关于LLM和AI生成的流量的报告

本用例文章探讨了如何使用Customer Journey Analytics派生字段功能作为报告LLM（大语言模型）和AI生成的流量的基础。

检测方法

要检测LLM和AI生成的流量，请区分：

用于识别和监控LLM和AI生成的流量的三种常见核心检测方法是：

下表说明了如何针对不同的LLM和AI交互场景使用这些检测方法。

挑战

LLM和AI代理在与数字属性交互时表现出复杂且不断演变的行为。 这些技术在不同平台和版本之间运行不一致。 这种不一致给数据专业人员带来了独特的挑战。 行为模式存在显着差异，具体取决于所使用的特定AI平台、版本和交互模式。 这种操作多样性使得在标准分析框架中跟踪和分类LLM和AI生成的流量的工作变得复杂。 这些交互的复杂性质，加上其快速演化，需要细致的检测和分类方法来维护数据完整性：

检测签名

从2025年8月起，可以识别每种检测方法的以下特定信号。

用户代理标识

反向链接分类

查询参数检测

实施

您可以通过派生字段、区段和工作区项目的特定设置和配置，在典型的Customer Journey Analytics设置（连接、数据视图和工作区项目）中报告LLM和AI生成的流量。

派生字段

要配置检测方法和检测信号，需以派生字段为基础。 例如，为用户代理标识、查询参数检测和反向链接分类定义派生字段。

LLM/AI用户代理识别

使用Case When派生字段函数定义标识LLM/AI用户代理的派生字段。

{modal="regular"}

LLM/AI查询参数检测

使用URL分析和分类派生字段函数定义检测查询参数的派生字段。

{modal="regular"}

LLM/AI反向链接分类

使用URL Parse和Classify派生字段函数定义用于对反向链接进行分类的派生字段。

{modal="regular"}

区段

设置专用区段，帮助您识别与LLM和AI生成的流量相关的事件、会话或人员。 例如，使用您之前创建的派生字段定义一个区段，以标识LLM和AI生成的流量。

{modal="regular"}

Workspace项目

使用派生的字段和区段来报告和分析LLM和AI生成的流量。 例如，请参阅下面带注释的项目。

{modal="regular"}