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。