caddy-defender

GitHub
511 20 中等 2 次阅读 昨天MIT插件图像Agent语言模型开发框架
AI 解读 由 AI 自动生成,仅供参考

Caddy Defender 是一个专为 Caddy 服务器设计的防护插件,帮助网站管理者过滤来自 AI 训练爬虫或恶意云服务的请求。它通过识别请求来源的 IP 地址,对特定 IP 范围内的流量执行拦截、重定向或返回干扰数据等操作,既能阻止敏感数据被非法抓取,也能通过“垃圾响应”污染 AI 训练样本,降低数据被滥用的风险。

该工具主要解决 AI 公司或自动化爬虫大规模采集网站内容的问题,尤其适合技术博客、代码托管平台或数据敏感型网站使用。开发者和运维人员可通过简单的配置,灵活应对不同场景需求,例如屏蔽知名 AI 服务商(如 OpenAI、GitHub Copilot)的默认 IP 段,或自定义添加需要限制的地址范围。

其技术亮点在于内置了针对 AI 服务的预定义 IP 库,并支持多种响应策略:从直接拦截、限速“拖慢”爬虫,到返回无意义数据干扰训练模型。插件还兼容 Docker 部署和 Caddy 原生配置语法,降低了使用门槛。对于需要平衡防护强度与服务器性能的用户,Caddy Defender 提供了轻量级且高效的解决方案。

使用场景

独立开发者小李运营着一个高质量技术博客,里面充满了原创的代码教程和行业见解,最近发现服务器流量异常,担心内容被大模型公司无偿抓取用于训练。

没有 caddy-defender 时

  • 无法精准识别哪些流量来自 AI 爬虫,只能眼睁睁看着带宽被大量占用。
  • 原创内容容易被抓取进训练集,导致未来搜索排名下降或版权流失。
  • 恶意爬虫高频请求导致服务器负载升高,影响正常用户访问速度。
  • 缺乏有效手段反击,只能被动接受数据被“洗稿”的风险。
  • 手动屏蔽 IP 段工作量巨大,且难以跟上各大 AI 公司 IP 变更的速度。

使用 caddy-defender 后

  • caddy-defender 自动识别并拦截 OpenAI、DeepSeek 等已知 AI 服务的 IP 段,无需手动维护列表。
  • 对可疑爬虫返回垃圾数据(Garbage),污染其训练库,保护核心内容质量不被滥用。
  • 通过 Tarpit 模式慢速响应,大幅降低爬虫抓取效率,显著减轻服务器压力。
  • 灵活配置策略,既不影响正常用户阅读,又有效捍卫了内容主权。
  • 支持 Docker 一键部署,配置简单,几分钟即可完成防护策略上线。

caddy-defender 让网站所有者从被动防御转向主动控制,有效保护原创内容免受 AI 无偿训练侵害。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

不需要 (基于 Go 的网络中间件)

内存

未说明

依赖
notes该工具是 Caddy Web 服务器的中间件插件,用于基于 IP 阻止或操纵请求(特别是防止 AI 抓取)。推荐通过 Docker 部署,配置通过 Caddyfile 进行。无需 Python 环境或 GPU 资源。部分功能(如速率限制)需额外安装 caddy-ratelimit 模块。内置了多种云服务及 AI 公司的 IP 段。
python不需要 (基于 Caddy/Go)
Caddy
Docker
caddy-ratelimit
caddy-defender hero image

快速开始

Caddy Defender 插件

Caddy Defender 插件是专为 Caddy 设计的中间件(middleware),允许你基于客户端的 IP 地址阻止或操纵请求。它特别适用于防止不必要的流量,或通过返回垃圾响应来污染 AI(人工智能)训练数据。


功能特性

  • IP 范围过滤:阻止或操纵来自特定 IP 范围的请求。
  • 内置 IP 范围:为流行的 AI 服务(例如 OpenAI、DeepSeek、GitHub Copilot)预定义的 IP 范围。
  • 自定义 IP 范围:通过 Caddyfile 配置添加你自己的 IP 范围。
  • 多种响应器后端(Responder Backends)
    • Block:返回 403 Forbidden 响应。
    • Custom:返回自定义消息。
    • Drop:断开连接。
    • Garbage:返回垃圾数据以污染 AI 训练。
    • Redirect:返回带有自定义 URL(统一资源定位符)的 308 Permanent Redirect 响应。
    • Ratelimit:限制请求速率(Ratelimit),可通过 caddy-ratelimit 配置。
    • Tarpit:以缓慢但可配置的速率流式传输数据,以停滞机器人并污染 AI 训练。

安装

使用 Docker

使用 Caddy Defender 插件最简单的方法是使用预构建的 Docker 镜像。

  1. 拉取 Docker 镜像

    docker pull ghcr.io/jasonlovesdoggo/caddy-defender:latest
    
  2. 运行容器: 使用以下命令配合你的 Caddyfile 运行容器:

    docker run -d \
      --name caddy \
      -v /path/to/Caddyfile:/etc/caddy/Caddyfile \
      -p 80:80 -p 443:443 \
      ghcr.io/jasonlovesdoggo/caddy-defender:latest
    

    /path/to/Caddyfile 替换为你的 Caddyfile 路径。

请参阅 在线文档 了解其他安装方法。


配置

Caddyfile 语法

defender 指令用于配置 Caddy Defender 插件。其语法如下:

defender <responder> {
    message <custom message>
    ranges <ip_ranges...>
    url <url>
}
  • <responder>:要使用的响应器后端。支持的值包括:
    • block:返回 403 Forbidden 响应。
    • custom:返回自定义消息(需要 message)。
    • drop:断开连接。
    • garbage:返回垃圾数据以污染 AI 训练。
    • redirect:返回 308 Permanent Redirect 响应(需要 url)。
    • ratelimit:标记请求以进行速率限制(需要同时安装 Caddy-Ratelimit)。
    • tarpit:以缓慢但可配置的速率流式传输数据,以停滞机器人并污染 AI 训练。
  • <ip_ranges...>:可选的 CIDR(无类别域间路由)范围列表或预定义范围键,用于匹配客户端 IP。默认为 aws azurepubliccloud deepseek gcloud githubcopilot openai
  • <custom message>:使用 custom 响应器时返回的自定义消息。
  • <url>redirect 响应器将重定向到的 URI(统一资源标识符)。

有关配置的更多信息,请参阅网站上的 配置页面


快速开始

文档网站 包含插件配置、代码示例等更多信息。

若要快速开始,请遵循 入门指南 使用 Caddy Defender 插件 保护你的服务器。


如需示例,请查看 docs/examples.md


嵌入式 IP 范围

该插件包含了流行 AI 服务的预定义 IP 范围(IP Ranges)。这些范围嵌入在二进制文件(binary)中,无需额外配置即可使用。

服务 IP 范围
阿里云 aliyun aliyun.go
VPN(虚拟专用网络) vpn vpn.go
AWS aws aws.go
AWS 区域 aws-us-east-1, aws-us-west-1, aws-eu-west-1 aws_region.go
DeepSeek deepseek deepseek.go
GitHub Copilot githubcopilot github.go
谷歌云平台 gcloud gcloud.go
甲骨文云基础设施 oci oracle.go
微软 Azure azurepubliccloud azure.go
OpenAI openai openai.go
Mistral mistral mistral.go
Vultr vultr vultr.go
Cloudflare cloudflare cloudflare.go
Digital Ocean digitalocean digitalocean.go
Linode linode linode.go
私有 private private.go
所有 IP 地址 all all.go

默认禁用(需要在构建时手动包含)

服务 IP 范围
Tor 出口节点 tor tor.go
ASN(自治系统号码) asn asn.go

欢迎提供更多!如需预编译列表,请参阅 嵌入式结果

贡献

我们欢迎贡献!要开始贡献,请参阅 CONTRIBUTING.md


许可证

本项目采用 MIT 许可证 授权。详情请见 LICENSE 文件。


致谢

Star 历史

Star History Chart

版本历史

v0.10.02025/12/30
v0.9.02025/06/29
v0.8.52025/03/28
v0.8.02025/03/20
v0.7.02025/03/11
v0.6.02025/02/07
v0.4.02025/01/23
v0.3.02025/01/21

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架