Cloudflare 于 2026 年 8 月 31 日宣布推出自适应智能——一个位于机器人管理系统内部的引擎，它能够在攻击过程中自动编写阻止规则并立即实施。该公告直接称为：“破坏任何机器人攻击的经济”。对于所有从事数据抓取、价格监控和多账户操作的人来说，这并不是一个普通的发布：它打破了过去几年工作的主要假设——找到的绕过方法仍然有效。
具体推出了什么
自适应智能并不是一个独立的产品，而是对机器人评分计算方式的重构。Cloudflare 提出了三个组成部分，依次推出：
- 持续的机器学习再训练。 机器人评分背后的模型以前是作为固定版本提供的——通过发布进行更新。现在，它在网络的实时流量中持续再训练。
- 一次性规则（disposable rules）。 引擎根据特定威胁生成狭窄的规则，并在随机时间间隔内实施和撤销这些规则。规则的设计使其迅速过时。
- 在实时流量中学习。 反馈信号包括客户的反馈和未检测到的漏网之鱼——系统昨天未捕获的内容，今天成为了标志。
Cloudflare 的首席技术官戴恩·克内赫特用一句话概括了逻辑：当攻击的扩展成本几乎为零时，建造更高的墙是毫无意义的。因此，转变的方向是：与其增强阻止，不如让其变得不可预测。
引擎整合了哪些信号
Cloudflare 列出了自适应智能同时权衡的来源：
- JA4 TLS 握手指纹；
- HTTP 请求的结构；
- 挑战的结果（通过、未通过、具体方式）；
- 会话内的行为；
- 请求来源网络的声誉；
- Turnstile 客户端遥测和 Precursor——一个于 2026 年 7 月推出的行为验证引擎；
- JavaScript 指纹识别；
- 启发式库和已知机器人的验证。
与上一代的根本区别在于公告中这样表述：检测不再是确定性的。以前相同的输入会产生相同的输出，这可以通过穷举法进行研究。现在的决策是基于多个信号的统计推断，没有单一的逻辑片段可以被隔离和绕过。
为什么这是关于规模，而不是华丽的词汇
Cloudflare 进行这一切的背景解释了其举措的果断。网络每天分析超过一万亿个请求以寻找自动化的迹象。根据 Cloudflare Radar 的数据，到 2026 年中期，自动流量已经超过了人类流量：大约 57% 的网页请求来自机器人，而约 43% 来自人类。马修·普林斯公开承认，他预计这一门槛不会早于 2027 年底到来——代理流量的增长速度超出了预期。
当超过一半的请求是自动的，静态模型注定失败：它的任何阈值很快就会为人所知。特别指出，自适应智能在不同时间窗口内分析行为——以捕捉故意保持在速率阈值以下的缓慢活动。“慢慢发起攻击，意味着不会被发现”的策略不再可靠。
还有一个容易被忽视的细节：新的检测首先在实时流量中进行背景测试，检查准确性和误报，然后才会启用——没有停机时间。也就是说，Cloudflare 现在有一个规则发布流水线，不需要数周或数月的发布周期。在公告时，这一功能对机器人管理的客户可用，而持续再训练通过仪表板中的自动更新机器学习设置启用。
这在实践中改变了什么
让我们诚实地分析一下，不必惊慌。自适应智能并不是“杀死抓取”，而是杀死了特定的工作模式。
1. 绕过不再是长期使用的资产
以前的周期是这样的：花费一周时间选择组合（标题、TLS 加密顺序、时序、IP 类型），找到有效的配置——然后使用数月，偶尔进行小修小补。随着一次性规则的随机生命周期，这一周期被打破：早上完美通过的配置，到了晚上可能会碰到早上不存在的规则，而明天它也不会存在。工程成本从“寻找绕过”转移到“维护能够在规则变化下生存的基础设施，无需手动干预”。
2. 整体配置成为整个池的弱点
如果您的所有流量看起来都一样——相同的 JA4，相同的标题顺序，相同的请求节奏——那么捕获一个流的狭窄规则会立即影响所有流。正是这种同质性构成了一次性规则经济的基础：它们狭窄，但覆盖了所有类似客户的集群。自己流量的多样性不再是保险，而是强制要求。
3. IP 来源的重要性上升，而不是下降
网络声誉在被权衡的信号中被明确提及。当决策是统计性的时，每个信号都会影响最终评分：IP 请求的弱信号需要在所有其他维度上无懈可击。具有明确 ASN 的数据中心子网在这里对您不利——它们为模型提供了现成、稳定、计算成本低的特征。住宅代理，尤其是 移动代理 提供的网络上下文本身并不是证据：通过 CGNAT 的一个移动 IP 后面有数百个活跃的用户，阻止这样的地址会给保护者带来高昂的误报成本。
4. 成功的度量标准发生变化
在短暂的规则下，单次测量“有效/无效”是毫无意义的。长远来看，成功响应的比例和考虑重试的单次成功记录的成本变得重要——我们详细讨论了为什么 每千兆字节的价格会误导，而应该计算的是有效结果的成本。随着自适应智能，这一差距只会扩大：用于被阻止尝试的流量仍然需要支付。
如何重构工作
在接下来的几周内，值得做的最低实践：
- 引入降级监控，而不是故障监控。 警报应在成功率下降 10-15% 时触发，而不是在完全故障时。在一次性规则下，可能根本不会出现完全故障——只会是缓慢的削弱。
- 在池内分散指纹。 不同版本的浏览器堆栈、不同的 TLS 配置、不同的时序。目标是让狭窄规则覆盖部分流量，而不是全部。
- 放弃硬编码的延迟。 固定的 2 秒暂停是一个信号。具有现实分布的随机延迟的成本比看起来要低。
- 按任务的关键性划分池。 探索请求和产品收集不应来自同一地址：被曝光的侦查不应影响主要流。
- 重新计算重试预算。 预期不成功尝试的比例将比以前波动更大，这是一种正常模式，而不是紧急模式。
- 停止依赖公开的绕过策略。 任何广泛传播的技巧都会比以前更快地进入训练集：未检测到的漏网之鱼现在明确成为学习信号。
关于多账户操作的单独说明：Turnstile 和 Precursor 的行为遥测意味着环境模拟的质量比账户数量更重要。二十个在 IP、指纹和工作节奏上合理分散的账户会比二百个批量生产的账户更能抵御这种保护。更何况 机器学习反机器人系统早已关注特征之间的关联，而不是单独的每个特征。
公告中没有的内容
值得提及的是界限。Cloudflare 不发布检测的准确性、误报率或规则的具体生命周期——只提到时间间隔是随机的。也没有关于自适应智能何时会到达低于机器人管理的定价的数据。因此，评估实际效果只能依赖于自己在接下来的几周内的指标——通过他人的报告无法理解。
还有一个不愿意被保护者提及的反面：持续再训练的模型，其规则存活时间为几分钟——这是一个误报也变得浮动的系统。合法的集成、稀有的浏览器和特定的客户端可能会不时地在没有明确原因的情况下受到狭窄规则的影响。Cloudflare 对此的回应是在发布前对检测进行背景测试，但在实践中这是否足够仍是一个悬而未决的问题。
结论
自适应智能是 2026 年 7 月 Precursor 以来逻辑延续：保护从检查“你是谁”转向持续观察“你如何表现”，并故意使其决策不稳定。“发现漏洞——利用它”的策略让位于“构建一个能够承受规则变化的系统”的策略。胜利的不是找到最巧妙绕过的人，而是拥有多样化网络配置、诚实行为和能够在退化发生之前就显示退化的指标的人。