Busca conversaciones de Telegram por tema
Encuentra una conversación de Telegram por su tema: crea conversaciones desde tu archivo local, añade embeddings y busca por significado en tu propio ordenador.
Encontrar mensajes o conversaciones →
Recuerdas que en un chat se discutió algo, pero no las palabras que usaba la gente. La búsqueda de temas encuentra esa discusión por su significado. Pregunta "¿dónde hablamos de alquilar un piso?" y encuentra una conversación que dice "departamento", "arrendamiento" y "fianza", aunque nadie haya escrito "alquilar piso". También funciona en todos los idiomas: una pregunta en inglés encuentra una discusión en español o ruso.
Después de leer esta página, puede preparar un chat para la búsqueda de temas, hacer preguntas con sus propias palabras, leer los resultados y decidir cuándo la búsqueda de palabras ordinaria es la mejor herramienta. La búsqueda de temas utiliza solo los mensajes que tg ya ha guardado en esta computadora, así que descargue primero el historial: tg personal messages sync <chat> (descargar el historial de un chat).
Términos utilizados en esta página:
- Conversación: una discusión dentro de un chat. En un grupo ocupado se desarrollan varias conversaciones al mismo tiempo y sus mensajes se mezclan. tg los separa; una conversación es la lista de mensajes que van juntos, los más antiguos primero.
- Pieza: una parte breve de una conversación, de unos 1.200 caracteres. Las conversaciones largas se dividen en partes para que cada parte trate sobre una cosa.
- Vector: una lista de números que representan lo que significa un texto. Los textos sobre un mismo tema obtienen vectores similares, incluso cuando las palabras o el idioma difieren.
- Model: el pequeño programa que convierte texto en vector. Se ejecuta en su computadora de forma predeterminada.
La búsqueda de tema no es el campo topic: de búsqueda de mensajes. topic: mantiene un tema de foro de un grupo de Telegram. Una conversación aquí es algo que tg encuentra por sí solo, en cualquier chat.
Qué puedes hacer
¿Búsqueda de tema o búsqueda de palabras?
| Obligatoriedad | Búsqueda de palabras (tg personal search messages) | Búsqueda de tema (tg personal search conversations) |
|---|---|---|
| Ya sabes | las palabras exactas, un nombre, una fecha, un archivo | sólo de qué se trataba |
| Se encuentra | mensajes individuales que contienen tus palabras | conversaciones completas sobre tu pregunta |
| Otras palabras para lo mismo | no: "piso" no encuentra "apartamento" | si |
| Otros idiomas | no | sí, unos 100 idiomas con el modelo predeterminado |
| Filtros exactos (remitente, fecha, archivo, enlace) | sí, el lenguaje de consulta completo | sí, a través de --filter |
| Preparación | descargar la historia | descargar el historial, luego conversations links rebuild y conversations embed |
| Pregunta Telegram | sí, por defecto | no, solo lee esta computadora |
Utilice la búsqueda de palabras cuando recuerde una palabra, un número, un nombre o un archivo. Utilice la búsqueda de temas cuando recuerde el tema pero no la redacción, cuando una discusión se extienda en muchos mensajes cortos o cuando las personas escribieron en otro idioma. Si no está seguro, intente primero la búsqueda de temas: también coincide con sus palabras, por lo que una conversación que las utilice aún se ubicará en la parte superior.
Pruébalo
Prepare un chat una vez y luego haga tantas preguntas como desee.
Su solicitud a su agente de IA:
En Club de lectura, busque dónde discutimos trasladar las reuniones a otro lugar. Muestra la conversación.
Qué pasa, paso a paso:
tg personal messages sync "Book club" # 1. download the history, if it is not saved yet
tg personal conversations links rebuild --chat "Book club" # 2. separate the chat into conversations
tg personal models download embeddinggemma # 3. once: download the model, 219 MB, shared with max
tg personal conversations embed --chat "Book club" # 4. compute a vector for each piece
tg personal search conversations "where do we meet" --chat "Book club" # 5. ask
tg personal conversations show 91 # 6. read the conversation that was foundLos pasos 2 a 4 se ejecutan en su computadora y nunca consultan Telegram. embed continúa donde se detuvo si lo interrumpes. Las preguntas posteriores sólo necesitan el paso 5; manténgalo actualizado explica cuándo repetir los pasos 2 y 4.
Resultado de ejemplo (ficticio):
0.874 91 2026-09-14 18:02–18:40 23 messages · 4 people · from message 4180 (messages 4185–4192) msg:telegram/500/7/4185
0.851 64 2026-08-02 10:15–10:31 9 messages · 3 people · from message 3302 (messages 3302–3310) msg:telegram/500/7/3302Un resultado es una pista, no una respuesta: abre la conversación y lee los mensajes antes de confiar en ella.
Cómo funciona
La búsqueda de temas tiene tres etapas. Los dos primeros preparan una charla una vez; el tercero se ejecuta para cada pregunta.
1. Construir: separar el chat en conversaciones
tg personal conversations links rebuild lee los mensajes guardados de un chat, los más antiguos primero, y decide para cada mensaje cuál mensaje anterior continúa. No utiliza IA y no solicita Telegram. Los enlaces provienen, en este orden:
- Respuestas propias de Telegram. Un mensaje enviado como respuesta pertenece al mensaje que responde.
- Las respuestas de su agente, si le pidió a su agente que vincule el chat (abajo).
- Una mención. Un mensaje que menciona a alguien pertenece al último mensaje de esa persona. Una mención es un
@username, una mención marca Telegram o un mensaje que comienza con el nombre de usuario de la persona y dos puntos o una coma (anna: agreed). tg revisa como máximo 50 mensajes, y solo en el mismo tema del foro. - La misma persona escribiendo nuevamente. El siguiente mensaje de una persona continúa con el anterior si llega dentro de los 5 minutos y dentro de los últimos 10 mensajes.
Un mensaje sin enlace inicia una nueva conversación. Una conversación puede omitir los mensajes intermedios que pertenecen a otras conversaciones. Las reglas adivinan: pueden dividir una discusión en dos o unir dos discusiones en una. Una nueva compilación reemplaza a la anterior, así que tome el número de una conversación de un list nuevo en lugar de conservarlo.
2. Incrustar: convierte cada pieza en un vector
tg personal conversations embed corta cada conversación en partes de aproximadamente 1200 caracteres, en los límites del mensaje. Cada línea de una pieza es "remitente: texto". Un mensaje más largo que una pieza se divide en partes superpuestas, por lo que el modelo lee todo un mensaje largo, no solo su comienzo. Los mensajes sin texto no añaden nada. Luego, el modelo convierte cada pieza en un vector y tg lo guarda. El texto de la pieza no se vuelve a guardar; solo su vector y una huella digital que muestra cuando cambia el texto.
3. Búsqueda: por significado y por palabras al mismo tiempo
tg personal search conversations busca tu pregunta de dos maneras y une los resultados:
- Por significado. La pregunta también se convierte en un vector. tg lo compara con los vectores de todas las piezas y clasifica cada conversación según su pieza más cercana. Con el modelo predeterminado
embeddinggemma, cuenta cada coincidencia y se ordenan por similitud, en una escala donde 1 significa el mismo significado. Cone5-small, una coincidencia por significado debe ser lo suficientemente cercana: su puntuación de similitud debe ser superior a 0,80. - Por palabras. tg también busca cada palabra de tu pregunta en los mensajes guardados. Una palabra de tres o más letras también coincide con palabras más largas que comienzan con ella (
meetbuscameeting). Los errores tipográficos no se corrigen.
Una conversación que se encuentra en ambos sentidos está por encima de una que se encuentra en un solo sentido. Cada resultado dice cómo se encontró: "by": ["meaning"], ["words"] o ambos. Sin un modelo descargado, la búsqueda aún se realiza solo por palabras y la respuesta dice "meaning": "unavailable". Un chat que nunca se creó no se busca: constrúyalo primero.
Por qué esto encuentra más que una búsqueda de palabras: la búsqueda de palabras necesita la misma palabra en el mensaje. La búsqueda de significado compara de qué tratan los textos y lee una parte de la conversación, no un mensaje. Entonces, "¿dónde nos encontramos?" se puede encontrar una discusión en la que una persona pregunta "¿biblioteca o cafetería?" y otro responde "el café de Main Street es más tranquilo". La palabra mitad evita que se pierdan nombres exactos y palabras raras.
Los detalles técnicos (las reglas medidas, las piezas, los vectores y la clasificación) se encuentran en cómo funciona la búsqueda.
Leer los resultados
En la terminal cada resultado es una línea:
- la puntuación de similitud, o
—cuando solo se encontraron palabras; - el número de la conversación, cuándo empezó y terminó, cuántos mensajes y personas, su primer mensaje;
(messages 4185–4192): la pieza que mejor coincidió (o el mensaje, cuando solo se encontraron palabras), para que sepas por dónde empezar a leer;- el localizador de mensajes (
msg:…), que aceptantg personal messages showytg personal messages context; stalecuando el texto cambió después de calcular su vector: la puntuación es para el texto antiguo.
Con --json, la respuesta también tiene meaning (searched o unavailable), el model utilizado y readiness: qué chats se buscaron por significado, cuáles solo por palabras, cuáles están desactualizados y cuáles nunca se construyeron. Cuando algo limita la búsqueda, stderr nombra los chats y el comando que lo soluciona, por ejemplo conversations embed --chat <chat>.
tg personal conversations list "Book club" 'started_at>=7d'
tg personal conversations show 91 # one conversation, oldest first
tg personal conversations show "Book club" 204 # the conversation message 204 is in
tg personal conversations related "Book club" 204 # other conversations about the same thing, in every chat
tg personal messages links "Book club" 204 # why that message is where it isrelated utiliza los vectores que embed guardó y no ejecuta ningún modelo, por lo que responde rápidamente. Es una búsqueda únicamente por significado.
Ejemplos resueltos
Recuerdas el tema, no las palabras.
tg personal search conversations "who is bringing food to the picnic"Esto busca en todos los chats preparados. Puede encontrar una conversación en la que la gente escribió "Tomaré sándwiches" y "Bob tiene las bebidas", algo que la búsqueda de palabras omitiría.
La discusión fue en otro idioma.
tg personal search conversations "renting a flat" --chat "Valencia expats"Con el modelo predeterminado, este puede encontrar una discusión escrita en español sobre un "piso".
Restringido por persona y período. --filter utiliza el estricto lenguaje de consulta. Una conversación califica cuando al menos uno de sus mensajes coincide con todo el filtro. Su pregunta todavía coincide con el significado.
tg personal search conversations "budget for the trip" --filter 'from:"Alice Synthetic" date:30d'tg personal search conversations "contract terms" --filter 'has:file' --timezone Europe/MadridComienza desde un mensaje. Encontraste un mensaje con búsqueda de palabras y quieres todo lo demás sobre ese tema:
tg personal search messages '"deposit back" chat:"Valencia expats"'
tg personal conversations related "Valencia expats" 5120Busca también en los chats de tus bots. De forma predeterminada, la búsqueda de temas utiliza la cuenta activa. --source personal, bots, all o un nombre de messenger lo amplía; Luego, cada resultado dice de qué cuenta proviene.
tg personal search conversations "delivery delayed" --source allBusca mensajes nuevos antes de preguntar. --sync-first descarga los mensajes nuevos primero, dentro de los límites de chat, tiempo y mensajes de la búsqueda de mensajes.
tg personal search conversations "where do we meet" --chat "Book club" --sync-firstMantenlo actualizado
Los mensajes nuevos llegan a una conversación solo tras la siguiente construcción, y a un vector solo tras la siguiente vectorización.
tg personal conversations status # what is behind, chat by chat
tg personal conversations links rebuild # every chat that changed, and groups never built
tg personal conversations embed # every built chat with pieces left
tg personal search conversations "renting a flat" --catch-up # catch up first, then searchstatus cuenta, para cada chat creado, los mensajes que la compilación no ha visto (nuevos, editados, eliminados), las piezas cuyo vector está actual, obsoleto o faltante, y cuántos grupos nunca se crearon. Sin --chat, conversations links rebuild, embed y search conversations --catch-up aceptan como máximo 20 chats por ejecución (--max-chats) e incrustan como máximo 2000 piezas por ejecución (--max-chunks); ejecútelos nuevamente para continuar. Nunca descargan un modelo. --catch-up no se puede combinar con --filter o --source: primero cree e incruste los chats que desee.
Cuando las reglas cambian en una nueva versión, status y tg personal store check nombran los chats creados con las reglas anteriores; construirlos de nuevo.
Cuando se elimina un mensaje, su texto también abandona los vectores.
tg personal messages sync <chat> --catch-up también puede crear e incrustar un chat inmediatamente después de descargarlo (descargar el historial de un chat).
Deja que tu agente de IA enlace mensajes
Las reglas omiten enlaces que solo muestran el significado. Su propio agente de IA (por ejemplo Claude Code, Codex, Cursor o Gemini CLI) puede agregarlos:
tg skill show link-conversations # the agent's instructions
tg personal conversations batches status --chat "Book club" # how many messages and batches, how much textEl agente lee las instrucciones, te dice cuánto texto leerá y espera tu sí. Luego toma el chat por lotes a la vez (tg personal conversations batches show), decide qué mensaje anterior responde cada uno y guarda su respuesta (tg personal conversations links add). La siguiente versión los utiliza: las respuestas de Telegram vienen primero, luego los enlaces del agente y luego las reglas. tg personal conversations links clear --chat "Book club" descarta las respuestas del agente; construir de nuevo después. En este flujo de trabajo, tg en sí no llama a un modelo. El permiso de perfil conversations.links decide si se pueden guardar las respuestas.
tg también puede enviar los lotes a un servicio modelo. El habitual conversations links rebuild utiliza reglas y enlaces guardados; tg personal conversations links rebuild --chat <chat> --analyze envía lotes limitados a un punto final Anthropic o compatible con OpenAI configurado. Se requiere un --chat explícito. Antes del primer lote, muestra el volumen, el punto final y el límite del token, y solicita consentimiento. El consentimiento se recuerda para esa cuenta, chat y proveedor hasta que lo revoques. Los valores predeterminados son 50 mensajes por lote (--size) y como máximo 100.000 tokens reservados por ejecución (--max-tokens); --yes otorga consentimiento en scripts. tg personal conversations consents list enumera los consentimientos; consents revoke --chat <chat> los revoca. El análisis integrado funciona sólo desde la línea de comandos, no a través de MCP, y las claves nunca van al archivo de configuración.
Privacidad y coste
Por defecto nada sale de tu equipo. El modelo se ejecuta aquí, y un modelo solo se descarga cuando lo pides:
tg personal models list kind:text # the models, and which are downloaded
tg personal models download embeddinggemmaembeddinggemma es el predeterminado: lee más de 100 idiomas y encuentra más, pero está sujeto a los términos de uso de Gemma de Google. No hace falta ningún flag para descargarlo. --accept-terms se sigue aceptando, pero no hace nada. e5-small es más pequeño y unas siete veces más rápido, con licencia MIT. Un equipo que solo tiene e5-small lo sigue usando hasta que se descarga embeddinggemma. Elige un modelo con models set. Los vectores de dos modelos nunca se mezclan: busque con el modelo con el que incrustó. Un chat integrado solo con otro modelo se nombra en stderr.
En un portátil reciente, embeddinggemma vectoriza unos 8 fragmentos por segundo, y un grupo de 100 000 mensajes tarda alrededor de una hora y cuarto, una sola vez. e5-small vectoriza unos 30 por segundo y tarda algo más de 20 minutos. Las ejecuciones siguientes vectorizan solo lo que ha cambiado.
Un servicio puede calcular los vectores en su lugar, con tu propia clave:
tg personal models keys set openai
tg personal conversations embed --chat "Book club" --embedding-provider openai
tg personal search conversations "renting a flat" --embedding-provider openaiLuego el texto de las conversaciones del chat pasa a ese servicio, y cada búsqueda envía tu pregunta. Antes de enviar cualquier cosa, embed dice cuántas piezas, como máximo cuántos tokens y como máximo qué precio, y espera su sí (--yes en scripts; --max-tokens establece un límite). --base-url toma cualquier servidor con la API integrada de OpenAI, como Ollama o LM Studio en su propia computadora, con --model y --dims. tg personal models keys remove openai olvida la clave. La configuración de incrustación remota también se aplica a las búsquedas que su agente realiza en MCP, por lo que sus preguntas también se dirigen a ese servicio.
Próximo
- Búsqueda de mensajes: palabras exactas, personas, fechas y archivos.
- Cómo funciona la búsqueda: la parte técnica de las reglas, piezas, vectores y ranking.