AI એજન્ટ ડિટેક્શન

વેબસાઇટ્સ માટે AI એજન્ટ ડિટેક્શન, દરેક પરિણામ પાછળના પુરાવા સાથે

તમારી વેબસાઇટ પરની કઈ ક્રિયાઓ લોકો, AI સાથે કામ કરતા લોકો, સ્વાયત્ત એજન્ટો, અથવા એવા સ્ત્રોતોથી આવે છે જેને પુરાવા હજી ઓળખી શકતા નથી તે જુઓ. દરેક પરિણામ બતાવે છે કે તે કયા આધાર પર છે.

પ્રારંભિક ઍક્સેસ મેળવો તે કેવી રીતે કાર્ય કરે છે તે અન્વેષણ કરો

દ્વારા Toshendra Sharmaસ્થાપક અને CEO, AgentCredia · Updated November 13, 2026

તમારી વેબસાઇટમાં હવે મુલાકાતીઓનો માત્ર એક પ્રકાર નથી

વેબના ઇતિહાસના મોટાભાગના ભાગમાં, વેબસાઇટ એક સરળ મોડેલ માનતી હતી: એક વ્યક્તિ browser ખોલે છે, આસપાસ ક્લિક કરે છે, અને કદાચ sign in કરે છે. Analytics, rate limits, onboarding flows અને security checks બધું જ એ વ્યક્તિને ધ્યાનમાં રાખીને બનાવાયું હતું.

આ મોડેલ હવે વાસ્તવિક traffic નું વર્ણન કરતું નથી. આજે એક જ વેબસાઇટ એવા લોકોને સેવા આપે છે જે પોતાના માટે browse કરે છે, એવા લોકોને જે AI assistant ને તેમના માટે કંઈક સારાંશ આપવા કે ભરવા કહે છે, એવા autonomous agents ને જે કોઈ બીજા માટે pages વાંચે છે અને endpoints call કરે છે, અને crawlers તથા scripts ની લાંબી શ્રેણીને. AI providers આમાંથી કેટલાક visitors ને પોતે document કરે છે: OpenAI, ઉદાહરણ તરીકે, તેના search crawler, training crawler અને ChatGPT user પ્રશ્ન પૂછે ત્યારે pages visit કરનાર fetcher માટે અલગ user agents પ્રકાશિત કરે છે (OpenAI crawler documentation), અને Anthropic ClaudeBot, Claude-User અને Claude-SearchBot માટે એ જ કરે છે (Anthropic crawler documentation). આમાંથી કેટલાક visitors welcome છે. કેટલાકને જુદો અનુભવ જોઈએ. કેટલાકને કંઈક sensitive કરવાનું પહેલાં વધુ નજીકથી જોવાની જરૂર પડે છે.

સમસ્યા એ છે કે આમાંથી મોટાભાગની interactions પહેલી નજરે સમાન લાગે છે. login તમને કયું account ઉપયોગમાં છે તે કહે છે. તે તમને નથી કહેતું કે કોઈ person clicking કરી રહ્યો છે, કોઈ assistant તે session મારફતે act કરી રહ્યો છે, કે કોઈ automated client તમારા pricing page ને બીજાના માટે વાંચી રહ્યો છે. વેબસાઇટ્સ માટે AI agent detection એ gap ને evidence સાથે બંધ કરવાની બાબત છે, જેથી તમારી ટીમ દરેક પ્રકારના actor પર યોગ્ય રીતે પ્રતિક્રિયા આપી શકે, તમામ traffic ને એકસરખું માનવાને બદલે. involved signals નું practical walkthrough માટે વેબસાઇટ traffic AI agents તરફથી આવે છે કે નહીં તે કેવી રીતે જાણવું વાંચો, અને production site પર આ કેવી રીતે દેખાય છે તે માટે websites use case જુઓ.

એક જ bot score પૂરતો કેમ નથી

ઘણા tools આ પ્રશ્નનો જવાબ એક આંકડાથી આપે છે: bot score, risk score, એક percentage જે દાવો કરે છે કે visitor કેટલો human છે. આકર્ષણ સ્પષ્ટ છે. એક આંકડો rule માં મૂકવો સહેલું છે.

સમસ્યા એ છે કે એક જ આંકડો reasoning ને છુપાવે છે. જ્યારે score કહે છે કે session કદાચ automated છે, ત્યારે તમારી ટીમ જોઈ શકતી નથી કે એ નિષ્કર્ષ verified signature પર આધારિત છે, કોઈપણ copy કરી શકે તેવી user-agent string પર, કે fast human typist સાથે પણ મેળ ખાતા pattern પર. જ્યારે એ score block અથવા challenge ચલાવે છે, ત્યારે તમે તેની દરેક ભૂલને કોઈ રીત વગર સ્વીકારી લો છો જેથી તમે તેને customer, colleague અથવા auditor ને સમજાવી શકો.

Proof of Actor અલગ અભિગમ લે છે. દરેક પરિણામ ચાર સ્પષ્ટ classes માંથી એક છે, જે Human, AI-assisted or agent: a taxonomy for app traffic માં સમજાવવામાં આવ્યું છે, અને દરેક પરિણામ કહે છે કે તે કયા આધાર પર છે. તમે conclusion અને evidence together જુઓ છો, એટલે તમે મજબૂત પરિણામો પર વિશ્વાસ કરી શકો, નબળા પરિણામો પર પ્રશ્ન ઉઠાવી શકો, અને evidence ની ગુણવત્તા સાથે મેળ ખાતી policies બનાવી શકો.

તમારી વેબસાઇટ પર AI agents ને ચાર પગલામાં કેવી રીતે detect કરવું

તમે તમારી વેબસાઇટ પર AI agents detect કરવાનું તમારા પાસે પહેલેથી રહેલા tools સાથે શરૂ કરી શકો છો. આ ચાર પગલાં vendor-neutral છે અને તમે Proof of Actor વાપરો કે ન વાપરો, બંને સ્થિતિમાં કામ કરે છે; વેબસાઇટ traffic AI agents તરફથી આવે છે કે નહીં તે કેવી રીતે જાણવું blog post દરેકને વધુ વિગતમાં આવરી લે છે.

જે agents પોતાને ઓળખાવે છે તેમની યાદી બનાવો. તમારા server અથવા CDN logs માં AI providers જે user agents પ્રકાશિત કરે છે તેમને શોધો. OpenAI OAI-SearchBot, GPTBot અને ChatGPT-User નું documentation આપે છે, અને કહે છે કે ChatGPT-User ત્યારે pages visit કરે છે જ્યારે user ChatGPT ને પ્રશ્ન પૂછે છે, આપમેળે crawling કરતી નથી. Anthropic ClaudeBot, Claude-User અને Claude-SearchBot નું documentation આપે છે. આ તમને route પ્રમાણે agent traffic નું પ્રથમ, declared ચિત્ર આપે છે.
string પર વિશ્વાસ કરવાની બદલે claims verify કરો. user agent self-reported હોય છે અને copy કરવું સહેલું છે. તેને operator ની પોતાની verification method સામે તપાસો: Google reverse DNS lookup પછી forward DNS lookup, ઉપરાંત published IP range files, Googlebot માટે વર્ણવે છે (Google: verifying Googlebot); Bing Bingbot માટે એ જ reverse અને forward DNS check વર્ણવે છે (Bing: verifying Bingbot); OpenAI તેના દરેક user agent માટે IP range files પ્રકાશિત કરે છે. જ્યાં client HTTP Message Signatures સાથે પોતાની requests sign કરે છે, જે RFC 9421 માં defined છે, ત્યાં signature ને operator ની published key સામે તપાસો.
દરેક પરિણામને તેના evidence સાથે label કરો, અને Unknown જાળવો. દરેક conclusion verified, declared અથવા inferred છે કે નહીં તે નોંધો. એવું traffic જે કોઈ verified અથવા declared agent સાથે મેળ ખાતું નથી અને human pattern પણ સ્પષ્ટ દેખાડતું નથી, તેને Unknown label કરવું જોઈએ, human અથવા bot માં force ન કરવું જોઈએ. આ જ પગલું ઉપયોગી report ને અંદાજથી અલગ કરે છે.
તમે action લો તે પહેલાં route પ્રમાણે observe કરો. થોડા અઠવાડિયા માટે પરિણામોને route અને workflow પ્રમાણે વિભાજિત કરો: public content, signup, account settings, APIs. ત્યાર પછી જ તે route માટે સાંકડી policy લખો જ્યાં actor context સૌથી વધુ મહત્વનું હોય, અને Unknown માટે સ્પષ્ટ fallback રાખો.

Proof of Actor આ પગલાંને તમારી application અંદર automated કરે છે: તે તમારા integration જોઈ શકે એવા signals એકત્ર કરે છે, આધાર સાથે class આપે છે, route પ્રમાણે Unknown track કરે છે, અને policy તમારા code પર છોડી દે છે.

Proof of Actor વેબસાઇટ્સ પર AI agents ને કેવી રીતે detect કરે છે

Proof of Actor એક સરળ માર્ગ આસપાસ બનેલું છે: તમારા integration જે signals observe કરી શકે, સ્પષ્ટ આધાર સાથેનું classification, અને એક નિર્ણય જે તમારા હાથમાં રહે. તમે સંપૂર્ણ flow How It Works page પર વાંચી શકો છો. અહીં ટૂંકું સંસ્કરણ છે.

તમારા integration માંથી signals

દરેક integration તેના context ને જે મંજૂરી આપે છે તે જ જોઈ શકે છે. server-side integration request context, protocol વિગતો અને, જ્યારે client તેનો support કરે, request signature જુએ છે. browser integration તે pages પર interaction signals જુએ છે જ્યાં તે ચાલે છે. application પોતાની declarations પણ record કરી શકે છે, જેમ કે કોઈ user content ને AI assistance સાથે drafted તરીકે marking કરે, અથવા agent client પોતાનું નામ આપે.

Proof of Actor એવા evidence સાથે કામ કરે છે જે ખરેખર હાજર હોય. તે તમારી વેબસાઇટ જોઈ ન શકે તેવી બાબતો જોઈ શકે એવું pretends નથી કરતું.

ચાર classes જે ચોક્કસ અર્થ ધરાવે છે

દરેક interaction ચાર classes માંથી એકમાં આવે છે:

Human: observable signals human-directed interaction સૂચવે છે.
Human + AI: AI assistance declared હતી, અથવા supported integration મારફતે observe થઈ હતી જે તેને જોઈ શકે.
Agent: automated અથવા agent-origin interaction, verifiable identity અથવા carefully qualified inference દ્વારા supported.
Unknown: ઉપલબ્ધ evidence વિશ્વસનીય determination ને support કરતું નથી.

દરેક class સાથે સ્પષ્ટ definition અને સ્પષ્ટ limit આવે છે. Human result verified identity નથી. Agent result એ statement નથી કે agent authorized છે. Unknown result આરોપ નથી. તમે સંપૂર્ણ taxonomy Detection & Limitations page પર વાંચી શકો છો.

દરેક પરિણામ પર આધાર

class સાથે, દરેક પરિણામ તેના આધારને પણ વહન કરે છે: verified, declared, inferred અથવા unknown. published key માંથી valid signature ધરાવતી request તે check માટે verified છે. પોતાને agent તરીકે નામ આપતો client એ declared કર્યું છે. automation સાથે મેળ ખાતું behavior નું pattern inference છે. આ ભેદ જ તમારી policies ને precise બનાવે છે. read-only route પર verified signed agent અને account settings page પર self-declared client ને એકસરખું સંભાળવું ન જોઈએ, અને Proof of Actor સાથે તેમને આવું કરવાની જરૂર નથી. evidence basis glossary entry દરેકને વધુ વિગતમાં સમજાવે છે.

તમારી ટીમને શું મળે છે: Detect, Understand, Route

Proof of Actor એક જ product છે જેમાં ત્રણ capabilities સાથે કામ કરે છે.

Detect

તમારા integration માટે ઉપલબ્ધ actor signals એકત્ર કરો અને verified assertions ને behavioral inferences થી અલગ કરો. Unknown traffic guess માં ભળી જવાને બદલે પોતાની અલગ category તરીકે visible રહે છે. તમને હંમેશા ખબર રહે છે કે કઈ interactions વિશે તમે confidence સાથે બોલી શકો છો અને કઈને વધુ evidence જોઈએ છે.

Understand

તમારા AI agent traffic ને context માં જુઓ. route અને time મુજબ interaction types explore કરો, human, AI-assisted, agent અને unknown activity ના trends અનુસરો, અને કોઈપણ classification ખોલીને જુઓ કે શું જાણીતું છે, શું અજાણ્યું છે, અને પરિણામ કયા આધાર પર છે. અહીં product, platform અને security teams ને વેબસાઇટ કોણ વાપરી રહ્યું છે તેનું shared, explainable ચિત્ર મળે છે.

Route

ચોક્કસ interactions ને allow, adapt, challenge, review અથવા limit કરવા માટે તમારી પોતાની policies વાપરો. તમારી documentation વાંચતા verified agent ને structured response આપો. human-directed sessions માટે standard experience જ રાખો. જ્યારે તમારી પોતાની conditions એ માંગે ત્યારે sensitive account change માટે stronger check માગો. Unknown results અને timeouts માટે route by route સ્પષ્ટ fallback પસંદ કરો. Enforcement હંમેશા તમારી application માં થાય છે, તમારી ટીમ દ્વારા confirm કરેલી policies હેઠળ.

તમારી વેબસાઇટમાં ફિટ થવા માટે રચાયેલ, તેને બદલવા માટે નહીં

Proof of Actor તમે પહેલેથી ચલાવી રહ્યા છો તે tools સાથે સાથે રહે છે. તે તમારી authentication, authorization model અથવા હાલનાં abuse controls ને બદલેતું નથી. તે તેમાં actor context ઉમેરે છે.

સામાન્ય website integration એ routes થી શરૂ થાય છે જ્યાં actor context સૌથી વધુ મહત્વનું હોય: public content જે agents ભારે પ્રમાણમાં વાંચે છે, signup અને onboarding flows, account settings અને અન્ય sensitive actions, અને site ને power કરતી કોઈપણ API. Founding teams અમારા engineers સાથે કામ કરીને તે routes પસંદ કરે છે, scope માં આવતા signals પર સહમતિ આપે છે, અને code ship થાય તે પહેલાં data કેવી રીતે handle થશે તે confirm કરે છે.

કારણ કે decision layer તમારા code માં રહે છે, તમે અનુભવ પર નિયંત્રણમાં રહો છો. તમે નિયમો બદલાતા પહેલાં અઠવાડિયાઓ સુધી internal dashboard માં પરિણામો બતાવી શકો છો, પછી એક route માટે એક સાંકડી policy ચાલુ કરી શકો છો, અને પછી પરિણામોએ તમારો વિશ્વાસ કમાયા પછી વિસ્તૃત કરી શકો છો. unknown traffic ને કેવી રીતે handle કરવું guide તમારા પ્રથમ rules કેવી રીતે design કરવા તે સમજાવે છે.

observation mode માં શરૂ કરો

AI agent detection માંથી value મેળવવાનો સૌથી ઝડપી માર્ગ watching થી શરૂ કરવો છે, blocking થી નહીં. observation mode માં, Proof of Actor પરિણામો record કરે છે જ્યારે તમારી વેબસાઇટ તેના વિના જેવી છે તેવી જ પ્રતિક્રિયા આપે છે. ત્યારબાદ તમારી ટીમ classifications ને તમે પહેલેથી સમજતા outcomes સાથે સરખાવી શકે છે: support tickets, known integrations, internal tools, અને તમે પહેલેથી ઓળખતા crawlers.

આ તમને enforcement પહેલાં ત્રણ બાબતો આપે છે:

એક baseline. route પ્રમાણે તમારું traffic કેટલું human-directed, AI-assisted, agent-driven અથવા unknown છે.
evidence માં confidence. તમારી વેબસાઇટ પર કયા signals મજબૂત છે અને coverage ક્યાં વધારવાની જરૂર છે.
વધુ સારી policies. ધારણાઓની જગ્યાએ વાસ્તવિક patterns આસપાસ રચાયેલા rules, સાથે false positives ની સમીક્ષા કોઈને અસર થાય તે પહેલાં.

જ્યારે policy તૈયાર થાય, ત્યારે તમે તેને ખાસ workflow માટે enable કરો છો જેના માટે તે બનાવાઈ હતી, અને તમે તેને કોઈપણ સમયે adjust કરવાની ક્ષમતા રાખો છો.

opaque scores કરતાં evidence-backed detection કેમ જીતે છે

વેબસાઇટ્સ પહેલેથી જ agents, assistants અને AI સાથે કામ કરતા લોકોને સાથે સાથે સેવા આપે છે. આને સારી રીતે સંભાળનારી ટીમો સૌથી aggressive filters ધરાવનારીઓ નહીં હોય. તેઓ એવી હશે જે પોતાના નિર્ણયો સમજાવી શકે.

Evidence-backed પરિણામો તમને એ explanation આપે છે. જ્યારે support agent પૂછે કે user ને વધારાનું verification step શા માટે દેખાયું, ત્યારે તમે evidence અને લાગુ પડેલી policy બતાવી શકો છો. જ્યારે agent operator પૂછે કે તેની signed requests ને structured response શા માટે અપાયું, ત્યારે તમે verified basis બતાવી શકો છો. જ્યારે evidence પાતળું હોય, ત્યારે result Unknown કહે છે, અને તમારો fallback તેને તમે જાણબૂઝીને પસંદ કરેલા રીતે handle કરે છે.

આ અભિગમ web સાથે પણ scale થાય છે. જેમ જેમ વધુ agent operators તેમની requests sign કરે છે અને standards work જેમ કે IETF Web Bot Auth working group, જે automated clients માટે cryptographic authentication standardize કરવા chartered છે, HTTP message signatures પર આધારિત બને છે, તેમ તેમ તમારું વધુ traffic inferred અથવા unknown માંથી verified તરફ જાય છે, અને તમારી policies rewrite કર્યા વિના વધુ precise બને છે.

founding developer program માં જોડાઓ

Proof of Actor application teams ના નાના જૂથ સાથે private beta માં છે. પસંદ થયેલા founding developers ને agreed usage limitsની અંદર up to 12 months નું free access મળી શકે છે, hands-on product feedback ના બદલામાં. તમને અમારા engineers તરફથી direct integration support મળે છે, capabilities ઉપલબ્ધ થતી જાય તેમ early access મળે છે, અને અમે આગળ શું બનાવીએ તેમાં વાસ્તવિક influence મળે છે.

જો તમારી વેબસાઇટ લોકો, AI-assisted users અને agents ને સેવા આપે છે, અને તમે આગળ શું થાય તે નક્કી કરતા પહેલાં કોણ તેનો ઉપયોગ કરી રહ્યું છે તે જાણવા માગો છો, તો early access માટે અરજી કરો. તમારી વેબસાઇટ અને તમને સૌથી વધુ સમજવા જે interaction છે તે વિશે કહો, અને અમે જોઈશું કે તે હાલના beta માટે યોગ્ય છે કે નહીં.

પહેલા વિગતો જોવી છે? Proof of Actor જુઓ, તે કેવી રીતે કામ કરે છે વાંચો, અથવા ચોક્કસ રીતે પુરાવો શું સ્થાપિત કરી શકે છે અને શું નહીં તેની સમીક્ષા કરો.

સ્ત્રોતો

RFC 9421: HTTP Message Signatures, IETF, February 2024.
Web Bot Auth (webbotauth) working group charter, IETF.
Overview of OpenAI crawlers, OpenAI.
Does Anthropic crawl data from the web, and how can site owners block the crawler?, Anthropic.
Verifying Googlebot and other Google crawlers, Google Search Central.
How to verify that Bingbot is Bingbot, Bing Webmaster Blog.

વિકાસકર્તાઓ માટે

What your code receives

Every interaction resolves to one result record. Your application reads the class and the basis and applies its own policy.

Result record

{
  "route": "GET /api/v1/catalog",
  "class": "agent",
  "basis": "verified",
  "evidence": [
    { "signal": "http_message_signature", "result": "valid", "keyid": "assistant.example" },
    { "signal": "client_declaration", "value": "assistant.example" }
  ],
  "observed_at": "2026-11-13T10:42:07Z"
}

class: Human, Human + AI, Agent અથવા Unknown.
basis: પુરાવો કેટલો મજબૂત છે: Verified, Declared, Inferred અથવા Unknown.
evidence: પરિણામ પાછળના signals, જેથી તમારી team કારણ જોઈ શકે.

observation mode માં શરૂ કરો: પરિણામોને તમારા logsની બાજુમાં નોંધો અને તમે policy પસંદ કરો ત્યાં સુધી કંઈ બદલશો નહીં. Node.js integration guide વાંચો

વારંવાર પૂછાતા પ્રશ્નો

Proof of Actor સાથે વેબસાઇટ્સ માટે AI એજન્ટ ડિટેક્શન કેવી રીતે કામ કરે છે?

Proof of Actor તમારા ઇન્ટિગ્રેશન દ્વારા ઉપલબ્ધ સંકેતો, જેમ કે request signatures, client declarations અને interaction signals, એકત્ર કરે છે અને તેના આધાર સાથે વર્ગીકરણ આપે છે: verified, declared, inferred અથવા unknown.

શું તેને ઇન્સ્ટોલ કરવાથી કોઈ મુલાકાતી અટકશે?

ના. Proof of Actor observation mode માં શરૂ થાય છે. તમારી વેબસાઇટ અગાઉ જેવી જ રીતે કાર્ય કરતી રહે છે જ્યારે તમારી ટીમ પરિણામોની સમીક્ષા કરે છે, અને પછી તમે નક્કી કરો છો કે કોઈ policy લાગુ કરવી છે કે નહીં.

શું તે કહી શકે કે કોઈએ બીજા ટૅબમાં AI વાપર્યું હતું?

કોઈ પણ વેબસાઇટ બીજા ટૅબમાં અથવા બીજા ઉપકરણ પરની activity જોઈ શકતી નથી. Proof of Actor જ્યારે તે declared હોય અથવા supported integration દ્વારા observable હોય ત્યારે AI assistance નો અહેવાલ આપે છે, અને બાકીની બધી બાબતોને design મુજબ honest રાખે છે.

જ્યારે પુરાવો સ્પષ્ટ ન હોય ત્યારે શું થાય છે?

પરિણામ Unknown હોય છે. Unknown ને first-class result તરીકે ગણવામાં આવે છે, તેને default રૂપે ક્યારેય human ગણાતું નથી અને default રૂપે ક્યારેય malicious ગણાતું નથી. તમારી policy નક્કી કરે છે કે દરેક route તેને કેવી રીતે સંભાળે છે.

Proof of Actor કોના માટે બનાવવામાં આવ્યું છે?

એવી ટીમો માટે જે SaaS applications, websites, APIs અને MCP servers ચલાવે છે અને experience અથવા access policy પસંદ કરતા પહેલાં કોણ અથવા શું action કરી રહ્યું છે તે સમજવા માગે છે.

મને access કેવી રીતે મળશે?

Proof of Actor private beta માં છે. early access માટે અરજી કરો. પસંદ થયેલી founding developer ટીમોને agreed usage limitsની અંદર up to 12 months નું free access મળી શકે છે.

તમારા app નો ઉપયોગ કોણ કરે છે તે જાણો.

Founding developers ના નાના સમૂહ માટે private beta.

પ્રારંભિક ઍક્સેસ મેળવો કિંમત જુઓ

પહેલાં વાત કરવી પસંદ કરો છો? સ્થાપકો સાથે વાત કરો