做自动化点击或者挂机脚本，最头疼的通常不是流程跑不通，而是动作太假。你用 Selenium 把按钮点了，广告联盟那边却直接判定是机器人在操作。核心原因就两个：鼠标轨迹和停留时长，露了马脚。
我一开始也不信这个邪。Selenium 的 ActionChains 调用 move_by_offset，坐标参数写得清清楚楚，页面上元素也都定位到了。为什么后台的检测率还是高得离谱？后来翻了一堆反作弊的白皮书才反应过来——那些大平台早就不看你“有没有移动鼠标”了，盯的全是轨迹里的细节。
匀速直线的路径、固定的起始坐标、毫秒级精准的时间戳，甚至每次移动的距离都一模一样，这些都是机器的特征。就像你看到一个人走路，每一步都迈恰好 30 厘米，肯定觉得不对劲。网站检测算法也是这个逻辑。它们会监听 document.addEventListener('mousemove') 收集回来的数据，甚至通过 canvas 绘制轨迹来做分析。只要稍有规律，就会被标记。
很多人习惯用 ActionChains.move_by_offset() 或者 move_to_element() 来模拟移动。但这些方法生成的轨迹，怎么说呢，太“干净”了。当你调用 perform() 的时候，它会把整段位移拆分成均匀的小步骤。既没有人类操作时自然的加速度变化，也没有手部自然抖动带来的那 2 到 5 个像素的偏移。
更致命的问题是从 (0,0) 坐标开始移动。你想一下，没人会把鼠标移到屏幕左上角再跑去点目标。这就跟你出门前必须先站在小区门口正中央一样奇怪。
人移动鼠标时的特征其实很明显：刚开始启动慢，中间加速，快到终点的时候再减减速。路径是弯曲的，不是一条直线。手指贴在鼠标上会有轻微的颤抖，导致轨迹出现细小的锯齿。有时候还会突然停顿半秒，然后继续。而传统的模拟要么匀速到底，要么完全没有停顿，就像机器人说话没有语气起伏，一眼就能识破。比方说你要点页面右下角的广告，真实用户可能会从左下角慢慢晃过去，中途还停两次调整一下方向。脚本往往只认一条笔直的线。
让大模型“写”一段鼠标轨迹，比数学曲线更像人
既然传统方案走不通，就得换个路子。我当时想的是，要是让大模型直接“写”一段鼠标轨迹，会不会好点？
不是用数学公式算出来的贝塞尔曲线，而是让模型像人一样去“想象”手指怎么晃的。试了几轮 prompt 调教之后，我发现关键就一句话——告诉它“像个刚睡醒的人那样动鼠标”。我常扔给 GPT 或者本地跑的 Qwen 的 prompt 是这么写的：
"生成一段鼠标从 (320, 480) 到 (780, 620) 的轨迹，包含 3 次随机停顿和 2px 的抖动，总时长 2 秒。每行一个坐标和时间偏移 (ms)"模型吐出来的东西，你一眼扫过去就觉得“对味”。第一段 0ms 到 300ms 只挪了 20 个像素，像是刚睡醒正找鼠标呢。中间突然加速，坐标跳动变大，还夹着几个 4 到 5 毫秒的原地颤动。最后 200ms 减速收尾，甚至在终点前停了一次，还往回偏了 3 个像素再校正回来。这种轨迹你拿 canvas 画出来，跟真实用户的采样几乎重叠。
原因其实很简单：大模型训练数据里本来就有无数人聊过“我今天鼠标卡了一下”或者“划着划着停了”这种自然语言描述。它输出的随机性不是伪随机，而是语义层面上的“不规整”。
贝塞尔曲线再复杂，它也是个参数方程，加速度、拐点、抖动幅度都能被反推出来。但大模型输出的轨迹，停顿的位置、抖动的幅度、加速的时机，全是基于语言概率的随机抽样。你让同一个 prompt 跑三次，三次出来的轨迹都不一样。有些停顿甚至发生在毫无理由的地方——恰恰是这种“无理由”，才更像人。人本来就会在盯着屏幕发呆的时候，莫名其妙停一下鼠标。
而且实测下来，广告联盟的检测模型对“过于平滑”的曲线敏感度极高。但对这种带毛边、带随机停顿的轨迹宽容很多——大概是因为人类训练数据里，干干净净的贝塞尔曲线反而比较罕见。
当然，光有轨迹还不够。页面停留时长也得“演”得像，否则你点完就走，再真的轨迹也白搭。
有了“像人”的轨迹描述，下一步就是把它变成真正的鼠标动作。难点不在于“动”，而在于“怎么动得像”。我最早试过把 prompt 直接丢给 Selenium 的 ActionChains，结果被站点的 event listener 一眼识破——匀速、等间隔、无抖动，全是机器人的标签。后来改用 Playwright，配合 Chrome DevTools Protocol 把 navigator.webdriver 抹掉，再把事件栈打散，才算勉强混过去。
大模型一般返回的是一串坐标与时间偏移。我会在 Python 里先用 json 模块去解析，遇到以“#”开头的注释行就跳过。再用一个小函数做“漂移”：把每个点的 x、y 各加 1 到 3 个像素的随机值，防止路径过于理想。接着按 10 到 50 毫秒的不等间隔拆分，故意引入一点“毛刺”。有时候还会把末尾几个点的时间拉长，模拟“快到目标却犹豫了一下”的人类习惯。
import asyncio, random
from playwright.async_api import async_playwright
def drift(x, y):
return int(x + random.uniform(-3, 3)), int(y + random.uniform(-3, 3))
async def human_move(page, points):
async with page.expect_event("framenavigated"):
for base_ms, (x, y) in points:
await page.mouse.move(x, y)
await asyncio.sleep(base_ms / 1000)Playwright 的 mouse.move 会自带“抬起-落下”的事件序列。为了让 canvas 采样看不出规律，我把轨迹拆成 8 到 15 段，每段之间插入 20 到 60 毫秒的随机 pause，顺便在页面上随便点两下空白，骗过“停留时长”的统计。遇到需要滚动的广告位，就在每次 click 之前先调用 scroll_to_element，再读一次 offsetTop，保证落点不会飘。有些联盟脚本跑在桌面端，我就换成 pyautogui。它会真的把鼠标挪过去，缺点是多屏的时候坐标需要换算，好处是能把“原地抖动”做得更自然。记得调一下 pyautogui.PAUSE = 0.02，再加个 pyautogui.FAILSAFE = True，免得脚本跑飞了还得手动拔线。
最容易露馅的环节，其实是到达终点后立刻干正事。我会在最后一段轨迹后面再加 800 到 1500 毫秒的随机等待，期间偶尔把鼠标小幅左右晃一晃。让 document.hasFocus 和 visibilityState 的变化看起来“有人盯着屏幕”。把这些“边角料”动作串起来，整套刷量流程就像有人在那坐着慢慢点，而不是机械臂扫一遍。
页面停留时长不能“掐表走”，得让大模型“读”页面内容
轨迹演得像人了，但时间维度要是死了，同样不行。这就好比一个演员动作到位，可每次出场都掐着秒表走，观众一眼就知道是假的。
广告联盟的反作弊系统没那么傻。它们不光看你鼠标怎么划，还看你“待了多久”。一张图文详情页，你停 8 秒就跳走？那叫误点。你停 32 秒？那叫认真看完了。你每次停留都用同一段时间？那叫定时炸弹。联盟后端一旦发现某个 IP 的停留时长方差小得离谱，直接标记成“定时脚本”，流量清零。
所以我得让大模型去“读”页面的内容，再决定该停多久。传给大模型的 prompt 里会塞一段页面 DOM 的纯文本摘要，加上几个关键的 meta 标签，最后附一个简单的指令：
你是一个浏览行为生成器。根据以下页面内容，输出该页面“合理的阅读停留秒数”。
规则：
- 如果内容超过 800 字或带有“article”“blog”类名，基础时长 30～60 秒
- 如果包含 video 标签或时长 meta 小于 60 秒，基础时长 10～20 秒
- 如果是商品详情（有 price、add_to_cart 等字段），基础时长 15～35 秒
- 所有输出必须带 20% 的随机浮动大模型返回的是一段 JSON，比如 {"base_seconds": 42, "reason": "长图文+表格"}。我用这个 base_seconds 做锚点，再套一层正态分布随机，生成最终的停留毫秒数。这样同一个页面反复刷，每次停留都差个几秒十几秒，方差跟真人阅读习惯差不多。
光停在那不操作，同样会露馅。visibilityState 和 requestAnimationFrame 的回调能够检测到页面到底有没有交互。所以我在停留期间，每隔 3 到 7 秒就触发一次 mouse.move，坐标在视口内随机偏移 10 到 50 像素，偶尔再调用一次 window.scrollBy(0, random.randint(50, 200))。
在 Playwright 里实现起来很简单：起一个 asyncio.create_task，循环执行 sleep、mouse.move 和 scroll，直到主协程把停留倒计时跑完。每次 scroll 的 deltaY 也随机，不取固定值，避免滚动出现“每 5 秒正好 150px”这种工整数列。
async def idle_activity(page, duration_ms):
end = time.time() + duration_ms / 1000
while time.time() < end:
x = random.randint(100, 800)
y = random.randint(100, 600)
await page.mouse.move(x, y, steps=random.randint(3, 7))
await page.evaluate("window.scrollBy(0, arguments[0])", random.randint(50, 200))
await asyncio.sleep(random.uniform(3, 7))这段代码跑在后台，不影响主轨迹的 click 流程。而且 scroll 事件本身会触发页面的懒加载图片，把那些“滚动 50% 才展示”的广告位也刷上曝光，一举两得。
最后还有一个小坑：某些网站会检测“页面是否获得焦点”。你模拟停留期间如果切到别的窗口，document.hidden 会变成 true。所以我得确保浏览器窗口一直置顶，或者在使用 Electron 无头模式时，把窗口的 focused 状态设置为永久 true——这倒是 Playwright 的 browserContext.grantPermissions 管不到的，得直接改 Chrome DevTools Protocol 的 Page.bringToFront。
反检测不能只盯着轨迹和停留，指纹和时段更关键
轨迹和停留时长都搞定之后，是不是觉得接下来就能睡后收入了？想多了。广告联盟那套反作弊早就不只看你“动没动”——它们会在浏览器指纹、IP 质量、访问时段这三个维度上做交叉验证。任何一个维度出问题，之前折腾的全白搭。
先说指纹。Playwright 默认启动的 Chromium 会在 这个属性上留下 true 的标记。虽然官方提供了 --disable-blink-features=AutomationControlled 参数，但实测下来，某些站点（比如 Google 系的广告）会额外检测 和 的长度以及顺序，看是否与正常 Chrome 一致。我写过一段 CDP 注入，在 里把这些属性覆盖掉：
await page.addInitScript(() => {
Object.defineProperty(navigator, 'webdriver', { get: () => false });
Object.defineProperty(navigator, 'plugins', { get: () => [1, 2, 3, 4, 5] });
Object.defineProperty(navigator, 'languages', { get: () => ['zh-CN', 'zh', 'en'] });
const originalToDataURL = HTMLCanvasElement.prototype.toDataURL;
HTMLCanvasElement.prototype.toDataURL = function(...args) {
const base = originalToDataURL.apply(this, args);
return base.replace(/=+$/, '') + '&r=' + Math.random();
};
});注入脚本的执行时机必须早于页面任何 JS 的加载，否则会被覆盖回去。这个坑我踩过：一开始用的 page.on('load')，结果页面已经跑了检测脚本，navigator 的属性已经被冻结，改不掉了。
IP 轮换这块，没什么黑科技。买一批住宅代理池，每次请求前通过 Playwright 的 browser.newContext({ proxy: { server: proxyUrl } }) 创建新上下文。关键点在于切换频率——别每点一次就换 IP，那比固定 IP 还假。正常人访问 5 个页面才会换一次出口 IP，而且切换的间隔应该分布在 2 到 10 分钟之间，别写死成整分钟。
最容易被忽视的是访问时段。很多刷量脚本全天 24 小时均匀打点，后台一看访问时间——凌晨 3 点到 5 点的密度和下午 3 点一样，直接标记异常。我写了一个时段权重表，按真实用户活跃度来分配点击量：早 8 点到 10 点占 20%，午 12 点到 14 点占 15%，晚 19 点到 23 点占 45%，其余时段加起来一共 20%。每小时的点击数也做了二次随机，比如晚高峰里最多不超过 15 次每小时，低谷期就控制在 3 到 5 次每小时。
反作弊系统的更新速度比我们想象中快得多。去年一套指纹注入脚本还能跑三个月，今年某些平台已经能检测 WebGL 渲染器的轻微差异，来判断是否是无头浏览器。我现在的做法是：每两周跑一次指纹检测页面（比如 pixelscan.net），看看自己的自动化实例在哪些维度暴露了人工痕迹，然后针对性地打补丁。
刷量这行，技术只是门槛。真正拉开差距的，是对这些细节的敏感度。你少修一个 ，整个账号池就可能被连坐封禁。收尾提醒一句：别把所有鸡蛋放在一个浏览器上下文里，每个账号独立 ，销毁后连 localStorage 都不留——指纹一旦被标记，连坐比你想象中来得快。
实测效果：骗过小联盟容易，大平台没戏
整套东西搭完其实心里挺没底的。大模型画鼠标轨迹听着玄乎，真扔上去跑，鬼知道能不能躲过那些监控探针。我挑了个日均 PV 三十万出头的小联盟，反作弊不算严，三个账号挂上去跑了整整三天。
结果有点意外。总共模拟了 2400 多次点击，平台后台显示的通过率是 92%。剩下的 8% 基本是页面还没完全加载就触发了点击——时间窗口没卡好。换回以前那套纯贝塞尔曲线加随机抖动的方案，同一批账号在同一站点，检测率直接掉了将近四成。你能明显感觉到，反作弊系统对那些“太规律”的轨迹已经形成了一套固化规则：加速度曲线平滑得像数学公式，停顿点永远在元素正中央。这些特征在服务端的机器学习模型里，就是明牌。
大模型生成轨迹的好处在于，它不会刻意去“拟合”人类行为，而是从行为数据里学到了那种不完美的节奏感。比如鼠标经过一个按钮时，有时候会突然减速再加速，有时候会滑过头再折回来——这些细节靠手写随机函数几乎不可能模拟到位。我翻过几个开源的轨迹生成库，它们无一例外都在“抖动幅度”上用了死参数。而大模型输出的每一步偏移量，都带着上下文的相关性，看起来更像一个活人在犹豫要不要点那个地方。
但我还是想泼盆冷水。这招拿去对付 Google Adsense 那种级别的反作弊，基本等于白送人头。我之前有个日 IP 五万的资讯站，挂上 Adsense 跑了不到半天，账号直接被标了“无效流量”，连警告信都没捞着，封得干干净净。大型广告平台手里握着的维度，比你能想象的要多得多——浏览器指纹、WebGL 渲染差异、CPU 时间戳偏差、甚至字体渲染时那种子像素级别的偏移。这些东西组合在一起，你让大模型生成的那套鼠标轨迹，充其量就是一层窗户纸，人家一捅就破。
所以这篇东西你看完，图个乐子就好。技术本身是中性的，但用在什么地方，心里得有个数。刷量这事，水面下的规则比水面上的技术多得多，你永远不知道反作弊系统明天会加什么检测维度。别把自己的账号当耗材。
评论