നിർവചനം
AI ഏജന്റ് ട്രാഫിക് എന്നത് ഒരു application-ന് ലഭിക്കുന്ന അഭ്യർത്ഥനകളുടെ കൂട്ടമാണ്. ഇവ ചെയ്യേണ്ടത് എന്തെന്ന് തീരുമാനിക്കാൻ AI models ഉപയോഗിക്കുന്ന സോഫ്റ്റ്‌വെയർ ഏജന്റുകളിൽ നിന്നാണ് വരുന്നത്. ഈ ഏജന്റുകൾ പേജുകൾ ബ്രൗസ് ചെയ്യുകയും, APIകൾ വിളിക്കുകയും, ഫോമുകൾ പൂരിപ്പിക്കുകയും, Model Context Protocol(https://modelcontextprotocol.io/specification/2026-07-28) (MCP) servers-ലേക്കുള്ള ഉപകരണങ്ങൾ വിളിക്കുകയും ചെയ്യുന്നു, സാധാരണയായി ഒരു വ്യക്തിയുടെയോ സ്ഥാപനത്തിന്റെയോ പേരിൽ. ഇവിടെ നിർണ്ണായകമായത്, നൽകിയിരിക്കുന്ന task-ലുള്ള അടുത്ത action തിരഞ്ഞെടുക്കുന്നത് ഒരു model ആണെന്നതാണ്, ഒരു വ്യക്തിയല്ല.
AI ഏജന്റ് ട്രാഫിക് crawler-ുകളും script-ുകളും പോലുള്ള പഴയ automation രൂപങ്ങളുമായി ഒത്തുചേരുന്നു, പക്ഷേ അത് വ്യത്യസ്തമായി പെരുമാറുന്നു. ഏജന്റുകൾ ലക്ഷ്യങ്ങൾ പിന്തുടരുന്നു, കണ്ടെത്തുന്നതനുസരിച്ച് പൊരുത്തപ്പെടുന്നു, കൂടാതെ പലപ്പോഴും ആളുകൾക്കായി മാത്രം രൂപകൽപ്പന ചെയ്തിരുന്ന ഒരു application-ന്റെ ഭാഗങ്ങളുമായി ഇടപെടുന്നു.
ഇത് എവിടെയാണ് കാണപ്പെടുന്നത്
- വെബ്‌സൈറ്റുകളും SaaS apps-ും: ഡോക്യുമെന്റേഷൻ വായിക്കുന്ന, pricing pages താരതമ്യം ചെയ്യുന്ന, അല്ലെങ്കിൽ signed-in session-ിനുള്ളിൽ പല ഘട്ടങ്ങളുള്ള workflows പൂർത്തിയാക്കുന്ന assistants. AI operators ഇതിലെ ചില traffic രേഖപ്പെടുത്തുന്നു: ഒരു വ്യക്തി ഒരു ചോദ്യം ചോദിക്കുമ്പോൾ OpenAI's ChatGPT-Userയും Anthropic-ന്റെ Claude-Userയും pages fetch ചെയ്യുന്നു.
- APIകൾ: API credentials ഉപയോഗിച്ച് നേരിട്ട് endpoints വിളിക്കുന്ന ഏജന്റുകൾ, പലപ്പോഴും ഒരു മനുഷ്യനിർദ്ദിഷ്ട integration-നെക്കാൾ വ്യത്യസ്തമായ വേഗതയിലും pattern-ലും.
- MCP servers: AI clients ഉപകരണങ്ങൾ വിളിക്കുന്നത്, ഇവിടെ ഓരോ call-ഉം നിർവചനപ്രകാരം automated ആണെന്നും ഏത് client വിളിക്കുന്നു, അത് എന്തുചെയ്യാൻ കഴിയും എന്നതുമാണ് ചോദ്യം. MCP server കാണുക.
ഇത് എങ്ങനെ തിരിച്ചറിയാം
ഒരു single signal കൊണ്ടു മാത്രം agent traffic വിശ്വസനീയമായി തിരിച്ചറിയാൻ കഴിയില്ല. ടീമുകൾ വ്യത്യസ്ത ശക്തിയുള്ള തെളിവുകൾ ചേർക്കുന്നു, website traffic AI agents-ൽ നിന്ന് വരുന്നുണ്ടോ എന്ന് എങ്ങനെ തിരിച്ചറിയാം എന്നതിൽ വിശദീകരിക്കുന്നതുപോലെ:
Verified evidence
ചില agent operators അവരുടെ അഭ്യർത്ഥനകൾ HTTP message signatures (RFC 9421) ഉപയോഗിച്ച് ഒപ്പിടുന്നു, കൂടാതെ തങ്ങൾ നിയന്ത്രിക്കുന്ന domain-ൽ പ്രസിദ്ധീകരിച്ച keys ഉപയോഗിക്കുന്നു, IETF Web Bot Auth പ്രവർത്തനത്തെ പിന്തുടർന്ന്. ശരിവച്ച ഒരു signature, ഏത് operator-ന്റെ client ആണ് അഭ്യർത്ഥന അയച്ചതെന്ന് ശക്തമായ തെളിവാണ്.
Declared evidence
Clients സ്വയം വിവരിക്കാം: ഒരു user-agent string, ഒരു MCP client പേര്, ഒരു header. ഇവ ഉപകാരപ്രദമാണ്, പക്ഷേ അനുകരിക്കാൻ എളുപ്പമാണ്, അതുകൊണ്ടാണ് user-agent spoofing ഒരു സ്ഥിരമായ ആശങ്കയായിരിക്കുന്നത്.
Inferred evidence
അഭ്യർത്ഥനയുടെ സമയം, navigation patterns, ഇല്ലാത്ത browser context, protocol വിശദാംശങ്ങൾ എന്നിവ automation സൂചിപ്പിക്കാം. Inferences തെറ്റാകാം, അതിനാൽ അവയെ എപ്പോഴും inferences എന്ന നിലയിൽ തന്നെ ലേബൽ ചെയ്യണം.
ഇവയിൽ ഒന്നും ഒരു തീരുമാനം പിന്തുണയ്ക്കാത്തപക്ഷം, സത്യസന്ധമായ ഫലം Unknown ആണ്.
ഇത് എന്തുകൊണ്ട് പ്രധാനമാണ്
Agent traffic സ്വഭാവപരമായി നല്ലതോ മോശമോ അല്ല. Plans താരതമ്യം ചെയ്യുന്ന ഒരു shopping assistant, records sync ചെയ്യുന്ന ഒരു internal agent, നിങ്ങളുടെ terms അവഗണിക്കുന്ന ഒരു scraper എന്നിവ network നിലയിൽ സമാനമായി കാണാം. മാറുന്നത് നിങ്ങളുടെ application എന്തുചെയ്യണം എന്നതാണ്:
- സന്തോഷത്തോടെ സേവിക്കാൻ തയ്യാറുള്ള agents-യ്ക്ക് ഒരു structured response അല്ലെങ്കിൽ API നൽകുക.
- automated volume resources-നെ സമ്മർദ്ദത്തിലാക്കാൻ സാധ്യതയുള്ള route-level limits പ്രയോഗിക്കുക.
- ഉയർന്ന പ്രതിഫലമുള്ള actions-ിനു മുമ്പ് കൂടുതൽ ശക്തമായ credentials ആവശ്യപ്പെടുക.
- മനുഷ്യാനുഭവം വേഗതയുള്ളതും അനാവശ്യ clutter ഇല്ലാത്തതുമായ നിലയിൽ നിലനിർത്തുക.
എല്ലാ automation-നെയും abuse ആയി പരിഗണിക്കുന്നത് നിയമപരമായ integrations തകർക്കും. അതിനെ അവഗണിക്കുന്നത്, നിങ്ങളുടെ ടീം കരുതുന്ന context ഇല്ലാതെ sensitive actions പ്രവർത്തിക്കാൻ ഇടയാക്കും.
സാധാരണ തെറ്റിദ്ധാരണകൾ
"ഏജന്റുകൾ എല്ലായ്പ്പോഴും തങ്ങളെ തിരിച്ചറിയുന്നു." പലരും അങ്ങനെ ചെയ്യുന്നില്ല, കൂടാതെ declarations വ്യാജമായേക്കാം.
"ഒപ്പിട്ട ഒരു agent വിശ്വസനീയമായ agent ആണ്." ഒരു signature request-ിൽ ഏത് key ആണ് ഒപ്പിട്ടതെന്ന് കാണിക്കുന്നു. ആ action authorized ആണോ സുരക്ഷിതമാണോ എന്ന് അത് കാണിക്കുന്നില്ല. agent authorization കാണുക.
"Automation തടയുന്നത് app-നെ സംരക്ഷിക്കുന്നു." പലപ്പോഴും അത് customers ആശ്രയിക്കുന്ന integrations തടയുകയും, അതേസമയം ഉറച്ച bad actors പൊരുത്തപ്പെടുകയും ചെയ്യും.
Proof of Actor agent traffic എങ്ങനെ കൈകാര്യം ചെയ്യുന്നു
Proof of Actor ഓരോ interaction-നെയും Human, Human + AI, Agent അല്ലെങ്കിൽ Unknown ആയി വർഗ്ഗീകരിക്കുന്നു (ഈ taxonomy ഇവിടെ വിശദീകരിച്ചിരിക്കുന്നു), കൂടാതെ ഫലം verified, declared അല്ലെങ്കിൽ inferred ആണോ എന്നും പറയുന്നു. ടീമുകൾ ആദ്യം നിരീക്ഷിക്കുന്നു, തുടർന്ന് അവരുടെ സ്വന്തം policies ഉപയോഗിച്ച് agent traffic route ചെയ്യുന്നു. How It Works അല്ലെങ്കിൽ early access-ിനു അപേക്ഷിക്കുക കാണുക.
ഉറവിടങ്ങൾ
- Model Context Protocol specification (2026-07-28): November 2026 അനുസരിച്ച് നിലവിലെ MCP revision
- RFC 9421: HTTP Message Signatures: signed agent requests-ന്റെ അടിസ്ഥാനം വരുന്ന standard
- IETF Web Bot Auth working group: automated clients-നെ authenticate ചെയ്യുന്നതിലെ standards work
- OpenAI: Overview of OpenAI Crawlers: ChatGPT-User-നും മറ്റു രേഖപ്പെടുത്തിയ OpenAI user agents-നും
- Anthropic: crawler and fetcher documentation: Claude-User-നും മറ്റു Anthropic bots-നും