该论文针对大规模部署的机器人检测器将流量视为二元分类（人类或机器人）的假设提出了质疑。随着AI代理通过浏览器自动化工具（如Playwright）浏览网页，这类流量既不属于人类也不属于传统机器人，二元分类器在结构上无法表达这种第三类流量。论文提出了一个三分类检测框架，将流量划分为人类、机器人和AI代理，并论证了二元与代理之间的混淆是架构性的：二元人类-机器人分类器因为缺少代理类别而错误路由代理会话。在受控基准测试中，MLP二元分类器将39.1%的真实AI代理误判为人类，SAINT二元Transformer误判34.5%；当添加显式代理类别后，在全部30次运行（3个模型族×10个随机种子）中，代理类别的F1分数达到1.000。为衡量逃避难度，论文构建了一个五级逃避阶梯，包括被动观察、GAN生成轨迹和重放真实人类光标数据（共2299个逃避会话）。在10个种子和3个模型族中，22990个逐种子预测中代理的漏检为零。判别信号源于浏览器自动化的伪影而非代理推理的证据：Playwright不会发射物理输入设备产生的原始指针移动和滚轮增量流，这种缺失特征在轨迹操作后依然存在。对大小为1到5的所有特征子集的穷举搜索（9401个梯度提升树）表明，仅两个行为特征（mouse_event_rate和teleport_click_ratio）在每一级逃避水平下都能实现100%的代理召回率，代理精度为0.994；五个特征将宏F1提升到0.991。该信号是冗余编码的：移除teleport_click_ratio后代理检测仍保持100%。单特征设置退化，仅通过将分类器坍缩为总是预测“代理”来标记所有代理。两个特征就能稳健地隔离代理；五个特征能在宏F1≥0.99下区分所有三类流量。论文明确指出这一信号源于浏览器自动化工具的物理行为缺失，而非代理本身的高级智能。该研究为AI代理检测提供了可解释、可落地的特征工程基础，适合Bot检测研究者、安全运营人员以及浏览器自动化工具开发者阅读。