LLM和AI產生的流量報告

本使用案例文章探討如何使用Customer Journey Analytics衍生欄位功能作為報告LLM （大型語言模型）和AI產生流量的基礎。

偵測方法

若要偵測LLM和AI產生的流量，請區分：

用於識別和監控LLM和AI產生流量的三種常見核心偵測方法如下：

下表說明偵測方法如何用於不同的LLM和AI互動案例。

挑戰

LLM和AI代理程式會在與數位屬性互動時，展示複雜且不斷進化的行為。 這些技術在不同平台和版本間運作不一致。 這種不一致性給資料專業人員帶來了獨特的挑戰。 行為模式差異極大，且取決於使用的特定AI平台、版本和互動模式。 由於營運上的多樣性，使得在標準分析架構中追蹤及分類LLM和AI產生的流量變得複雜。 這些互動的複雜性質，加上其快速的演變，需要細緻的偵測和分類方法來維持資料的完整性：

偵測簽章

自2025年8月起，每種偵測方法都能識別下列特定訊號。

使用者代理識別

反向連結分類

查詢引數偵測

實作

您可以透過衍生欄位、區段和工作區專案的特定設定和組態，在一般的Customer Journey Analytics設定（連線、資料檢視和工作區專案）中報告LLM和AI產生的流量。

衍生欄位

若要設定偵測方法和偵測訊號，請使用衍生欄位做為基礎。 例如，定義使用者代理識別、查詢引數偵測和反向連結分類的衍生欄位。

LLM/AI使用者代理程式識別

使用Case When衍生欄位函式來定義識別LLM/AI使用者代理程式的衍生欄位。

{modal="regular"}

LLM/AI查詢引數偵測

使用URL剖析和分類衍生欄位函式來定義可偵測查詢引數的衍生欄位。

{modal="regular"}

LLM/AI反向連結分類

使用URL剖析和分類衍生欄位函式來定義分類反向連結的衍生欄位。

{modal="regular"}

區段

設定專用區段，協助您識別與LLM和AI產生流量相關的事件、工作階段或人員。 例如，使用您先前建立的衍生欄位來定義區段，以識別LLM和AI產生的流量。

{modal="regular"}

Workspace專案

使用衍生的欄位和區段來報告和分析LLM和AI產生的流量。 例如，請參閱底下有註解的專案。

{modal="regular"}