一个名为 Atenea 的开源平台在为期 2.5 年的实际部署中从 Telegram 上持续抓取了 1.91 亿条消息覆盖 6412 个频道与群组历史记录最早可追溯到 2016 年。论文由西班牙国家研究委员会CSIC的 Alfonso de Paz 与 David Arroyo 撰写发表在期刊 SoftwareX 上DOI: 10.1016/j.softx.2026.103067。Telegram 在 2025 年报告的月活用户已超过 10 亿其公开频道既是政治辩论、虚假信息、抗议运动的开放档案也藏着成规模的犯罪交易市场。研究者长期面临的难题是想追踪的社群可能一夜之间消失、迁移或清空历史一次性抓取得到的语料既不完整也无法复现。现有商业服务如 TGStat、Telemetrio 只提供基础指标过滤规则不透明数据锁在专有系统里。作者的判断是犯罪生态中频道句柄这类低层标识很容易被替换但语言、商品、网络关系等高层语义结构会持续存在因此需要连续观察而非快照采样。归档短命社群有助于依据欧盟《数字服务法》识别非法内容、提取失陷指标IoC以刻画“犯罪即服务”经济并最终协助对网络犯罪的起诉。从功能对比看pytopicgram 侧重本地抽取与主题建模4CAT 提供持久数据集与模块化处理器TeleCatch 提供远程过滤采集接口文献中提出的 MST 因找不到带版本的公开源码库被作者仅列为相关工作。按 2026 年 8 月核对的公开仓库与文档Atenea 是四者中唯一同时具备持续监控、服务端持久消息库、命名实体识别、情感分析、嵌入生成与真正的语义检索的工具。架构上Atenea 把采集、处理、存储、检索与探索拆在统一的 REST 接口之后重推理与核心后端解耦监控不中断而服务可独立伸缩。数据模型只有三个概念rooms可监控的频道或群组、users人或机器人、seeds邀请链接等外部引用。专门的 Telegram Auth Manager 管理多组 API 凭证两种负载均衡策略分别按凭证拆分任务或按凭证归组资源凭证过期时可恢复访问。处理层基于 Telethon、Redis、Celery 与 Celery Beat 搭建异步分布式 ETL 流水线PostgreSQL 作事务记录Elasticsearch 配合 Kibana 负责词法检索Qdrant 存放向量嵌入媒体文件存入兼容 S3 的对象存储可用 Garagehq 本地部署PostgreSQL 保留其元数据、哈希与处理状态。数据库级锁与可配置并发避免各阶段 worker 冲突。富化环节是语言感知的入库时用 Efficient Language Detector 分配 ISO 639-1 语言码置信度低于 0.15 的检测直接丢弃正则检测器提取邮箱、URL、Telegram 提及、话题标签以及比特币、以太坊、Dash 和门罗币钱包地址。基于模型的命名实体识别目前支持英语与西班牙语使用 spaCy 3.8.14 的大模型管线新增语言只需安装对应模型、注册代码并重新部署无需改动富化 API、任务流水线或数据库结构。规模数据来自 DarkGram 数据集从 329 个种子解析出 207 个可监控房间首次历史回扫存入超过 51 万条消息单小时峰值 177,357 条随后转为每 4 小时一次扫描日均新增约 128 条最终得到跨越近九年的 574,432 条消息。其中 378,905 条进入英/西语模型处理混合提取器产出 175,021 个唯一实体。该集合中 PRODUCT 标签占比 4.7%明显高于基线库的 0.7%而 URL 标签在两边都在 27% 左右。媒体部分记录了 147,646 个附件、合计 6.41 TiB约 7.05 TB其中 .bin 文件与压缩包约占 6.09 TiB约 6.70 TB。语义检索最能说明问题在配备两块 NVIDIA L40S GPU 的外部硬件上vLLM 运行 Qwen3-Embedding-4B 模型约 5 小时为 56.3 万条消息生成 2560 维向量平均每小时 107,400 条15 分钟窗口峰值 35,224 条。配合统计异常检测系统还在 DarkGram 中标记出两个高活跃窗口其中一个在 2025 年末一周内出现 11,005 条消息z 分数达 8.17。作者把 Atenea 定位为计算社会科学、新闻调查与网络威胁情报的通用后端可支撑网络分析、叙事检测、抗议与危机期间的社会聆听以及自动提取 IP 地址、域名、URL、钱包地址和加密哈希。平台以 MIT 许可证发布附带完整文档、可复现部署包与模块化微服务降低了研究团队长期、可审计地观察这一平台的门槛。