AI Agent 偵測升級：用戶端一致性準備的四個重點

過去一年，AI Agent 越來越深入業務流程，從呼叫瀏覽器工具，到登入後台、處理訂單、回覆郵件，整條流程都能交由 Agent 執行。與此同時，風險控管端也在改變判斷方式：不再只盯著某一個瀏覽器屬性，而是把整段工作階段一起攤開來看。

偵測從單點屬性移到整段工作階段

平台在介紹 AI 偵測能力時會提到，觀察的是整段工作階段中的行為訊號：游標移動是否過於規律、輸入速度與節奏是否異常、頁面未取得焦點時是否仍持續輸入、頁面不可見時是否還有游標活動，以及整體操作前後是否一致。

這些訊號有一個共同點：它們不依賴某一項參數是真是假，而是看一段時間內的連續性。因此，只在單一屬性上動手腳，對這類判斷幾乎沒有幫助。

工作階段之外還有一層關聯判斷

除了行為訊號，整體風險控管也可能把瀏覽器環境、Cookie、登入狀態、網路環境與帳號歷史放在一起看：環境是否保持一致，Cookie、本機儲存與登入狀態是否連續，環境是否頻繁變化，網路環境有沒有異常跳動，多個帳號是否共用同一套瀏覽器環境，以及行為是否符合正常業務流程。

這些判斷可以分成兩層。第一層是瀏覽器執行環境，它決定環境與登入狀態能否維持連續；第二層是 Agent 的執行策略，它決定整段操作看起來是否像自動化。兩層中的任何一層出問題，任務都很難穩定執行。

為什麼環境不一致會被視為自動化

反過來想會更清楚。真人用一台裝置造訪網站時，會留下大量彼此吻合的線索：出口 IP 位於某個地區，系統時區通常也應該在附近；常用語言應與 IP 所在地區有合理對應；螢幕解析度、字型清單與 GPU 資訊應彼此匹配；Cookie 與登入狀態則應隨時間逐步變化，而不是每次造訪都從零開始。

不一致本身就是異常。 出口在法蘭克福，瀏覽器時區卻停在洛杉磯；這一小時是一套字型與解析度，下一小時又換成另一套；同一套環境裡十分鐘登入五個帳號。這些情況單獨出現就很可疑，若同時出現，更難用一般真人行為解釋。

平台的邏輯並不複雜：一般使用者通常不會這樣操作。既然如此，維持一致性的成本就只能由用戶端自行承擔。

用戶端可以準備的四個方面

第一，環境內部自洽：時區、語言、解析度、字型、GPU 等參數之間不要互相矛盾。

第二，環境彼此獨立：每個任務都有自己的資料目錄、自己的參數與自己的網路出口，避免多個身分被關聯到同一台裝置環境。

第三，狀態連續：Cookie、本機儲存與登入狀態按環境分別保存，重新啟動後可以恢復原樣，而不是每次都從頭登入。

第四，出口與地理參數對齊：出口地區換到其他國家時，環境的時區與語言也跟著調整，不要讓兩者長期衝突。

前兩點主要是環境層的問題，後兩點則一部分在環境層、一部分在排程邏輯裡。當團隊同時執行數十個 Agent 時，這類需求通常會落到環境管理這一層，把獨立環境、獨立出口與批次設定一起管理。PurpleMark 就是提供這一層能力的工具之一。

幾類已經不太好用的舊方法

只改 User-Agent 是最常見的方法之一，但底層特徵沒有改變時，UA 與實際環境之間的矛盾反而更明顯。只換 IP 也是同樣的問題，裝置特徵與行為節奏都沒有變，換一個出口並不能解決。無痕模式影響的是本機儲存，與裝置特徵本身沒有關係。

把多個任務塞進同一個環境也不划算。併發時它們可能互相覆寫 Cookie 與登入狀態，而且多個身分都來自同一套環境，本身就是一條關聯線索。至於把所有等待時間統一拉長到某個固定值，規律性本身也會成為可辨識的特徵。

判斷標準

與其糾結特徵藏得夠不夠深，不如換一個問法：環境內部是否說得通，環境之間是否彼此獨立，行為節奏是否符合一般真人的使用方式。三個都成立，才談得上穩定執行。

邊界

能通過偵測，不代表已取得操作許可。應遵守目標平台的服務條款與 robots 規則，不使用虛假身分資訊，不繞過技術保護措施，控制請求頻率，也不要影響對方服務的正常運作。