用户智能与群组分析仪表板

简介

用户情报与群组分析系统可为你的 Telegram 社群健康状况、成员行为以及管理成效提供全面的数据驱动洞察。这个先进的分析平台远不止简单的消息计数，它提供深入的行为分析、风险评估画像、实时监控能力以及详细的统计拆解，帮助管理员做出更明智的管理决策。

与只展示表层指标的基础群组统计不同，情报与分析仪表盘采用先进的数据科学技术来揭示模式、在潜在问题升级前识别风险，并提供关于单个用户和整体社群动态的可执行情报。该系统结合历史数据分析、实时事件流和预测性风险建模，全面呈现社群的运营状态。

这套功能包括单个用户情报报告（展示行为模式、违规历史和垃圾信息风险评分）、群组级统计仪表盘（展示汇总指标、违规拆解和互动模式）、实时处罚动态（跨所有群组的管理操作实时流），以及用于与外部工具进行程序化集成的公共 API 访问。

工作原理

用户情报报告

用户情报系统会为你社区中的每位用户维护详细的行为画像。当你通过姓名、用户名或 Telegram ID 搜索某个特定用户时，系统会检索该用户的完整互动历史，包括发送过的消息、收到的违规记录、处罚时长、群组成员身份模式以及计算出的风险评分。

情报报告首先会展示一项由 AI 垃圾信息情报算法计算出的综合垃圾信息风险评估。该评分（0.0 到 1.0）基于多种行为信号，包括违规率、违规置信度、个人资料特征和互动模式，用于反映该用户是垃圾信息发送者或恶意行为者的统计可能性。

在风险评分下方，系统会显示详细的违规统计信息，包括置信度指标（平均值、中位数、第 95 百分位）、高置信度违规率、最常见的违规类型以及最常见的违规原因。这些统计信息可以帮助管理员理解用户不只是是否违反了规则，还能了解这些违规被检测出的置信程度，以及哪些模式构成了该用户的问题行为特征。

完整的违规历史会以时间顺序列表呈现，显示每次违规的时间戳、违规类型（色情、性内容、有害语言、垃圾信息、badwords 等）、置信度（0.0-1.0）以及说明触发检测原因的详细理由。这种透明度让管理员能够判断这些违规是真实问题，还是潜在的误报。

群组统计仪表盘

群组统计仪表盘会汇总展示社区整体健康状况和审核效果方面的洞察。系统会计算并显示多类指标：

概览指标包括群组状态（允许/不允许）、总成员数、管理员数量、机器人存在状态验证，以及群组是否已正确配置头像和邀请链接。

活动指标显示群组历史中的总消息数、检测到的总违规数、已执行的总处罚时长（分钟），以及这些数字之间的关系，用于反映社区整体的规则遵守水平。

审核效率指标会计算每 1,000 条消息的处罚率（显示相对于活跃度而言审核发生的频率）、平均处罚时长（反映典型违规严重程度），以及每位成员的平均消息数（互动指标）。

时间分析会展示近期时间段（过去 7 天、过去 30 天）的活动情况，呈现违规和处罚模式的趋势，帮助判断你的社区随着时间推移是变得更容易出问题，还是更稳定。

违规分类明细会按类型对所有违规进行分类（色情内容、性内容、有害语言、垃圾信息、语言违规、脏话、侮辱、威胁、badwords、转发消息、禁止的媒体、邀请链接、未经授权的机器人），并显示每个类别的精确数量。该明细可以揭示哪些规则最常被违反，从而为是否需要收紧或放宽某些限制提供依据。

实时处罚动态

实时处罚动态使用 WebSocket 订阅来流式推送你的机器人所在所有群组中发生的审核事件。这个实时视图会显示全系统最新的 20 条处罚记录（不限于你自己的群组），包括被处罚用户、违规类型、详细原因、置信度评分和时间戳。

当受监控生态中的任何位置出现新违规时，动态会即时更新，为你提供一个观察当前审核活动的实时窗口。这种透明度可以帮助管理员：

• 监控影响多个社区的活跃垃圾信息活动
• 观察机器人实时决策过程
• 识别在多个群组中违反规则的用户
• 查看当前最常见的违规类型
• 确认审核系统正在正常工作

每条处罚记录都可以点击，让你只需单击即可为违规者生成完整的用户情报报告。这样，当你在动态中发现令人担忧的模式时，就能快速展开调查。

公共 API 访问

用户情报系统提供了一个公共 REST API 端点，任何人都可以通过提供 Telegram 用户 ID 来查询该用户的垃圾信息评分。API 会以 JSON 格式返回垃圾信息评分（0.0-1.0）和风险等级类别（低、中、高、严重），且无需身份验证。

这个公共 API 支持第三方集成，让其他机器人开发者、研究人员或社区管理员能够将情报数据整合到自己的工具和工作流中。API 文档包含多种语言（cURL、JavaScript、Python）的代码示例，展示如何发起请求并解析响应。

虽然垃圾信息评分是公开的，但详细的违规历史和行为分析仍然保持私密，仅对被查询用户所在群组的管理员可见。这种隐私平衡既能为更广泛的 Telegram 生态提供有用的风险信息，又能保护单个用户的隐私。

配置

访问用户情报

要查看单个用户的情报报告：

1. 从面板主菜单进入“用户情报”部分
2. 选择“用户情报”标签页（第一个标签页）
3. 使用搜索界面按以下方式查找用户：
   • 全名或部分姓名匹配
   • Telegram handle（带或不带 @ 符号）
   • Telegram 用户 ID（数字）
4. 在搜索结果中点击某个用户，查看其完整情报报告
5. 查看其垃圾信息评级、违规统计以及完整违规历史

搜索功能适用于你作为管理员的所有群组中的用户，让你可以调查任何让你担忧其行为的社区成员。

查看群组统计

要访问群组的数据分析仪表板：

1. 从面板进入你的群组管理页面
2. 选择“统计”标签页
3. 选择“群组统计”子标签页
4. 查看分布在多个部分中的综合指标：
   • 概览（状态、成员数量、机器人配置）
   • 活动（消息、违规、处罚）
   • 管理效率（比率、平均值、参与度）
   • 近期活动（7 天和 30 天趋势）
   • 主要违规（按类型细分）
   • 时间戳（最后活动时间、最后更新时间）

当新数据到达时，统计信息会实时更新，确保你始终看到最新指标。

访问群组内用户统计

要查看特定群组中最活跃的成员：

1. 在你的群组管理页面，选择“统计”标签页
2. 选择“用户统计”子标签页
3. 使用搜索功能按姓名、handle、ID 或简介内容筛选用户
4. 查看按消息数量排序的前 50 名最活跃用户列表
5. 每张用户卡片会显示：
   • 头像（如果可用）
   • 姓名和 handle
   • 该群组内的总消息数
   • 最后出现时间戳
6. 点击任意用户，查看其完整情报报告

此功能可帮助你识别最活跃的社区成员，并发现异常活动模式（例如，消息数量很高但没有可见互动的用户可能是垃圾信息机器人）。

监控实时处罚动态

要查看实时管理事件：

1. 从主面板菜单进入“用户情报”
2. 选择“实时处罚”标签页
3. 观察近期违规的实时流，其中显示：
   • 用户头像和姓名
   • 违规类型和详细原因
   • 置信度分数
   • 时间戳（相对多久以前）
   • 连接状态指示器（显示 WebSocket 健康状态）
4. 点击任意处罚条目，查看违规者的完整情报报告

如果连接丢失，动态流会自动重新连接，确保持续监控。

使用公共 API

要以编程方式访问用户垃圾信息评级：

1. 进入“用户情报” → “API 文档”标签页
2. 查看 API 端点 URL 和格式
3. 复制你偏好语言中提供的代码示例：
   • cURL（命令行）
   • JavaScript（fetch API）
   • Python（requests 库）
4. 将示例用户 ID 替换为你想查询的 ID
5. 执行请求以接收包含以下内容的 JSON 响应：
   • spam_rating：数字评分（0.0-1.0）
   • risk_level：类别字符串（低/中/高/严重）

API 设有速率限制以防滥用，但允许合法使用场景下的合理查询量。

真实场景

场景 1：调查可疑的新成员

社区管理员注意到有几名新成员同时加入，怀疑他们是否属于协同垃圾信息行动的一部分。管理员使用用户情报搜索，逐一查询这些新成员的个人资料。

情报报告显示，所有新成员都具备以下特征：

• 垃圾信息评分高于 0.70（高风险）
• 没有 Telegram 用户名（垃圾账号的危险信号）
• 加入了 200+ 个群组，但在每个群组中的发言极少（机器人特征）
• NSFW 头像（常见的垃圾信息手法）

有了这些情报，管理员在这些账号发布垃圾信息之前就预先封禁了它们，避免了社区受到干扰。如果没有这些情报数据，管理员就只能等第一批垃圾信息出现后再采取行动。

场景 2：评估误报情况

一位长期社区成员联系管理员，称自己因发布了一条正常消息而被不公平地禁言。管理员不确定是机器人误判，还是用户在抱怨一次合理的处置。

通过用户情报报告，管理员看到：

• 垃圾信息评分：0.15（非常低，可信用户）
• 6 个月历史中仅有一次违规
• 违规置信度：0.52（边界值，置信度较低）
• 违规类型：情绪分析 - 脏话检测
• 详细原因：消息包含了触发误报的词语

较低的置信度分数和仅有一次违规记录支持了用户关于误报的说法。管理员解释了自动检测流程，说明限制仅持续 1 分钟，并向用户确认其在社区中的整体信誉依然很好（垃圾信息评分为 0.15）。

场景 3：监测审核效果

某个社区最近收紧了多项审核规则，希望评估其影响。管理员通过群组统计仪表盘查看：

• 处罚率：从每 1K 条消息 2.5 次上升到 4.8 次
• 平均处罚时长：稳定在 3.2 分钟
• 违规总数（过去 7 天）：45（上一周为 28）
• 最高频违规：NSFW 图片（18 次违规）

统计数据显示，更严格的图片扫描确实拦截到了更多不当内容（符合预期），但处罚率仍处于合理范围（仍然只有 0.48% 的消息违反规则）。管理员由此判断，新设置正在按预期发挥作用，并没有过度审核。

场景 4：识别跨群组垃圾信息模式

管理员在监控实时处罚动态时，注意到相同的用户名在几分钟内反复出现在不同群组中，并伴随相似违规（垃圾信息模式检测、邀请链接）。

这种模式表明，存在一场同时针对多个社区的协同垃圾信息活动。管理员查看其中一名垃圾信息发送者的用户情报报告，确认其垃圾信息评分很高（0.85+），随后搜索相似用户名以识别相关账号。

通过在垃圾信息浪潮波及自己的群组之前，主动将这些相关账号从自己的群组中封禁，管理员成功预防了攻击，而不是等垃圾信息出现后再被动应对。

场景 5：基于数据优化规则

一个游戏社区每月查看群组统计，以优化审核设置。本月数据显示：

• 最高频违规：语言执行（35 次违规）
• 第二：有害语言（12 次违规）
• NSFW 违规：2 次

较高的语言执行违规数量让管理员感到意外——他们发现社区已经变得更加国际化，成员会使用多种语言交流，但机器人仍在执行仅限英语的规则。

基于这一数据洞察，他们禁用了语言执行，因为他们意识到社区已经自然发展为多语言社区。统计数据帮助他们识别出了一条不再适合当前社区构成的规则。

最佳实践

定期进行情报审计

每周或每月安排一次对关键情报指标的检查：

• 查看群组统计仪表盘中的趋势
• 在用户统计中查看违规次数最多的用户
• 检查违规类型分布，发现潜在规律
• 监控处罚频率和处罚时长

定期审计有助于你及早发现新出现的问题，并确认随着社区发展，当前的审核设置仍然合适。

调查异常情况

当你注意到数据中出现异常模式时，应立即调查：

• 违规数量突然激增，可能表示遭遇垃圾信息攻击或设置配置错误
• 已知正常用户的垃圾信息评分异常偏高，可能表示存在误判
• 消息数量很高但互动很低，可能表示存在机器人
• 违规置信度分布异常，可能暴露系统性的检测问题

情报数据可以帮助你发现这些异常；进一步调查则能帮助你理解并解决它们。

将情报用于封禁申诉

当用户请求解除封禁或对限制提出申诉时，使用情报报告来做出更明智的决定：

• 查看其完整违规历史（而不仅仅是最近一次事件）
• 检查置信度分数（低置信度违规可能是误判）
• 查看垃圾信息评分（0.2 或更低通常表示是正常用户）
• 考虑违规模式（单次事件还是反复出现问题）

基于数据的申诉评估能够确保审核决策一致且公平。

与共同管理员分享洞察

将统计仪表盘作为审核团队内部的沟通工具：

• 截取每周统计数据并分享到管理员聊天中
• 讨论趋势，以及是否需要调整设置
• 协调应对新出现的垃圾信息模式
• 积累关于社区动态的组织经验

与团队保持透明，有助于形成更好的集体审核。

使用公共 API 进行集成

如果你管理多个社区，或使用额外的审核工具，可以集成公共 API：

• 在接受新成员之前查询垃圾信息评分
• 与外部垃圾信息数据库进行交叉比对
• 构建自定义仪表盘，整合来自多个来源的数据
• 自动执行基于风险的审核决策

API 可以实现超出网页界面的高级工作流。

定期监控实时动态

将检查实时处罚动态纳入你的日常管理员流程：

• 抽查执法机制是否正常运行
• 及早识别协同垃圾信息活动
• 跟踪当前最常见的违规类型
• 验证置信度分数是否与实际内容质量相符

实时动态提供的态势感知，是延迟统计无法替代的。

与其他功能的集成

AI 垃圾信息智能判断的基础

用户智能报告提供了透明度，让 AI 垃圾信息智能判断变得值得信赖。当 AI 自动踢出垃圾信息评分高于 0.75 的用户时，管理员可以查看智能报告，准确了解该评分为何会这样计算，并验证该决定是否合适。

智能报告中展示的违规历史、置信度统计和行为分析，是 AI 风险计算算法所依赖的原始数据。这种集成形成了一个闭环：AI 基于数据做出决策，而管理员可以通过查看同一份数据来审查这些决策。

对人工审核的补充

虽然自动化系统会处理常规执行工作，但智能数据可以帮助管理员对边界情况做出更细致的判断：

• 接近临界值的垃圾信息评分 (0.60-0.74) 可能更适合警告，而不是踢出
• 置信度较低的违规可能值得再给一次机会
• 长期表现良好但近期有违规的用户，可能更适合引导，而不是处罚

智能系统提供了纯自动化无法提供的背景信息。

模式检测的增强

单个智能报告展示用户层面的模式，而群组统计则揭示社区层面的模式：

• 许多用户违反同一规则，说明该规则可能过于严格
• 特定时间段违规率较高，表明垃圾信息活动通常在这些时段发生
• 违规类型分布的变化显示垃圾信息策略如何随时间转变

结合这两种视角，可以形成全面的模式认知。

功能配置的验证

使用统计数据验证你的功能设置是否按预期运行：

• 如果 NSFW 检测产生大量违规，说明它正在捕获相关内容（有效）
• 如果情绪分析在有毒聊天中仍显示零违规，阈值可能过高
• 如果垃圾信息检测漏掉明显的垃圾信息，阈值可能过于严格

基于数据的验证可确保各项功能针对你的社区进行最佳配置。

高级用法

相关性分析

高级管理员可以将不同指标关联起来，从中获得洞察：

• 处罚率 vs. 活跃度： 高活跃度且低处罚率的群组通常拥有健康的社区文化
• 违规置信度 vs. 违规类型： 低置信度的 NSFW 违规可能说明阈值过于敏感
• 用户垃圾信息评分 vs. 群组成员数量： 加入许多群组且垃圾信息评分较高的用户，很可能是职业垃圾信息发送者
• 时间模式： 违规集中出现在特定时间，可能表示存在有针对性的垃圾信息活动

寻找这些相关性，以理解社区动态中更深层的模式。

使用用户统计进行队列分析

跟踪特定用户队列，以了解社区健康状况：

• 新成员（最近 30 天加入）：有多少比例会累积违规？
• 核心贡献者（消息数量高）：他们的垃圾信息评分是否较低？
• 沉寂成员（近期无活动）：他们是在重新参与，还是正在离开？

队列分析可以揭示你的社区是否留住了高质量成员，并成功帮助新成员融入。

违规置信度分布分析

智能报告会显示置信度的平均值、中位数和第 95 百分位。利用这些指标了解检测质量：

• 平均值高 + 中位数高（均 >0.7）：检测强且置信度高
• 平均值低 + 第 95 百分位高：大多是弱检测，偶尔出现强检测
• 标准差高（平均值与百分位之间差距大）：检测质量不一致

这些模式有助于你评估审核设置是否产生了可靠的结果。

与历史数据进行基准对比

持续跟踪关键指标，建立基线并识别趋势：

• 每 1K 条消息的正常处罚率是多少？
• 典型的违规分布是什么样（哪些类型最常见）？
• 你的社区中垃圾信息评分分布如何？

建立历史基线后，异常情况会变得一目了然。

风险分层

根据垃圾信息评分将用户划分为不同风险层级：

• 0.00-0.30： 可信用户（绿色）
• 0.31-0.60： 普通用户（黄色）
• 0.61-0.74： 风险升高（橙色）
• 0.75+： 高风险（红色，如果启用 AI 会自动踢出）

对每个层级应用不同的监控或执行策略。例如，风险升高的用户可能会更快升级到限制措施，而可信用户在边界性违规时可能获得更宽松的处理。

技术实现

用户情报系统作为 telegram_intelligence 微服务的一部分运行，该微服务维护一个持续更新的行为画像数据库，这些画像来源于违规事件、消息统计、群组成员数据和个人资料信息。

垃圾信息评分计算采用一种统计模型，将贝叶斯概率理论与逻辑斯蒂风险曲线相结合。该算法会对多个因素进行加权，包括违规率（违规次数 / 消息数）、置信度分布（均值、中位数、百分位数）、违规类型占比、行为信号（个人资料特征、群组成员模式）以及信誉因素（管理员身份、互动水平）。

群组统计通过数据库聚合查询计算，汇总该群组所有已记录事件中的违规次数、消息数量、处罚时长及其他指标。这些查询使用高效的索引和缓存机制，确保即使是拥有大量历史记录的群组，仪表盘加载速度也依然保持快速。

实时处罚动态使用基于 WebSocket 连接的 GraphQL 订阅，在 tg_punishments 表插入新行时实时推送事件。订阅查询包含限制条件（最近 20 条处罚记录），并按创建时间戳降序排列，以优先显示最新事件。

公共 API 端点提供一个简单的 REST 接口，接受用户 ID 参数，并查询情报数据库以获取对应的垃圾信息评分。响应格式遵循标准 JSON 规范，并包含适当的 CORS 头，以允许来自 Web 应用的跨源请求。

所有情报数据都存储在 PostgreSQL 数据库中，并在常用查询字段（user_id、group_id、created_at、violation_type）上建立适当索引，确保即使数据集增长到数百万条记录，也能快速检索。

隐私与数据处理

用户情报系统会处理并存储：

• 违规记录： 类型、时间戳、置信度、详情
• 消息统计： 每个群组中每位用户的计数
• 群组成员关系： 用户属于哪些群组
• 个人资料信息： NSFW 状态、是否存在用户名、简介内容（如果已扫描）
• 计算指标： 垃圾信息评分、置信度统计

所有数据都来自可通过 Telegram 的 API 获取的信息，或由 bot 的审核操作生成。系统不会直接访问消息内容——它接收来自内容分析系统的违规报告，这些系统已根据配置的审核设置扫描过消息。

隐私保护措施包括：

• 访问控制： 只有群组管理员可以查看其群组内用户的详细情报
• API 限制： 公共 API 仅提供垃圾信息评分，不提供详细违规历史
• 数据最小化： 违规日志仅存储违规类型和置信度，不存储完整消息内容
• 匿名化： 聚合统计不会泄露单个用户的身份

用户无法选择不让其行为被分析（因为这会让垃圾信息发送者规避检测），但他们的详细历史记录仍仅对其群组管理员可见。公共 API 有限的数据暴露在社区保护（共享风险信息）与个人隐私（保护违规详情）之间取得平衡。

故障排查

“在情报搜索中找不到特定用户”

可能原因：

• 用户尚未与任何你的机器人所在的群组互动过
• 使用了错误的名称/用户名格式进行搜索
• 用户最近才加入，尚未被完全索引

解决方案： 只有在机器人监控的群组中活跃过的用户才会出现在搜索结果中。请确保使用准确的 Telegram 用户名进行搜索（可分别尝试带 @ 符号和不带 @ 符号），或使用数字用户 ID。新用户在首次活动后，可能需要几分钟才能完成索引。

“群组统计显示违规次数为零，但已知存在违规行为”

可能原因：

• 违规发生在机器人加入群组之前
• 能够捕获这些违规行为的功能未启用
• 违规确实发生了，但没有被正确记录

解决方案： 检查设置中是否确实启用了相关的审核功能。查看已知违规者的个人用户情报报告，确认其违规行为是否被记录。统计数据只包含机器人检测到的违规行为，不包括既有问题。

“实时处罚动态显示‘已断开’状态”

可能原因：

• WebSocket 连接因网络问题丢失
• 浏览器标签页长时间处于非活跃状态
• 服务器维护或重启

解决方案： 该动态应会在 30 秒内自动重新连接。如果仍保持断开状态，请刷新页面。检查连接状态指示器——如果显示“已连接”但没有出现处罚记录，这可能表示当前时段没有违规（安静时段属于正常情况）。

“明显的垃圾信息发送者，其垃圾信息评分似乎低于预期”

可能原因：

• 垃圾信息发送者尚未积累足够多的违规记录
• 违规的置信度评分较低
• 垃圾信息发送者存在正向声誉信号，抵消了违规影响

解决方案： 垃圾信息评分反映的是基于累积数据计算出的统计可能性。违规记录较少的新垃圾信息发送者，在形成行为模式之前不会获得高评分。查看其情报报告以了解置信度评分——如果违规的置信度较低（0.50-0.60），算法会相应地给出较低风险。随着更多高置信度违规记录的积累，评分会提高。

“Public API 返回错误或空响应”

可能原因：

• 用户 ID 格式无效
• 用户从未与机器人监控的群组互动过
• 触发了速率限制

解决方案： 请确保提供的是有效的 Telegram 数字用户 ID，而不是用户名或 handle。API 只会返回曾在机器人运行的群组中活跃过的用户数据。如果要发起大量请求，请降低频率以避免触发速率限制（每个 IP 每分钟最多 100 次请求）。

“User Statistics 显示的用户少于 50 个，尽管群组规模更大”

可能原因：

• 许多成员的消息数为零
• 搜索筛选器处于启用状态，限制了结果
• 非活跃成员未包含在顶级贡献者列表中

解决方案： Users Statistics 列表只显示至少发送过一条消息的用户，并按消息数排序。已加入但从未参与的成员不会显示。清除任何已启用的搜索筛选器以查看完整列表。该数量只包含活跃参与者，不代表总成员数。

总结

用户智能与群组分析系统可让你洞察社区动态、成员行为以及管理成效。它将个人行为画像与汇总统计、实时监控以及公共 API 访问能力结合在一起。

无论你需要调查可疑用户、评估管理设置是否正常生效、实时监控正在发生的垃圾信息活动，还是将智能数据集成到外部工具中，分析仪表盘都能提供你所需的洞察，帮助你快速且自信地做出明智决策。

智能报告的透明性确保自动化管理决策始终可审计、可解释——管理员随时都能准确查看某个用户为何获得特定的垃圾信息评分，或哪些违规行为导致了某项处置措施。这种问责机制让自动化管理更值得信赖，也有助于管理员在执行处置措施时依然维持社区信任。

定期使用这些报告，可以让你从被动应对转向主动管理——查看垃圾信息评分和处罚动态，能在问题扩散前发现它们；而审计追踪则确保每一次自动化决策都可复核。