X 在昨天公開了全部推薦算法，相比於我們都知道的高互動加分，還是有一些可以細看的地方。

它不是先給一條帖子一個固定總分，再把它推給所有人。它會面對每一位具體讀者，判斷「這個人看到這條帖後，最可能做什麼」：點贊、回覆、引用、轉帖、私訊分享、複製鏈接、關注作者，或者點「不感興趣」、靜音、拉黑、舉報。模型預測出這些行為的機率，再按不同權重合成為排序分數。

這套算法到底怎麼給帖子打分

可以先把它簡化成一個公式：

帖子對某位讀者的基礎得分 = Σ（該讀者採取某行為的預測機率 × 該行為權重）

之後，系統還會處理同一作者內容過多、帖子是否來自讀者已關注的帳號、內容是否適合展示等問題。換言之，一條帖子對 A 讀者很有吸引力，對 B 讀者未必有同樣高的分數。

公開默認參數中：
複製鏈接分享的權重是 20，
遠高於回覆和引用的 5，
關注作者的 4，
普通分享的 2，
轉帖的 1 ，
點贊的 0.5。
點擊帖子是 0.4，
打開外鏈是 0.2，
圖片展開與視頻打開各是 0.05。

這組數字最容易被誤讀。圖片不是「帶上就固定加 0.05 分」，而是模型要先認為讀者有可能展開圖片，才會把「圖片展開機率 × 0.05」計入總分。複製鏈接分享也不是一次等於二十個點贊；它只是一個較高權重、但通常發生機率較低的行為。算法看的始終是機率和權重的乘積。

因此，單純追求點贊並不是最優策略。一條值得讀者轉給同事、朋友或同行的內容，或者一條讓讀者有充分理由寫下補充、反駁和引用的內容，才更符合這套排序目標。這裡的「應該」是內容策略判斷，但它直接來自系統對分享、回覆和引用賦予的權重。

除了基礎得分，算法還透露了幾個容易被忽略的現實。對於同一次候選排序，同一作者的第一條帖子正常參與競爭，後續帖子會有作者多樣性衰減：默認每多一條乘以 0.5，最低到 0.25。來自讀者未關注帳號的內容，默認還有 0.75 的站外推薦係數；未關注帳號的回覆和轉帖會更不利，部分甚至在排序前就被過濾。

這解釋了一個很常見的現象：短時間連發五條同主題帖子，並不會把曝光簡單乘以五。真正值得押注的是一條完整、獨立、能被陌生人立即理解的原創主帖。這個結論是對公開規則的內容層推斷，而不是一條額外的系統參數。

為什麼「有用」比「熱鬧」更重要

如果目標是讓讀者複製連結或私訊分享，那麼最有效的內容通常不是泛泛的態度，而是一個可以帶走的東西：一個判斷、一個案例、一個框架、一張清單，或者一個明確的決策建議。

這不是因為演算法識別出「清單」二字就額外加分。它只是因為一張好清單比一句空泛感慨更容易被轉給某個具體的人；一個帶證據的反常識結論也比模糊雞湯更容易被引用和討論。換句話說，內容形式不是分數，讀者的行為才是分數；內容形式只是在提高那些正向行為發生的可能性。

例如，下面兩句話表達的主題幾乎一樣：

AI 會改變內容行業。

我複盤了 30 個 AI 內容團隊，模型能力不重要，把選題、素材、審核拆成三個獨立環節才重要。

第二句沒有任何來自演算法的「數據獎勵」。但它給出了對象、樣本和可討論的判斷。真正做過內容團隊管理的人，可以補充案例、提出反例，或者把它轉給負責流程的人；這正是回覆、引用和分享更可能發生的條件。

一條高曝光帖最好在第一句話就完成這種定位：它說給誰聽，提出了什麼具體判斷，讀者為什麼要繼續讀。正文不必很長，但應交付足夠的資訊，讓讀者在不離開 X 的前提下就能獲得價值。連結可以作為證據或延伸材料，但公開默認參數並沒有顯示「發外鏈就直接降權」；更穩妥的寫法是先在正文交付核心答案，再讓連結承擔出處和細節。

結尾也應服務於真實討論，而不是索取互動。「大家怎麼看？」很容易產生空泛回覆；「做過 B2B AI 產品的人，見過最有效的第二步激活動作是什麼？」則給了正確的人一個明確的回答入口。回覆和引用權重各為 5 是公開事實；窄問題比泛問題更容易帶來高品質互動，則是文章判斷。

圖片、影片、連結，到底該不該用

圖片、視訊和連結都是表達手段，不是演算法護身符。

圖片展開和視訊開啟的預設權重都只有 0.05。如果圖表能夠使增長趨勢、實驗結果或前後對比變得一目瞭然，它值得使用；如果只是給文字配一張無關的視覺素材，它不會自然獲得更高分。視訊也是同樣的邏輯：演示、過程、對比和現場感可以幫助內容被理解，但沒有證據表明「只要發視訊就有曝光加成」。

外部連結開啟權重為 0.2，公開程式碼也沒有寫「外部連結懲罰」。因此，不需要為了規避所謂的連結降權而把連結藏起來。更重要的是，不要把帖子的全部價值留在連結後面。讀者在正文中就能獲得結論、願意分享或討論，連結才會成為加深信任的補充，而不是閱讀門檻。

哪些行為會拉低分數

公開預設權重對負反饋很嚴厲：不感興趣是 -43.2，拉黑作者是 -31.2，靜音作者是 -58.8，舉報是 -234。 這些也同樣是預測機率，不是發生一次就按固定數值扣分；但它們說明，演算法寧願少推一條，也不願大量推送讀者明顯反感的內容。

這會帶來幾個很實際的寫作後果。標題承諾了驚人結論，正文卻不給證據或答案，容易使讀者感到被誤導；為了製造情緒而攻擊人、硬蹭無關熱點，可能帶來短暫討論，卻也更可能誘發不感興趣、靜音和舉報。把一條內容拆成一連串沒有獨立價值的帖子，也會受到作者多樣性衰減的影響。

這些「標題黨會減分」「為爭議而爭議會傷害長期曝光」並不是源碼中的逐字規則，而是對負反饋權重和多樣性機制的合理推斷。它們的價值在於幫助你判斷什麼不值得賭，而不是把寫作變成機械避雷。

有些情況不是扣分，而是直接失去陌生人曝光

排序之外，還有可見性過濾。公開規則顯示，帶有垃圾內容、惡意連結、色情或露骨內容、血腥暴力、仇恨或嚴重辱罵等安全標籤的帖子，可能在推薦給未關注者時被直接移除；帳號被標記為冒充、失竊、受限或高風險，也可能被移除。讀者已經拉黑或靜音作者，同樣會使內容無法進入其推薦流。

這和「少幾個讚」不是一回事。前者是把帖子的候選資格直接拿掉。倉庫還明確說明，有一部分反垃圾規則沒有公開，因此不要把公開代碼當成規避檢測的說明書。刷量、買粉、互讚互轉群、自動化操縱互動等非真實增長行為不應該嘗試；公開代碼並沒有、也不應被用來反推出何種操作會觸發什麼標籤。

還有一類不是安全處罰，但同樣會限制傳播：候選流程會移除超過 48 小時的貼文。 一條內容沒有在初始視窗獲得足夠的匹配，並不意味著它毫無價值；但它不適合指望幾天後重新進入 For You 大範圍推薦。必要時，把新的進展、數據或判斷寫成新的原創貼文，而不是原樣重發舊貼文。

那麼，一條好貼文可以怎樣寫

最好的寫法不是套一個「爆款公式」，而是在一條獨立主貼文裡完成四件事：先給出具體結論，再給出足夠的理由，接著交付一個讀者可以帶走的做法，最後留出一個值得特定人回答的問題。

例如：

我複盤了 30 個 AI 產品發布貼文，發現最能帶來傳播的不是「功能很強」，而是「替誰省掉了哪一步」。

「我們支持 Agent 工作流」很難被轉發。

「銷售團隊用它把客戶調研從 2 小時縮到 12 分鐘」更容易被轉給同事。

好產品文案不是描述能力，而是描述一個角色失去的麻煩。

你見過哪個產品，最擅長把抽象能力翻譯成具體收益？

這個例子沒有保證曝光，因為算法還取決於具體讀者、帳號歷史、候選競爭和實驗配置。但它具備了與公開目標相符的內容特徵：它是獨立原創貼文；第一句就給結論；中間提供可轉述的框架；結尾邀請的是具體經驗而不是空泛點贊。

真正可持續的策略並不是追逐一次爆款，而是反復給同一類人提供值得轉述的判斷。公開算法按讀者個性化預測行為；穩定的主題、真實的價值和健康的互動，會讓系統更有機會把下一條內容放到真正願意回覆、引用和分享的人面前。

原文連結

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。