通过推理门控机制对Web智能体进行节流

AI Web 智能体以更大的速度、规模和复杂度使用 Internet 资源——这正在改变用户和服务的交互方式。若被恶意或错误地部署，这些智能体可能使内容提供商的系统过载。与此同时，Web 智能体可通过模拟用户行为或淹没身份验证系统以创建虚假帐户来规避 CAPTCHA 等防御措施。然而，提供商必须保护其服务和内容免受拒绝服务攻击和爬虫式抓取。本文设计了一种框架，在智能体获得资源之前对其施加可调节的成本；我们称之为 Web 智能体节流。我们首先将节流门控（Throttling Gates）形式化为颁发给智能体的挑战，这些挑战是非对称的、可扩展的、稳健的，并且与任何智能体兼容。聚焦于常见组件——语言模型——我们要求智能体解决推理谜题，从而造成过高的 token 生成成本。然而，我们发现使用现有谜题（如编码或数学题）作为节流门控未能满足我们的要求。为此，我们引入基于文字谜语的推理门控（rebus-based Reasoning Gates），这些是需要对世界知识进行多跳推理的合成文本谜题（从而对智能体的模型进行节流）。我们设计了一种可扩展的生成和验证协议用于此类推理门控。我们的框架实现了计算上的非对称性，即响应生成成本是 SOTA 模型生成成本的 9.2 倍。我们进一步在定制网站和 Model Context Protocol (MCP) 服务器上部署推理门控，并使用真实 Web 智能体进行评估。最后，我们讨论了该框架在实际部署中的局限性和环境影响。