理解 robots.txt 的基础作用
在百度SEO优化中，robots.txt文件是网站与搜索引擎爬虫之间的“沟通协议”。它的核心功能是告诉百度蜘蛛哪些页面或目录可以被抓取，哪些需要屏蔽。合理编写robots.txt，能够帮助搜索引擎更高效地索引你的网站内容，避免资源浪费在重复页面或后台文件上。
通常，robots.txt文件需要放置在网站的根目录下，文件名必须全小写。百度蜘蛛会优先读取该文件，然后根据其中的规则决定抓取行为。如果不慎屏蔽了重要页面，可能导致网站收录量下降；反之，如果未屏蔽敏感目录，则可能泄露非公开信息。
编写robots.txt的核心语法规则
一个标准的robots.txt文件由若干条“User-agent”和“Disallow/Allow”指令组成。以下是最常见的写法示例：
- User-agent: Baiduspider —— 表示以下规则专门针对百度爬虫。
- Disallow: /admin/ —— 禁止百度爬虫抓取/admin/目录下的内容。
- Allow: /public/ —— 允许百度爬虫抓取/public/目录（需配合Disallow使用）。
- Sitemap: https://www.example.com/sitemap.xml —— 告诉百度爬虫你的站点地图位置。
需要注意的是，每行指令末尾不能有空格，通配符“*”在百度爬虫的解析中可能不生效，因此建议直接明确列出需要屏蔽的具体路径。
针对百度SEO的实用编写技巧
1. 明确区分爬虫类型
百度爬虫主要有“Baiduspider”和“Baiduspider-image”等。如果你希望图片抓取不受限制，但禁止其他页面收录，可以分别写规则：
- 针对Baiduspider：屏蔽后台、登录页、动态参数过多的URL。
- 针对Baiduspider-image：放宽限制，允许抓取图片资源目录。
2. 善用Disallow精准屏蔽
对于内容管理系统自动生成的标签页、搜索结果页、分类页码等低质量页面，建议在robots.txt中予以屏蔽。例如：
Disallow: /tag/
Disallow: /search/
Disallow: /?page=
这样可以避免百度索引大量重复或无用页面，从而提升网站整体质量得分。
3. 不要屏蔽CSS、JS和图片文件
百度现在会评估页面的渲染效果，如果屏蔽了样式和脚本文件，可能导致网页被判定为排版异常，影响排名。因此，除非特殊情况，不建议在robots.txt中禁止抓取.css、.js或常见图片格式。
实战中常见的错误与修正
| 常见错误写法 | 问题说明 | 正确写法示例 |
|---|---|---|
| User-agent: * Disallow: / | 完全禁止所有爬虫，网站将无法被收录 | 针对特定目录屏蔽 |
| Disallow: /*.pdf$ | 百度爬虫可能不支持通配符结尾匹配 | 直接放入特定目录 |
| Allow: /images/ Disallow: /images/logo.jpg | Allow优先级高于Disallow，屏蔽无效 | 调整顺序或使用独立规则 |
每次修改robots.txt后，可以通过百度搜索资源平台的“抓取诊断”工具测试规则是否生效。如果发现重要页面意外被屏蔽，应立即修正并重新提交。
结合站点地图提升索引效率
除了编写robots.txt，强烈建议在文件中指定站点地图(Sitemap)的完整URL。百度爬虫会优先读取Sitemap文件，从而更快发现新内容或更新页面。同时，Sitemap中不要包含被robots.txt屏蔽的链接，否则会引起爬虫混淆。通常，一个包含核心栏目、文章详情页和分类页的Sitemap，配合精准的robots.txt，可以显著提升百度收录率和抓取频次。
最后需要提醒的是，robots.txt是指导而非强制协议，恶意爬虫可能无视规则。但对于百度等主流搜索引擎，合理遵守该协议是网站优化的基础环节。定期检查并更新robots.txt，根据网站结构变化调整屏蔽策略，才能持续保持SEO效果。
我们了解到，Seed 内部曾激烈讨论过蒸馏路线的可行性，字节高层则担心蒸馏对 Seed 和技术带来的危害。据 The information，张一鸣在 Seed 的 all hands 会议上明确表示，即使不蒸馏意味着公司在技术上会短暂落后国内竞争对手，也不会采用这一捷径来推进其 AI 模型能力。
评论区
热门讨论 · 占位展示期待你的精彩发言。