# 如何为 AI 爬虫配置 robots.txt（GPTBot、ClaudeBot）

- Canonical: https://www.geoly.ai/zh/blog/configure-robots-txt-ai
- Published: 2026-03-07
- Updated: 2026-07-07
- Author: [GEOly AI](https://www.geoly.ai/zh/blog/author/geoly-ai)
- Tags: [How To](https://www.geoly.ai/zh/blog/tag/how-to), [robots.txt](https://www.geoly.ai/zh/blog/tag/robots-txt), [AI Visibility](https://www.geoly.ai/zh/blog/tag/ai-visibility), [GEO](https://www.geoly.ai/zh/blog/tag/geo)

> **Summary:** GPTBot、ClaudeBot、OAI-SearchBot 等 AI 爬虫的可复制 robots.txt 配置块——该放行哪些爬虫才能保持可被引用，以及如何在日志里验证。

如今，你的 `robots.txt` 文件决定了 ChatGPT、Claude、Perplexity 以及 Google 的 AI 答案能不能看见你的品牌。读完这篇你会清楚：该放行还是拦截哪些 AI user-agent、每个爬虫的可复制粘贴 `robots.txt` 配置块，以及如何在服务器日志里验证规则真的生效了。

难点在于，「把所有 AI 爬虫全拦掉」通常是错的。拦掉那些为 AI 答案供数据的爬虫，会悄悄把你从用户如今取代 Google 去读的结果里抹掉。所以目标不是砌一堵墙，而是一套有取舍的策略：欢迎会引用你的爬虫，对只拿你训练的爬虫再逐个斟酌。

## 核心要点

- `robots.txt` 是控制 AI 爬虫访问的首要手段，但它是自愿遵守的——守规矩的爬虫会遵从，它拦不住无视协议的抓取器。
- AI 爬虫按用途分两类：训练类（喂给模型的静态知识）和搜索/RAG 类（实时抓页面来生成答案）。两者要区别对待。
- 拦掉 `OAI-SearchBot`、`PerplexityBot` 这类搜索/RAG 爬虫，等于把自己从会标注来源的 AI 答案里删掉——直接损失可见度。
- `Google-Extended` 只管 Gemini/Vertex 的训练，它不会把你从 Google AI Overviews 里移除，后者走的是普通 `Googlebot`。
- 写了指令不等于生效。信任任何规则之前，先在服务器日志里确认爬虫的真实行为。

## 步骤 1：先分清两类 AI 爬虫

动手改之前，先按爬虫「拿你的页面做什么」来分类。

训练类爬虫抓内容去训练大语言模型，数据成为模型静态知识的一部分。被收录有助于「品牌 X 是什么」这类泛化回答，但不保证被引用。例如：

- `GPTBot`——OpenAI 模型训练
- `ClaudeBot` 和 `anthropic-ai`——Anthropic 模型训练
- `Google-Extended`——Gemini/Vertex AI 训练
- `Applebot-Extended`——Apple Intelligence 训练
- `CCBot`——Common Crawl，很多模型基于它的数据集训练
- `Bytespider`——字节跳动爬虫

搜索/RAG 爬虫在回答时实时抓页面，生成有出处、可引用的答案。拦掉这类才是真的把你从 AI 答案里删掉：

- `OAI-SearchBot`——OpenAI 的 ChatGPT 搜索/浏览抓取器
- `PerplexityBot`——Perplexity 的索引/回答爬虫
- `Googlebot`——同时负责渲染 AI Overviews 和 AI Mode

实操原则：对搜索/RAG 爬虫大方放行，对训练类爬虫谨慎取舍。

## 步骤 2：定位或创建你的 robots.txt

文件位于域名根目录：`https://yourdomain.com/robots.txt`。必须是纯文本，以 `200` 状态返回。

- 自建站点：在网站根目录新增或编辑 `robots.txt`。
- Shopify：文件自动生成，可通过主题里的 `robots.txt.liquid` 编辑。
- WordPress：通常由 SEO 插件（Yoast、Rank Math）管理一个虚拟 `robots.txt`。

每组规则以 `User-agent` 开头，后面跟 `Allow` 和 `Disallow` 路径。`Disallow: /` 拦截全部；`Allow: /`（或不写 `Disallow`）表示全部放行。

## 步骤 3：放行会引用你的 AI 搜索爬虫

如果目标是 GEO 可见度，就明确欢迎那些生成带引用答案的抓取器。下面这段对全站放行它们：

```
User-agent: OAI-SearchBot
Allow: /

User-agent: PerplexityBot
Allow: /

User-agent: Googlebot
Allow: /
```

不拦这几个，是这份文件里最关键的 GEO 决定。一个拦了 `OAI-SearchBot` 的站点，无论内容多强，都不会被 ChatGPT 的带引用网页结果收进去。

## 步骤 4：定下对训练类爬虫的策略

这是取舍题，不是默认项。放行训练类爬虫，意味着你的品牌事实、定位、产品名会被写进模型的世界知识，有助于无提示下的品牌联想。拦掉它们，则保护专有或高价值内容不被无署名地吸收。

要全站放行训练类爬虫，什么都不用写——没有指令即默认允许。要拦掉，就加明确的拦截块：

```
User-agent: GPTBot
Disallow: /

User-agent: ClaudeBot
Disallow: /

User-agent: anthropic-ai
Disallow: /

User-agent: Google-Extended
Disallow: /

User-agent: Applebot-Extended
Disallow: /

User-agent: CCBot
Disallow: /

User-agent: Bytespider
Disallow: /
```

关于 `Google-Extended`：它只管 Gemini 和 Vertex AI 的训练。拦掉它不会把你从 Google AI Overviews 或 AI Mode 里移除——那些走的是标准 `Googlebot`。而一旦你 disallow 了 `Googlebot`，连普通 Google 搜索也一起没了，所以别拿它当 AI 的退出开关。

## 步骤 5：混用放行与拦截做部分开放

多数品牌想走中间路线——让爬虫读营销页面，但挡在结算、账户、站内搜索之外。按爬虫组合路径规则：

```
User-agent: GPTBot
Allow: /
Disallow: /cart
Disallow: /account
Disallow: /search
```

你也可以只放行博客不放文档，或反过来，只需列出具体路径。顺序不如具体度重要：多数现代爬虫遵循「最长匹配规则优先」。

## 常见坑

- 一边想「阻止 AI 偷内容」一边拦掉 `OAI-SearchBot` 或 `PerplexityBot`。你拦掉的恰恰是本会引用并链接你的爬虫。
- 为了挡 AI Overviews 而 disallow `Googlebot`。这会删掉你正常的 Google 排名；Overviews 照样走 `Googlebot`。
- 以为 `robots.txt` 是强制手段。它只是请求。激进抓取器根本不理——真要拦得靠防火墙或 WAF 规则。
- user-agent 名称拼错。`GPT-Bot` 或 `Claudebot` 匹配不上；字符串大小写不敏感，但其余必须精确。
- 把 `robots.txt` 放进子目录。它只在域名根目录下才生效。

## 如何验证

指令写了，不确认爬虫是否照做，就等于没写。

- 在服务器访问日志里 grep user-agent 字符串，例如 `grep -i "GPTBot\|OAI-SearchBot\|PerplexityBot\|ClaudeBot" access.log`。放行的爬虫应能看到在抓页面，被拦的应缺席。
- 若你用 Cloudflare，按 user-agent 过滤分析数据，长期观察 AI 爬虫流量。
- 跑一次 GEO 审计，抓出肉眼漏掉的策略错误。GEOly 的 GEO 审计包含 29 项 AI 就绪度检查，会标记爬虫访问问题——比如误拦了某个搜索爬虫，或 `robots.txt` 返回了错误状态码。它的 Cloudflare Analytics 集成和信源分析还能显示到底哪些 AI 引擎在真正抓取并引用你，从而判断某条「放行」规则有没有带来回报。可在 `app.geoly.ai` 用 3 天免费试用跑一遍。想了解这类审计为何重要，读[为什么品牌现在就该审计 AI 爬虫访问](/zh/blog/why-brands-audit-ai-crawler-access-now)。

## 常见问题

我该拦 GPTBot 保护内容吗？只有当内容确属专有、且你能接受在模型知识里消失时才拦。对多数营销站，放行 `GPTBot` 有助品牌联想，代价很小。

拦掉 Google-Extended 会让我从 Google AI Overviews 里消失吗？不会。`Google-Extended` 管的是 Gemini/Vertex 训练。AI Overviews 走 `Googlebot`，拦 Google-Extended 不影响 Overviews。

robots.txt 真能拦住 AI 抓取器吗？守规矩的爬虫会遵从。它不是安全边界——无视协议的爬虫得在网络层或 WAF 层拦。

GPTBot 和 OAI-SearchBot 有什么区别？`GPTBot` 收集数据训练 OpenAI 模型；`OAI-SearchBot` 实时抓页面，好让 ChatGPT 在浏览回答里引用。想出现在 ChatGPT 的引用结果里，就放行 `OAI-SearchBot`。

我怎么知道哪些爬虫对我的品牌重要？看你的买家在哪问问题，再用数据确认。开门之后要把访问变成引用，参考[提升 AI 抓取与引用的最佳实践](/zh/blog/best-practices-increase-ai-crawling-citations)，并配合 [IndexNow 配置](/zh/blog/implement-indexnow-geo)让新页面被快速抓取。

GEOly 是一个把这一切变得可衡量的 GEO 数据平台——可以读[什么是 GEOly AI](/zh/blog/what-is-geoly-ai)，或浏览 [GEOly AI](/zh/blog/author/geoly-ai) 的更多指南。
