字节搜索的爬虫策略又升级了，这次是针对动态渲染页面的反爬。我盯着自己写的那个分布式爬虫，看着它因为触发频率限制被批量封IP，心里那股熟悉的烦躁又上来了。这感觉就像2016年我刚入行时，死磕百度SEO算法，天天研究怎么绕过DOM树解析，现在不过是换了个战场，对手从百度变成了字节。大厂建起数据孤岛的速度，永远比你破解它的速度快一个版本。
但这次不一样了。我手里多了两样东西，一样是过去五年被毒打出来的“伪原创”流水线，另一样是刚刚冒头、我还不敢完全信任的GPT-3。这三样东西，爬虫、伪原创、大语言模型，正在我脑子里拧成一股绳，我管它叫“三元攻防”。爬虫是矛，负责从孤岛的缝隙里刺进去，哪怕只能拿到表层数据；伪原创是盾，是把那些刺出来的、带着平台水印和特征的数据，洗成“安全”的、能过审的、搜索引擎喜欢的样子；而GPT-3，它是个不确定的变量，我隐约觉得它未来会是那个直接生成“原创内容”的核武器，但现在它还太贵，太不稳定，像个不听使唤的天才儿童。
先说爬虫这根“矛”。字节现在的反爬，核心是识别行为链。你光模拟User-Agent没用，你得模拟出一个真人用户的点击流：页面停留时间、鼠标移动轨迹、滚动深度。我之前的策略是多线程+IP池轮换，粗暴但有效。现在不行了，它开始检测WebDriver的特征，甚至能通过Canvas指纹识别出你用的是无头浏览器。我这周重构了代码，放弃了Selenium，转向Playwright，因为它对Chromium的操控更底层，能更好地抹去自动化痕迹。同时，我写了个随机事件发生器，给每个爬虫线程注入不同的鼠标移动路径和随机滚动——这本质上是在用机器的确定性，去模拟人类的不确定性，一种非常拧巴的工程思维。
然后是“盾”，我的伪原创流水线。这套东西是我2019年做垃圾站群时练出来的，脏活累活。核心是分词、同义词替换、语序调换、插入无关句。早期用Jieba分词加上自己攒的同义词库，后来上了TextRank提取关键词，保证替换时不伤核心词。但这套东西有天花板，洗出来的文章通顺，但没灵魂，读起来一股机翻味。它最大的价值不是创造，而是“消毒”，把从字节、知乎、小红书爬来的内容，洗掉平台特有的句式和高频词，变成搜索引擎眼里的“新内容”。这生意不光彩，但来流量。2020年我团队扩张时，就靠这套流水线养活了六个编辑，现在想想，那真是用我的健康换流水，每天睁眼就是审核洗稿质量，身心俱疲。
现在，GPT-3来了。我拿到API权限后，做的第一个测试就是让它重写我伪原创流水线出来的文章。结果让我后背发凉。它不仅能完美替换同义词、调整语序，还能基于原文意思进行扩写和观点总结，产出物的可读性比我那套僵硬的规则系统强了不止一个维度。这已经不是工具升级了，这是降维打击。我过去五年引以为傲的、吃饭的手艺，正在被一个模型轻易地复制并超越。恐慌，巨大的技能恐慌。但同时，一个更疯狂的念头冒出来：如果我不用它来“洗稿”，而是用它来“生成”针对特定搜索意图的初稿呢？再用我的爬虫去抓取最新的资讯和用户讨论作为事实补充，用伪原创流水线做最后的合规性过滤和SEO关键词植入——这不就形成了一个闭环吗？矛（爬虫）获取实时数据和趋势，核武器（GPT）生成高质量初稿，盾（伪原创）做合规化和本地化微调。
独立开发者的生存缝隙，从来不在正面战场。大厂用算法和规则筑墙，我们就得学会在墙根底下打洞。我的“三元攻防”体系，本质上就是一套打洞工具的组合拳。爬虫是探针，找到墙的薄弱点；GPT是冲击钻，能快速开凿；伪原创是水泥和涂料，把洞伪装成墙的一部分，不让它那么快被发现。字节在搜索领域越激进，对内容索引的胃口就越大，这个过程中产生的数据冗余和规则缝隙也就越多。我的机会，就藏在这些缝隙的“时间差”里——在我的这套组合拳被他们的下一代反爬和AI识别系统彻底封杀之前，快速穿过，带走流量。
这很累，像一场永无止境的军备竞赛。但这就是2021年底，一个35岁、断尾求生、重新回到独狼状态的独立开发者，所能想到的，最实际的生存策略。身体是第一生产力，我不能再像2019年那样靠熬夜硬扛了。所以我现在每天下午雷打不动健身一小时，低卡饮食，为的就是让脑子在这套高强度的攻防对抗中，能多转一会儿。
