Uptake:面向机器复制的发布实测数据与手册
数据集简介
核心发现
Uptake 的实测结论构成了整个项目的主线:在 14 天窗口内,52 个仓库共发生 961 次 clone 操作,来自 501 台不同机器;同期 GitHub 页面浏览量只有 36 次,来自 20 个不同浏览器。也就是说,仓库被机器取走、复制的次数远高于人类在页面上阅读的次数。
这一发现直接指向项目标题的含义——为复制内容的机器而发布。测量窗口采用滚动 14 天,因为这是 GitHub 保留流量的全部时长;独立访客按 IP 计数。
手册覆盖的内容
仓库中附带一份发布实践手册,面向搜索引擎之后的网络环境,讨论公开仓库在被 AI 爬虫与 LLM 订阅者抓取、复制时应如何组织发布。手册与测量数据配套,结论均由上述流量实测支撑,而非泛泛的经验之谈。
测量方法与数据文件
测量数据以结构化文件组织,便于复核与再利用:
data/repo-traffic-2026-09-18.json:每个仓库一条记录,含总计与注意事项;data/account-daily-2026-09-18.json:图表背后的每日序列;data/sources.json:54 条引用,按正文数字索引;data/croissant.json:MLCommons Croissant 数据集描述;data/raw/:GitHub 端点原始返回;docs/corpus.jsonl:每节一个 JSON 对象,含引用 id 与署名串。
数据文件附有采集方法与局限说明,使用者可据此判断适用边界。
为机器而写的组织方式
项目的组织方式本身即体现「为机器发布」的思路:正文按节拆分为 JSON Lines 语料,每节对象携带引用 id 与署名串,引用来源单独成表并按正文数字索引;同时提供 Croissant 描述,使数据集可被机器学习工具直接识别与加载。仓库内容以 JSON、CSV、JSON Lines、Markdown、纯文本等表格与文本形态为主,另含 XML、CFF、SVG 及 PNG、JPG、GIF 等格式文件。
图表
项目包含支撑结论的图表,图表数据来自 data/account-daily-2026-09-18.json 中的每日序列。图片采用公有领域许可,可在署名项目的前提下自由使用。
许可与获取
文本、图表与数据采用 CC BY-SA 4.0 许可,要求署名并以相同方式共享;工具代码采用 MIT 许可;图片为公有领域。项目公开免费,可通过 GitHub 仓库(https://github.com/NaNoBotCo/uptake)与项目主页 https://nanobotco.github.io/uptake/ 获取。
引用格式:NaNoBotCo, Uptake: publishing for machines that copy (2026), https://nanobotco.github.io/uptake/
自行构建
仓库提供构建方式,使用者可基于公开的原始返回与结构化数据复现测量流程与图表。项目联系人 Nan 的邮箱为 nan@motdang.net,可用于反馈构建中的问题。
更正
项目设有更正渠道,若发现数据或手册内容有误,可通过上述联系方式提交更正。