TgWitness: Telegram Export, OSINT & Verification

TgWitness to oparty na otwartym oprogramowaniu eksportator danych z Telegrama oraz środowisko do prowadzenia dochodzeń. Zainstaluj go jednym poleceniem, połącz konto, wybierz czaty i wyeksportuj podpisane archiwum. Obsługuje również tymczasowe gromadzenie danych w GitHub Actions oraz kontynuowanie dochodzeń dzięki zapisanym zmianom, obserwacjom usunięć, wyszukiwaniu i raportom.

Zacznij od zadania, które masz#

Instalacja za pomocą jednego polecenia#

Instalator zawiera język Python oraz zależności. Pobranie kodu źródłowego, Docker, dostawca AI oraz niezależny świadek są opcjonalnymi elementami, a nie warunkiem wstępnym instalacji.

Linux / macOS:

curl -fsSL https://get.destroy.tools/install.sh | bash

System Windows, w PowerShell lub w wierszu poleceń:

powershell.exe -NoProfile -ExecutionPolicy Bypass -Command "irm https://get.destroy.tools/install.ps1 | iex"

Otwórz panel, połącz swoje konto Telegram i wybierz zakres gromadzenia danych. Instalacja sama w sobie nie uruchamia gromadzenia danych. instrukcja instalacji wyjaśnia kwestie związane z dostępem lokalnym, serwerami, aktualizacjami oraz sprawdzaniem pobranej kompilacji.

Aby uruchomić tymczasowy program, postępuj zgodnie z instrukcją GitHub Actions capture . Ten przepływ pracy wymaga utworzenia forka na GitHubie, autoryzacji oraz hasła do archiwum. Strona capture wyjaśnia te kroki oraz czas trwania sesji przed uruchomieniem. Pobierz i zachowaj powstałe archiwum wraz z materiałami weryfikacyjnymi.

Dodatkowe ustawienia, jeśli zadanie tego wymaga#

Eksport pojedynczego czatu wymaga konta i wybranego zakresu. Ciągła obserwacja, wiele kont, serwery proxy, zasady dotyczące załączników, projekt raportów, dostęp recenzentów, zewnętrzne znaczniki czasu oraz przechowywanie poza serwisem służą różnym wymaganiom związanym z dochodzeniami i przekazywaniem danych. Należy skonfigurować te funkcje, gdy są one istotne.

Zakres, uprawnienia i zminimalizowane kopie udostępniane pomagają operatorom w wyborze tego, co należy gromadzić i ujawniać. Wytyczne dotyczące jurysdykcji oraz ustawienia raportów wspierają tę decyzję; samo wybranie profilu nie gwarantuje zgodności z prawem ani dopuszczalności dowodowej. Zobacz eksport konta, dostęp oraz konfiguracja raportu.

Aplikacja działa na wybranym komputerze lub serwerze. Podstawowe gromadzenie danych nie wymaga karty graficznej ani modelu językowego LLM. Opcjonalne funkcje OCR, transkrypcji i analizy AI mają swoje własne wymagania dotyczące zasobów. Należy dobrać rozmiar wdrożenia pod kątem częstotliwości wiadomości, załączników, przechowywanej historii i liczby kont działających jednocześnie; łatwa instalacja nie gwarantuje stałego zużycia pamięci dla każdego obciążenia.

Zachowaj ten zapis, niezależnie od tego, komu pomoże#

Celem jest zachowanie zaobserwowanych materiałów, kontekstu i zmian, niezależnie od tego, czyje stanowisko potwierdzają. Dowody mogą podważać własną relację kolektora dotyczącą wydarzeń. Należy zapewnić identyfikowalność obserwacji źródłowych, brakujących danych oraz wniosków analitycznych, aby inna osoba mogła ocenić ten sam materiał.

Logika działania jest następująca: obserwacja widoczna na koncie → podpisany dziennik → eksport → weryfikacja przez odbiorcę. Zapisane zmiany tworzą nowe wersje. Usunięte obserwacje zachowują wcześniej zarejestrowaną treść. Zapisy dotyczące zasięgu ujawniają znane przerwy w działaniu. Raporty i analizy AI odwołują się do zapisanych źródeł; interpretacja nie staje się obserwacją źródłową tylko dlatego, że pojawia się w podpisanym raporcie.

Kontrole te umożliwiają weryfikację integralności i pochodzenia. Nie przekształcają one treści wiadomości w prawdziwe stwierdzenie ani nie odtwarzają niewidocznych, usuniętych wiadomości. Należy użyć niezależnie uzyskanego odcisku klucza oraz postępować zgodnie z krokami weryfikacji opisanymi w przewodniku zaufania oraz formacie dowodów.

Opublikowana skala i zmierzona wydajność#

Poniższe wyniki opisują różne obciążenia i daty. Liczby nie są wymienne: zdarzenie w dzienniku niekoniecznie odpowiada pojedynczej wiadomości w Telegramie.

Rekord weryfikacji zawiera spis serwerów, bieżące kontrole gromadzenia danych oraz pomiary wyszukiwania. Wydajność eksportu publikuje dwa rzeczywiste przebiegi, sprzęt, czasy trwania, skróty archiwów oraz podpisane pliki pomiarowe. Określają one wyniki dla zarejestrowanych wersji i warunków, a nie uniwersalną szybkość ani maksymalną przepustowość.

Historia testów i czas trwania#

Opiekun projektu informuje o ponad sześciomiesięcznym okresie testów na dzień 6 listopada 2026 r. Opisano tu historię testów projektu. Opatrzone datą publiczne pomiary powyżej dokumentują poszczególne przebiegi; nie stanowią one niezależnie zweryfikowanego, nieprzerwanego sześciomiesięcznego cyklu gromadzenia danych. Wiek wyeksportowanych komunikatów również różni się od czasu działania kolektora.

Dokładne odczytanie statusu dostępności#

Oceń każdy przepływ pracy pod kątem jego implementacji, opublikowanej kompilacji i zarejestrowanych testów. Kod źródłowy jest obecnie oznaczony jako preview. Ta etykieta wydania współistnieje z działającą kolekcją, eksportami, niezależną weryfikacją i opublikowanymi pomiarami skali. Funkcja w wersji podglądowej i zweryfikowany przepływ pracy mogą występować w tej samej aplikacji; opisz konkretną funkcję i dowody leżące u podstaw oceny.

Należy łącznie uwzględniać aktualne możliwości, funkcje i ograniczenia, weryfikację oraz dziennik zmian. Podając wynik, należy odnotować testowaną wersję. Migawka pomiarowa z 6 listopada zawiera również testy, które zakończyły się niepowodzeniem lub zostały pominięte; nie są to wyniki pozytywne.

Czytelne zarówno dla ludzi, jak i dla narzędzi AI#

Witryna zawiera zwięzłą wersję llms.txt, kompletny podręcznik w języku angielskim w wersjach llms-full.txt i llms-full.md oraz wersje stron w formacie Markdown. Są to formaty dokumentacji, a nie wymagania dotyczące sztucznej inteligencji niezbędne do uruchomienia TgWitness.

Opcjonalny dostęp z wiersza poleceń MCP i umożliwia autoryzowanym narzędziom odczyt wybranych zapisanych rekordów. Treść wiadomości pozostaje niezaufanym dane wejściowe. Podsumowania powinny podawać źródła, odróżniać fakty obserwacyjne od wniosków oraz uwzględniać niepewność. Wyszukiwanie pełnotekstowe, OCR i wyniki generowane przez sztuczną inteligencję nie zmieniają oryginalnych, podpisanych obserwacji.