A mediados de octubre, en mis experimentos sobre comunidades, monté un pequeño VPS con unos pocos servicios. Uno de ellos, un repositorio Git.
Esta mañana, leo una conversación casual sobre como lo primero que hay que hacer cuando uno expone un repositorio Git a Internet es protegerlo contra las empresas que los usan para alimentar sus LLM.
Digo, "!bah!" pero le echo un ojo y 18gb de logs de acceso al servidor web que muestra el repositorio.
El nuevo mundo no es nada feliz.
@yo cual es la forma mas efectiva para protegerse de esto? Justo estaba investigando soluciones de self-host de git
@mcapell buenas, lo más popular es https://anubis.techaro.lol/ , aunque soy más fan de https://git.madhouse-project.org/iocaine/iocaine
Oye, lo que estaba montando iba a ser un proyecto comunitario para tener unos cuantos servicios, incluido Git pero otros... échale un ojo a https://ñix.es , si te interesa, ahí tienes mis datos de contacto.
@mcapell aunque el grueso de bots que he visto echándole una ojeada se autoidentifican correctamente, con lo que quizá con un simple robots.txt ya puedas parar un montón.
A ver si encuentro un buen robots.txt con todos los agentes de LLM...
