话（“HTTP”摄像头）
- 观察内容： 访客随请求发送的标签和注释（例如“我正在寻找图像”或“我在这个页面上”）。
- 线索： 真实的人类在与网站交流时遵循严格的语法规则。AI 智能体经常犯错或使用奇怪、不一致的语法，因为它们是自动拼凑信息的。
- 类比： 想象点咖啡。人类会说：“我想喝一杯拿铁。”而 AI 智能体可能会说：“我想喝一杯拿铁……但同时，我是一个机器人，我的订单是为了脚本准备的。”一个智能体（Browser Use）被 100% 抓获，因为它发送了一个对于真人来说逻辑上不可能实现的请求（比如一边说“我正在查看一张图片”，一边又说“我不在一个网站上”）。
第四层：行为（“鼠标与键盘”摄像头）
- 观察内容： 访客如何移动鼠标、打字或滚动。
- 线索： 人类的鼠标移动是平滑的曲线。一些 AI 智能体只是从 A 点跳到 B 点。另一些则试图模仿人类，结果却产生了奇怪的、过长的循环移动。
- 类比： 如果你观察某人画圆，人类画的是平滑的曲线。机器人可能会画一个锯齿状的正方形，然后试图将其平滑化。另一个智能体（Skyvern）被抓获是因为它的鼠标移动路径极其漫长且蜿蜒，试图表现得太像人类；而另一个智能体（AutoGen）几乎不动鼠标，只是瞬间完成点击。
3. 判决：整合线索
研究人员将所有这些线索输入到一个“决策树”（一个通过一系列是/否问题进行判断的简单计算机程序）中。
- 结果： 通过结合所有四个层级的线索，该系统能够精确识别出访问者是哪种 AI 智能体，或者是人类或旧式机器人，准确率达到了 97%。
- 缺陷： 如果他们只观察一个层面（例如仅看时机），有时会被搞混。例如，两个不同的 AI 智能体（Claude 和 Gemini）在握手（第二层）和对话（第三层）时看起来几乎完全一样。但当系统观察它们的鼠标移动方式（第四层）时，就能将它们区分开来！
为什么这很重要
论文得出结论，我们不能再仅仅依赖“禁止入内”的标志或简单的身份检查了。AI 智能体太聪明，也太擅长伪装了。然而，由于它们是基于不同的软件“大脑”和“身体”构建的，它们会留下独特的数字足迹。
通过观察它们如何移动、如何连接、说什么以及何时行动，网站所有者终于可以分辨出访客是人类、有益的机器人，还是可能正在窃取内容的 AI 智能体。这就像是通过一个人走路的特定姿态、脚步声的独特节奏以及拿钥匙时古怪的方式，来识别一名小偷，而不仅仅是看他的脸。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。