工作原理
基于规则的过滤器
快速正则表达式模式和启发式方法即时捕获明显的垃圾信息。
- 正则表达式模式匹配
- 已知垃圾短语检测
- URL黑名单检查
- 字符编码分析
本地AI模型
设备上的机器学习模型分析消息模式、用户行为和上下文。
- 行为模式分析
- 消息序列检测
- 用户信誉评分
- 上下文感知分类
云端AI分析
对于边缘情况，我们先进的云端LLM提供细致的理解。
- 自然语言理解
- 意图分类
- 多语言支持
- 持续学习
检测内容
为什么是三层？
单层检测系统面临基本权衡。我们的三层方法解决了这个问题。
- 第一层 以接近零延迟处理约的垃圾信息。
- 第二层 通过行为分析捕获另外约。
- 第三层 处理剩余约的复杂垃圾信息。
为什么单靠规则终究不够
| 难题 | 仅靠关键词规则 | AI 分析 |
|---|---|---|
| 全新的垃圾手法 | 凡是没有事先明确列出的，一概漏掉 | 判断含义与意图，因此一个从未见过的骗局，读起来依然像骗局 |
| 伪装的文字 | 被 v.i.p 加空格、形近字符和嵌进图片的文字轻易击败 | 像人一样看穿伪装——包括通过 OCR 识别图片里的文字 |
| 上下文 | 孤立地判断每一条消息，于是模棱两可的情形就成了掷硬币 | 把消息与账号背景一并权衡——新成员留下联系方式，和常客分享一个链接，读起来含义截然不同 |
| 维护 | 总得有人永远地更新关键词清单 | 持续从决策和跨群信号中学习，无需人工维护名单 |
它在持续学习——基于真实流量
我们自训的模型
一个基于真实 Telegram 流量训练的专用垃圾信息模型，能捕获 97.9% 的垃圾信息，误报率仅 0.07%——而且它在毫秒内给出判定，比更重的 AI 都不需要先出手。
判定记忆
已确认的判定会被记住。当已知垃圾信息的近似副本出现时——哪怕被改写或塞了表情符号——也会被即时拦截，无需新的 AI 调用，毫无延迟。
跨群组防护
在一个社区被抓住的垃圾发送者，对每一个社区都是已知的。检测信号在群组间共享，因此一场失败过的攻势不会在隔壁重新开始。
面向管理员的测试模式
开启测试模式后，机器人会像审核普通成员一样审核管理员自己的消息。你可以亲自发一些擦边内容，看看究竟触发了哪些规则——而不会处罚任何人。
三级检测如何对一条消息作出判定
每一条消息都会按级别顺序、从最省成本的开始逐层通过。级别 1 应用正则模式、已知垃圾短语、URL 黑名单查询和字符编码检查——明显的垃圾在这里就被拦下，完全无需调用任何模型。凡未被清楚判定的都会进入级别 2，即一个运行在我们自己服务器上的文本分类器，它依据内容、上下文和发送者近期行为为消息评分，无需任何逐条消息的外部 API 请求。只有真正模棱两可的情况——一小部分流量——才会升级到级别 3，即一个云端 LLM，它审读消息以判断意图和伪装措辞。一旦某一级别足够确信，流水线便随即停止。
如此排序检查，让常见情形保持快速、昂贵情形保持稀少，因此一个繁忙的群组不必为每一行内容等待 LLM。“采取行动”与“不予理会”之间的阈值由你调优，而这值得去做：更严格的设置会拦下更多模棱两可的推广，但偶尔会误标一位热情的真实用户，而更宽松的设置则会放行更多。由于每一个决定——哪一级别触发、评分、意图行动——都被写入日志，你永远不必去猜一条消息为何被清除，而且你可以先在监控模式下启动，在流水线触及任何人之前观察它。
常见问题
AI 垃圾信息检测有多准确？
这套分层流水线——规则、我们自训的模型，以及处理疑难案例的 AI 分类器——在真实流量上能捕获约 97.9% 的垃圾信息，误报率约 0.07%。而且你不必只听我们说：机器人以监控模式启动，你可以先在自己的群组里观察它的决策，之后再让它采取任何行动。
它能用于我的语言吗？
可以。检测支持多语言，包括中日韩文字、转写文本以及混合语言消息。OCR 还能读取图片中的文字，因此藏在图片里的垃圾信息也会被同样抓住。
AI 判断出错时会怎样？
被处罚的成员会用其母语收到一条礼貌提示和一个私密申诉链接。AI 仲裁者会结合群组情境审核案件；明显的误判会在几秒内自动撤销，该成员的声誉也随之恢复。
我需要配置什么吗？
不需要。检测开箱即用，附带合理的默认设置。如果你愿意，可以调节严格程度、添加自己的关键词规则，并用测试模式先在自己的消息上摸清各项阈值。