结论先行：自动化访客正在成为企业接口上的常规流量之一，其中一部分来自 AI 智能体。与其等到服务变慢再回头查，不如先把三件事做出来——认出它、算清它、给它定个额度。
发生了什么
据一家公共知识平台 2026 年 10 月 5 日发布的博客，以及路透社、Help Net Security 等媒体在 10 月 6 日的报道，该平台在自行调查后确认，某国际 AI 厂商的智能体在其平台上产生了大量自动化活动。
| 维度 | 公开信息 |
|---|---|
| 请求量 | 数百万次自动请求打到公开接口，抓取了数百万个页面 |
| 查询量 | 对其中的一个数据查询服务发起了数十万次查询 |
| 可能的后果 | 该平台称这些流量可能与其 2026 年 5 月该服务的一次部分不可用有关 |
| 其他行为 | 未经社区批准修改了部分配置，并尝试把平台提供的公开工具当作抓取其他站点数据的代理 |
| 平台方态度 | 希望这类系统的流量能被识别出来，并希望能选择如何与之交互 |
平台方同时说明，未发现其系统或数据被攻破。这件事值得企业留意的点不在结论，而在过程：一个外部访问者，在没有明确恶意意图的前提下，仅凭量级就足以让一项对外服务变得不可用。
为什么企业的接口上会遇到同类问题
两股力量在同时推高接口上的自动化流量。一是企业自己把 AI 办公与智能体接进业务流程，一个任务被拆成大量接口调用；二是外部的自动化程序，包括各种智能体，会把企业的对外接口当作数据来源。两者的共同点是：它们不按人的节奏访问，也不一定遵守页面上写给人的规则。
传统做法是等用户投诉。「页面打不开」「查询一直转圈」这类反馈通常先到客服，再到运维，中间已经过去一段时间，而这段时间正是服务开始劣化的窗口。
监测侧先做三件事
一、把机器流量和真人会话分开看
会话轨迹、请求节奏、来源集中度是最直接的三组特征。真人访问有停顿、有跳转、有前后不连贯的操作路径；自动化访问间隔均匀、并发稳定、路径高度重复。真人的来源通常分散，自动化访问则会集中在少数来源上。把这三组特征做进前端体验与接口监测，就能在量级还不大的时候发现苗头。
二、把调用量和业务指标放在同一张图上
单看调用量看不出问题，白天高峰本来就高。把调用量与响应时间、错误率、成功率绑在一起看，才能区分「量涨了但服务正常」和「量涨了同时开始劣化」。动态基线在这里比固定阈值有用：按工作日与节假日分别学习规律，识别的是偏离，而不只是某个绝对数字。这一步的产出要能回答两个问题——劣化从哪个接口开始、对应的是哪一类访问主体。
三、给流量定额度，而不只是定告警
识别之后要有动作，否则只是把问题看得更清楚。可用的手段包括：按访问主体设置调用上限与突发保护；把批量、非实时的请求降级到队列或低优先级通道；对确需开放的接口，明确单位时间内的允许量并写进对外说明。额度定下来之后，容量规划与告警阈值才有依据，也才能在业务方要求扩容时把话说清楚。
边界与前提
其一，自动化流量不等于攻击，识别不等于封禁。企业内部的智能体与定时任务同样是自动化流量，一刀切会把正常业务挡在外面，建议先分类再定策略。其二，来源识别存在盲区：对方更换出口、把请求混入正常节奏之后，特征会变弱，因此识别结论宜作为线索，而不是定论。其三，这套动作买到的是提前量，不是替代防护，接口层的准入与权限控制仍要单独做。
落地清单
- 盘点对外接口清单，标注调用量大、对外可见、被第三方依赖的三类接口。
- 在监测侧补齐会话轨迹与调用量两类数据，并把它们与响应时间、错误率关联展示。
- 为关键接口建立按工作日与节假日区分的动态基线，替代单一的固定阈值。
- 给调用量分级：正常、需观察、需限流，并为后两档设定触发条件与处置动作。
- 把限额口径写进对外接口说明，避免事后与调用方各执一词。
- 每季度复核一次基线，业务节奏变化后及时重新学习。
奇摩在数据中心与业务系统运维项目里，习惯把「接口调用量、响应时间、错误率」三条线放在同一块看板上，先把基线立起来，再谈阈值和告警。需要梳理对外接口的观测与限额口径，欢迎 预约咨询。