凌晨翻服务器日志，发现AI爬虫把 staging 环境当正式站抓了三天

凌晨两点，本来只想核一下昨天上线的产品页有没有被AI收录，结果一拉 Nginx 日志，人直接坐直了——/staging/ 路径下的访问量比正式站还高，User-Agent 全是那几个熟面孔的 AI 爬虫。

第一反应是「坏了，是不是 robots.txt 漏了」。翻出来一看，Disallow: /staging 明明写着。再往下对，发现问题出在 CDN：staging 走的是测试域名，CDN 配置里没继承主域的 robots 规则，AI 爬虫从外链和测试分享链接里一路爬进去，三天抓了 2.3 万次，全打在没做完的页面上。

更扎心的是，staging 上那版产品参数还是上周的草稿，价格写的是旧价。我拿关键词在 AI 搜索里试了下，果然，问「XX 服务多少钱」，答案里引用的就是那个错价。

连夜做了三件事，记一下给同样踩坑的兄弟：

1. 测试域名统一加 X-Robots-Tag: noindex，别只依赖 robots.txt，header 更稳，CDN 改配置也容易漏；
2. 把 staging 的访问日志单独挂个告警，AI 爬虫 UA 一出现就推企业微信，这次是我肉眼翻出来的，纯靠运气；
3. 正式站和测试站的内容指纹做对比，价格、认证编号这种字段一旦不一致就红灯。

复盘下来，GEO 这事真不是发几篇结构化内容就完事。你正式站内容做得再干净，一个没关好的测试环境就能让 AI 把错答案喂给客户。我们这种创业公司，资源紧，往往一个域名一套 CDN 就上了，这种「暗门」特别多。

所以想问下各位：你们 staging / 预发环境的 AI 爬虫是怎么拦的？是靠 robots.txt 兜底，还是在网关层直接按 UA 和 IP 段做白名单？有没有人已经踩过「测试环境内容被 AI 引用」这种坑，最后是怎么把那条错误答案从 AI 里挤出去的？