馬斯克今（20）日遵照承諾，將 X 平台的推薦演算法程式碼「Phoenix」公開上傳至 GitHub。這篇文章我們會用最白話X演算法的方式，幫助各平台小編們理解：X 到底是怎麼決定哪些貼文能被更多人看到的？
演算法的核心概念：兩個池子
首先要先了解的是：X「為你推薦」的動態牆，內容來自兩個池子：
池子 1：In-Network（圈內內容）
- 定義：你追蹤的帳號發的貼文
- 技術名稱：Thunder 系統
- 特色：即時、低延遲，幾乎是發文後立刻可被推送
池子 2：Out-of-Network（圈外內容）
- 定義：你沒有追蹤，但演算法認為你會喜歡的貼文
- 技術名稱：Phoenix 系統
- 特色：透過 AI 從全球貼文庫中挖掘相關內容
重點：你的內容不只會被粉絲看到，還可能被推薦給「可能會喜歡你內容」的陌生人！這是突破同溫層的關鍵。二、演算法怎麼給貼文打分數？
這是最核心的部分。X 使用基於 Grok 的 AI 模型（沒錯，就是 xAI 那個 Grok）來預測每篇貼文的「互動概率」。
演算法預測的 14 種行為
| 行為類型 | 中文解釋 | 權重傾向 |
|---|---|---|
P(favorite) | 按讚的機率 |  正向 |
P(reply) | 回覆的機率 | 正向（高權重） |
P(repost) | 轉推的機率 | 正向（高權重） |
P(quote) | 引用推文的機率 | 正向（高權重） |
P(click) | 點擊展開的機率 | 正向 |
P(profile_click) | 點擊你的頭像/個人檔案 | 正向 |
P(video_view) | 看影片的機率 | 正向 |
P(photo_expand) | 點開圖片的機率 | 正向 |
P(share) | 分享的機率 | 正向（高權重） |
P(dwell) | 停留閱讀的時間 | 正向 |
P(follow_author) | 追蹤作者的機率 | 正向（高權重） |
P(not_interested) | 點「不感興趣」 |  負向 |
P(block_author) | 封鎖作者 | 負向（高權重） |
P(mute_author) | 靜音作者 | 負向 |
P(report) | 檢舉 | 負向（高權重） |
最終分數公式
最終分數 = Σ (權重 × 預測機率)，白話翻譯：
- 正向行為（讚、轉推、回覆、分享）的預測值越高 → 分數越高
- 負向行為（封鎖、靜音、檢舉）的預測值越高 → 分數大幅下降
演算法的 6 個處理階段
用戶打開 X↓① 查詢用戶資料（你的互動歷史、追蹤名單）↓② 候選內容來源（從 Thunder + Phoenix 拉內容）↓③ 內容擴充（補充貼文元資料、作者資訊）↓④ 前置過濾（移除不適合的內容）↓⑤ AI 評分（Grok 模型預測 + 權重計算）↓⑥ 排序選擇（分數最高的顯示在最上面）↓呈現給用戶
什麼內容會被過濾掉？
前置過濾（還沒評分就被刪除）
| 過濾器 | 作用 |
|---|---|
| 重複內容 | 同樣的內容只會出現一次 |
| 太舊的貼文 | 超過一定時間的貼文不會被推薦 |
| 自己的貼文 | 你不會在推薦流看到自己發的 |
| 被封鎖/靜音的帳號 | 你封鎖或靜音的人不會出現 |
| 靜音關鍵字 | 包含你設定靜音的詞彙 |
| 已看過的內容 | 已經看過的不會重複推 |
| 付費牆內容 | 你沒訂閱的付費內容 |
後置過濾（評完分後再過濾）
| 過濾器 | 作用 |
|---|---|
| 違規內容 | 垃圾訊息、暴力、色情等 |
| 對話重複 | 同一討論串不會推太多則 |
兩個關鍵設計理念
完全由 AI 決定，沒有「人工調參」
我們已經從系統中完全剔除了所有的人工設計特徵，以及大部分的啟發式算法。
X 聲稱他們移除了所有人工設計的特徵規則，完全依賴 Grok AI 從你的互動歷史中學習你喜歡什麼。
這代表什麼？
- 沒有「發文最佳時間」的硬規則
- 沒有「hashtag 數量」的硬規則
- 一切都是 AI 根據實際互動數據動態學習
作者多樣性機制
演算法內建「Author Diversity Scorer」，會降低同一作者連續出現的權重。
這代表什麼？
- 即使你的某篇很紅，也不會霸佔用戶的整個動態牆
- 給其他創作者曝光機會
- 小編發文「少量多餐」可能比「一次發很多」更有效
小編實戰攻略
根據以上演算法分析，以下是具體可執行的策略：
內容策略 1：追求「高價值互動」而非「表面數字」
| 互動類型 | 價值等級 | 小編的目標 |
|---|---|---|
| 轉推 + 引用 |  | 創造值得轉發的內容（乾貨、金句、爭議觀點） |
| 回覆 | | 提出問題、邀請討論、留下懸念 |
| 新追蹤 | | 持續提供價值，讓人想追蹤 |
| 分享 | | 製作容易分享到其他平台的內容 |
| 按讚 | | 基本盤，但不是最重要的 |
內容策略 2：增加「停留時間」
演算法會追蹤用戶在你貼文上停留多久。
怎麼做？
- 寫長一點的深度內容（但要有吸引人的開頭）
- 用 Thread 串文增加閱讀時間
- 影片長度適中，讓人看完
內容策略 3：避免「負面信號」
被封鎖、靜音、檢舉會大幅拉低你的分數。
怎麼避免？
- 不要洗版（作者多樣性機制會懲罰你）
- 不要發爭議性過高的仇恨內容
- 不要用誘導性標題讓人失望（點進去發現沒料）
- 不要大量 @不相關的人
內容策略 4：爭取「圈外曝光」
這是突破同溫層的關鍵，Phoenix 系統會根據「相似用戶的喜好」推薦你的內容給新受眾。
怎麼做？
- 在特定領域建立專業度（AI 會學習你的內容類型）
- 讓現有粉絲積極互動（互動數據會訓練 AI）
- 內容要有明確的主題標籤，方便 AI 分類
內容策略 5：把握「即時性」
Thunder 系統是即時的，新貼文會立刻被推送給追蹤者。
怎麼做？
- 觀察你的受眾活躍時間
- 即時事件發生時快速發文（AI 會學習時效性內容的價值）
- 剛發文的前幾小時互動最關鍵
內容策略 6：創造「促進追蹤」的內容
P(follow_author) 是高權重指標！
怎麼做？
- 系列內容：讓人想追蹤看後續
- 展現獨特觀點：讓人覺得「這個人值得追」
- 固定內容節奏：讓人知道追蹤你會得到什麼
常見迷思破解
迷思 1：「發文有最佳時間」
真相：演算法沒有硬性的「最佳時間」規則，是 AI 根據你的受眾行為動態決定的。
迷思 2：「Hashtag 越多越好」
真相：演算法文件中完全沒提到 hashtag 權重，重點是內容本身能否引發互動。
迷思 3：「買粉絲/互動可以騙過演算法」
真相：AI 會預測「這個用戶會不會對這篇內容有正向互動」，假粉絲不會有真實互動，反而可能產生負面信號。
迷思 4：「按讚數是最重要的」
真相：轉推、引用、回覆、新追蹤的權重都比按讚高。
演算法的核心邏輯總結
X 演算法的本質：
「預測用戶會對什麼內容產生正向互動，然後推薦這些內容」
小編的核心任務：
「創造能引發真實、高價值互動的內容」
所以不要想著「怎麼騙過演算法」，而要想「怎麼創造真正讓人想互動的內容」因為演算法就是在預測和獎勵真實互動。
