治理一个 Telegram 社群，听上去像是一个已被解决的问题，直到你真的去运营一个。一个上万人的群组会喷涌出海量消息，而其中潜藏着一些垃圾信息发布者——他们花了数年时间，学会如何避开你能写出的每一个幼稚过滤器。他们混用多种文字、插入零宽字符、把话术翻译成三十种语言，并以比黑名单更新更快的速度轮换措辞。

Telm 就是我们对此给出的答案。它背后的设计原则是：垃圾信息检测同时是两个问题——它必须足够快，能赶在一条消息被看到之前动手；又必须足够准，才不会误伤真实成员。这两个目标彼此背道而驰——最准确的检查往往也最慢——所以我们没有二选一，而是构建了一条三层流水线，每一层都去捕捉上一层无法捕捉的东西，只把真正棘手的情况向下传递。

第一层：规则引擎

第一层是一套手工调校的规则引擎，它承担了绝大部分工作。它携带 200 多条模式，覆盖那些几乎从不改变的垃圾信息：加密货币拉盘邀请、虚假招聘、“私信我轻松赚钱”、钓鱼链接，以及用来把它们偷运过过滤器的各种混淆伎俩。

让它行之有效的，是两点：覆盖面和速度。

  • 它在匹配前会对文本做归一化——合并形近的 Unicode 字符、剥除零宽空格、瓦解那种把“invest”变成一串看似完全相同、实则不同的字符串的同形异义伎俩。垃圾信息发布者依赖的，正是让你的正则看到的东西与人眼看到的东西不一样；归一化恰好堵上了这道缝隙。
  • 它覆盖 30 多种语言，因为一条只懂英语的规则，对世界上大部分垃圾信息都是视而不见的。
  • 它的运行耗时不到 10 毫秒。正是这个数字，让 Telm 得以在会话室还没真正看到一条消息之前就把它删除，而不是等到损害已经造成之后。

规则引擎单凭自身就能抓住绝大多数垃圾信息。但规则有其上限：它只知道别人告诉过它的东西，而一场真正新颖的骗局不会匹配任何已有模式。这，正是接下来两层的用武之地。

第二层：AI 分类器

当一条消息从规则手下逃脱、却依然显得可疑时——一个不寻常的链接、一种古怪的发帖规律、一位首次发帖者带着一条形似话术的消息——它会被送往一个机器学习分类器，该分类器是在已标注的垃圾信息与正常消息上训练出来的。

分类器能抓住规则无法言明的东西：骗局的语气、操纵企图的结构、一条技术上干净、统计上却透着垃圾味的消息的形态。问题在于，模型推理代价高昂，若对每一条消息都跑一遍，就会击穿规则引擎费尽心力守护的延迟预算。

于是，分类器坐落在一层缓存之后。垃圾信息成波涌来——同一场活动会在几分钟之内，用近乎相同的消息轰炸许多个群组。我们以消息的归一化指纹作为缓存键，因此一场活动的第一个实例支付全额推理成本，而其后每一个副本都是一次缓存命中。在实践中，缓存吸收掉了绝大部分重复流量，模型只在真正全新的内容上才真正运行。

message ──▶ normalize ──▶ rule engine  (<10ms, 200+ patterns)
                              │ uncertain
                              ▼
                        fingerprint cache ──hit──▶ verdict
                              │ miss
                              ▼
                        AI classifier ──▶ verdict + cache write

第三层：语义记忆

第三层，正是让 Telm 随时间推移越来越难以被绕过的那一层。垃圾信息发布者不会把同一条消息发两遍——他们会换一种说法。“加入我们的专属信号群”变成“获取我们私密交易频道的访问权限”，再变成同一套说辞的葡萄牙语版本。指纹缓存看到的是三个不同的字符串；人看到的是同一个骗局。

语义记忆通过作用于含义而非文本，堵上了这道缝隙。当一条消息被确认为垃圾信息时，Telm 会存储一个嵌入向量——一个数值向量，它捕捉的是消息的含义，而非它的拼写方式。新消息同样会被嵌入，并按相似度与那份记忆做比对。一句改写、一次翻译、一段重新措辞的话术，都会在向量空间里落到原文附近，尽管它们在字面字符上几乎毫无共同之处。

正是这一点，让 Telm 能够抓住一个它只见过一次的骗局的第二、第三乃至第一百个变体。规则引擎应对已知，分类器应对新颖，而语义记忆应对变异——那条恰恰因为从不逐字重复自己而得以存活下来的垃圾信息长尾。

CAS 黑名单

并非每一道防线都必须在本地计算。Telm 集成了 Combot 反垃圾黑名单（CAS），这是一份全球性的、由社区维护的注册表，收录了整个 Telegram 生态中已被确认为垃圾信息发布者的账号。

CAS 的价值在于，它在一条消息尚不存在之时就已动手。当一个已知的坏账号试图加入或发帖时，Telm 可以当场将其封禁——无需分析内容，无需运行推理，因为身份本身就是信号。这是可能的最廉价的一道检查，它在检测流水线还来不及思考这些坏分子之前，就已剔除了其中相当一部分。

监控模式：只在你信任它之后才动手

一个会做出错误判断的治理机器人，比根本没有机器人还要糟糕。在第一天就删掉一位真实成员的消息，你就等于教会了社群不要信任这个工具。所以，每一个新群组一开始都让 Telm 处于监控模式。

在这一模式下，Telm 只观察、只汇报，什么都不碰。对每一条消息，它都记录下自己*本会*采取的动作——删除、禁言、封禁——并展示给你看，却并不真的执行其中任何一项。你得以清楚地看到，在你的真实成员参与下，这条流水线面对你社群的真实流量会如何表现，而这一切都发生在它获准动手之前。

这么做有两重效果。它建立起有理有据的信任：只有当你亲眼看到它的决策与你的判断相吻合，你才会把 Telm 切换到激活状态。同时，它也是一张用于调校的安全网——如果某条规则对你群组的文化来说过于激进，你会在一份报告里发现它，而不是在一位因说了句“来看看我的项目”而被封禁的成员的愤怒消息里发现它。

从某种意义上说，监控模式把整套理念浓缩进了一项功能。检测之所以可以激进，是因为激活足够保守。你在它动手之前就已看到；而当它真正动手时，你早已知道它是对的。