AI 爬虫 · Ai2（艾伦人工智能研究所） AI2Bot：艾伦人工智能研究所的爬虫
AI2Bot 收集的页面被 Ai2 用来训练开放语言模型。下面是 Ai2 公开的信息，每条链到出处——以及它没有说明的 robots.txt 态度。
- 模型训练
- robots.txt 态度未公开
- 未公开验证方法
AI2Bot 一览
Ai2（艾伦人工智能研究所）官方公开的 AI2Bot 信息，每条都链到出处。需要哪条 robots.txt 规则直接复制；日志里的 IP 是不是真的 AI2Bot，也能在这里核对。
运营方对 AI2Bot 的说明
每一行都链到出处。「未公开」表示在运营方自己的文档里找不到。
Mozilla/5.0 (compatible) AI2Bot (+https://www.allenai.org/crawler)运营方公布的原文。
robots.txt 规则
把其中一组加到 robots.txt 末尾。标记不区分大小写。
User-agent: AI2Bot
Disallow: /User-agent: AI2Bot
Allow: /点名 AI2Bot 的组会替代 User-agent: * 对它的规则。只想拦一个目录，把 / 换成目录，如 Disallow: /private/。
核对请求是不是真的 AI2Bot
运营方没有公布 IP 列表或 DNS 域名，UA 里写着这个爬虫的请求无法证明真假，只能当作自称。
官方文档里的其他说明
- Ai2 说爬虫请求始终带同一个 User-Agent，有疑问可通过其联系表单反馈。 出处
版本 v1.0更新于 更新记录
决定怎么处理，看这四项
每个爬虫单页都是同一张表，这四行回答了大部分问题。
用途
训练、搜索，还是替用户访问。屏蔽训练爬虫，你的页面不进后续模型；屏蔽搜索爬虫，连带失去会链回你的 AI 回答。
遵守 robots.txt
「是」是运营方自己的说法。「部分」通常指用户发起的访问可能不看 robots.txt——ChatGPT-User、Perplexity-User、meta-externalfetcher 的运营方都这么说。
官方 IP 列表 / 反查 DNS
分辨真爬虫和冒充者的唯一办法。两者都没公布，UA 就只是自称。
未公开
在运营方自己的文档里找不到。我们不拿第三方列表补空——那些列表互相矛盾，也经常过时。
事实按各单页标注的日期与运营方页面核对过。运营方会改文档，以出处链接为准。
从日志里的名字到一条规则
四步，都在浏览器里完成。
-
1
找到爬虫
输入日志里看到的名字，或你想查的公司。按用途筛选，比如只看 AI 训练类。
-
2
打开单页
看运营方说它拿来做什么、是否遵守 robots.txt；复制官方 UA，和宝塔、Nginx 日志里的对照。
-
3
生成规则
在表格里勾选，选屏蔽或放行，复制或下载 robots.txt 规则组。
-
4
检查效果
用 robots.txt 测试工具测一遍；在单页上用官方 IP 列表核对请求真假。
爬虫怎么分组，robots.txt 怎么生效
目录按 TapCub 机器人规则分组。robots.txt 按 RFC 9309 匹配：爬虫只执行 User-agent 与自己标记匹配的那一组，没有这一组才退回 *。
- 有自己一组的爬虫，完全不看
User-agent: *里的规则 - 标记不区分大小写；拼错就什么也匹配不上
- 有些名字只是标记——Google-Extended、Applebot-Extended 从不来访
- 没有公开标记的代理，robots.txt 根本管不到
| 分组 | 做什么 | 屏蔽后 |
|---|---|---|
| AI 训练 | 为模型训练或数据集收集网页 | 只要它遵守 robots.txt，你今后的页面就不进这家的训练 |
| AI 答案引擎 | 为带链接的 AI 回答建索引 | 不再作为来源被引用 |
| AI Agent | 替用户打开页面 | 助手打不开你的页面——前提是它看 robots.txt |
| 搜索引擎 | 传统搜索索引 | 从这个搜索引擎消失；必应等也为 AI 回答供数 |
四份 robots.txt 对 AI2Bot 的效果
AI2Bot 只看 User-agent 与 AI2Bot 匹配的那一组（不区分大小写）；没有这一组，才退回 User-agent: *。
| robots.txt | AI2Bot 的结果 | 原因 |
|---|---|---|
User-agent: AI2Bot Disallow: / | 禁止 | 它自己的组禁止了整站。 |
User-agent: * Disallow: / | 禁止 | 没有自己的组，继承通配组。 |
User-agent: * Disallow: / User-agent: AI2Bot Allow: / | 允许 | 点名的组完全取代通配组，* 里的规则对它不再生效。 |
User-agent: AI2Bot Disallow: /private/ | 除 /private/ 外都允许 | 只有以 /private/ 开头的路径被禁止。 |
以上是按 RFC 9309 读规则的结果；Ai2（艾伦人工智能研究所）没有说明 AI2Bot 是否照做。
AI 爬虫策略常在哪里出错
多数问题出在标记写法，或者没弄清这个爬虫到底是什么。
把公司名当标记
「OpenAI」「字节跳动」「ChatGPT」都不是标记。用目录里的准确写法——GPTBot、Bytespider、OAI-SearchBot。
连搜索爬虫一起拦
屏蔽 OAI-SearchBot、PerplexityBot 会失去能链回你的 AI 回答。按爬虫决定，不要按公司一刀切。
轻信 UA
谁都能在请求头里写「GPTBot」。没有核对 IP 或反查 DNS，请求就不算验证过。
封 IP 反而丢了退出声明
Anthropic 和 Cohere 都提醒：封它们的 IP 会让爬虫读不到 robots.txt，退出可能不稳定。
看哪些爬虫真的来过
目录告诉你爬虫自称做什么。TapCub 用五层识别、197+ 条规则把机器人和真人分开，AI 爬虫单独统计。
AI2Bot 是什么？
AI2Bot 由Ai2（艾伦人工智能研究所）运营。Ai2 说其爬虫在部分域名上查找网页内容，用于训练开放语言模型。
AI2Bot 遵守 robots.txt 吗？
Ai2 的爬虫页面没有提到 robots.txt，只说可以按 UA 过滤或拒绝其流量。
怎么屏蔽 AI2Bot？
在 robots.txt 里写 User-agent: AI2Bot 和 Disallow: /。Ai2（艾伦人工智能研究所）没有公开它是否遵守 robots.txt，加完后看访问日志，仍然来访就在 Nginx / 宝塔里按 UA 拦：if ($http_user_agent ~* "AI2Bot") { return 403; }。
怎么确认请求真的来自 AI2Bot？
Ai2（艾伦人工智能研究所）没有公开 IP 列表或 DNS 域名，UA 里写着「AI2Bot」的请求无法证明真假。把 UA 当成自称，不要当成身份。
robots.txt 态度没公开，怎么拦 AI2Bot？
Ai2 建议按 UA 过滤。robots.txt 照样写一组，再在 Nginx / 宝塔或 CDN 上拒绝 UA 含 AI2Bot 的请求。
Ai2Bot-Dolma 是 Ai2 的官方爬虫吗？
Ai2 的爬虫页面只说明了 AI2Bot，没有提到 Ai2Bot-Dolma。