X 在昨天公开了全部推荐算法，相比于我们都知道的高互动加分，还是有一些可以细看的地方。

它不是先给一条帖子一个固定总分，再把它推给所有人。它会面对每一位具体读者，判断“这个人看到这条帖后，最可能做什么”：点赞、回复、引用、转帖、私信分享、复制链接、关注作者，或者点“不感兴趣”、静音、拉黑、举报。模型预测出这些行为的概率，再按不同权重合成为排序分数。

这套算法到底怎样给帖子打分

可以先把它简化成一个公式：

帖子对某位读者的基础得分 = Σ（该读者采取某行为的预测概率 × 该行为权重）

之后，系统还会处理同一作者内容过多、帖子是否来自读者已关注的账号、内容是否适合展示等问题。换言之，一条帖子对 A 读者很有吸引力，对 B 读者未必有同样高的分数。

公开默认参数中：
复制链接分享的权重是 20，
远高于回复和引用的 5，
关注作者的 4，
普通分享的 2，
转帖的 1 ，
点赞的 0.5。
点击帖子是 0.4，
打开外链是 0.2，
图片展开与视频打开各是 0.05。

这组数字最容易被误读。图片不是“带上就固定加 0.05 分”，而是模型要先认为读者有可能展开图片，才会把“图片展开概率 × 0.05”计入总分。复制链接分享也不是一次等于二十个点赞；它只是一个较高权重、但通常发生概率较低的行为。算法看的始终是概率和权重的乘积。

因此，单纯追求点赞并不是最优策略。一条值得读者转给同事、朋友或同行的内容，或者一条让读者有充分理由写下补充、反驳和引用的内容，才更符合这套排序目标。这里的“应该”是内容策略判断，但它直接来自系统对分享、回复和引用赋予的权重。

除了基础得分，算法还透露了几个容易被忽略的现实。对于同一次候选排序，同一作者的第一条帖子正常参与竞争，后续帖子会有作者多样性衰减：默认每多一条乘以 0.5，最低到 0.25。来自读者未关注账号的内容，默认还有 0.75 的站外推荐系数；未关注账号的回复和转帖会更不利，部分甚至在排序前就被过滤。

这解释了一个很常见的现象：短时间连发五条同主题帖子，并不会把曝光简单乘以五。真正值得押注的是一条完整、独立、能被陌生人立即理解的原创主帖。这个结论是对公开规则的内容层推断，而不是一条额外的系统参数。

为什么“有用”比“热闹”更重要

如果目标是让读者复制链接或私信分享，那么最有效的内容通常不是泛泛的态度，而是一个可以带走的东西：一个判断、一个案例、一个框架、一张清单，或者一个明确的决策建议。

这不是因为算法识别出“清单”二字就额外加分。它只是因为一张好清单比一句空泛感慨更容易被转给某个具体的人；一个带证据的反常识结论也比模糊鸡汤更容易被引用和讨论。换句话说，内容形式不是分数，读者的行为才是分数；内容形式只是在提高那些正向行为发生的可能性。

例如，下面两句话表达的主题几乎一样：

AI 会改变内容行业。

我复盘了 30 个 AI 内容团队，模型能力不重要，把选题、素材、审核拆成三个独立环节才重要。

第二句没有任何来自算法的“数据奖励”。但它给出了对象、样本和可讨论的判断。真正做过内容团队管理的人，可以补充案例、提出反例，或者把它转给负责流程的人；这正是回复、引用和分享更可能发生的条件。

一条高曝光帖最好在第一句话就完成这种定位：它说给谁听，提出了什么具体判断，读者为什么要继续读。正文不必很长，但应交付足够的信息，让读者在不离开 X 的前提下就能获得价值。链接可以作为证据或延伸材料，但公开默认参数并没有显示“发外链就直接降权”；更稳妥的写法是先在正文交付核心答案，再让链接承担出处和细节。

结尾也应服务于真实讨论，而不是索取互动。“大家怎么看？”很容易产生空泛回复；“做过 B2B AI 产品的人，见过最有效的第二步激活动作是什么？”则给了正确的人一个明确的回答入口。回复和引用权重各为 5 是公开事实；窄问题比泛问题更容易带来高质量互动，则是写作判断。

图片、视频、链接，到底该不该用

图片、视频和链接都是表达手段，不是算法护身符。

图片展开和视频打开的默认权重都只有 0.05。如果图表能把一个增长趋势、实验结果或前后对比变得一眼可懂，它值得使用；如果只是给文字配一张无关的视觉素材，它不会自然获得更高分。视频也是同样的逻辑：演示、过程、对比和现场感可以帮助内容被理解，但没有证据表明“只要发视频就有曝光加成”。

外链打开权重为 0.2，公开代码也没有写“外链惩罚”。因此，不需要为了规避所谓链接降权而把链接藏起来。更重要的是，不要把帖子的全部价值留在链接后面。一个读者在正文中就能获得结论、愿意分享或讨论，链接才会成为加深信任的补充，而不是阅读门槛。

哪些行为会拉低分数

公开默认权重对负反馈很严厉：不感兴趣是 -43.2，拉黑作者是 -31.2，静音作者是 -58.8，举报是 -234。 这些也同样是预测概率，不是发生一次就按固定数值扣分；但它们说明，算法宁愿少推一条，也不愿大量推送读者明显反感的内容。

这会带来几个很实际的写作后果。标题承诺了惊人结论，正文却不给证据或答案，容易使读者感到被误导；为了制造情绪而攻击人、硬蹭无关热点，可能带来短暂讨论，却也更可能诱发不感兴趣、静音和举报。把一条内容拆成一连串没有独立价值的帖子，也会受到作者多样性衰减的影响。

这些“标题党会减分”“为争议而争议会伤害长期曝光”并不是源码中的逐字规则，而是对负反馈权重和多样性机制的合理推断。它们的价值在于帮助你判断什么不值得赌，而不是把写作变成机械避雷。

有些情况不是扣分，而是直接失去陌生人曝光

排序之外，还有可见性过滤。公开规则显示，带有垃圾内容、恶意链接、色情或露骨内容、血腥暴力、仇恨或严重辱骂等安全标签的帖子，可能在推荐给未关注者时被直接移除；账号被标记为冒充、失窃、受限或高风险，也可能被移除。读者已经拉黑或静音作者，同样会使内容无法进入其推荐流。

这和“少几个点赞”不是一回事。前者是把帖子的候选资格直接拿掉。仓库还明确说明，有一部分反垃圾规则没有公开，因此不要把公开代码当成规避检测的说明书。刷量、买粉、互赞互转群、自动化操纵互动等非真实增长行为不应该尝试；公开代码并没有、也不应被用来反推出何种操作会触发什么标签。

还有一类不是安全处罚，但同样会限制传播：候选流程会移除超过 48 小时的帖子。 一条内容没有在初始窗口获得足够的匹配，并不意味着它毫无价值；但它不适合指望几天后重新进入 For You 大范围推荐。必要时，把新的进展、数据或判断写成新的原创帖，而不是原样重发旧帖。

那么，一条好帖子可以怎样写

最好的写法不是套一个“爆款公式”，而是在一条独立主帖里完成四件事：先给出具体结论，再给出足够的理由，接着交付一个读者可以带走的做法，最后留出一个值得特定人回答的问题。

例如：

我复盘了 30 个 AI 产品发布帖，发现最能带来传播的不是“功能很强”，而是“替谁省掉了哪一步”。

“我们支持 Agent 工作流”很难被转发。

“销售团队用它把客户调研从 2 小时缩到 12 分钟”更容易被转给同事。

好产品文案不是描述能力，而是描述一个角色失去的麻烦。

你见过哪个产品，最擅长把抽象能力翻译成具体收益？

这个例子没有保证曝光，因为算法还取决于具体读者、账号历史、候选竞争和实验配置。但它具备了与公开目标相符的内容特征：它是独立原创帖；第一句就给结论；中间提供可转述的框架；结尾邀请的是具体经验而不是空泛点赞。

真正可持续的策略并不是追逐一次爆款，而是反复给同一类人提供值得转述的判断。公开算法按读者个性化预测行为；稳定的主题、真实的价值和健康的互动，会让系统更有机会把下一条内容放到真正愿意回复、引用和分享的人面前。

欢迎加入币营 Coincamps官方社群：

X 官方账号：https://x.com/coincamps

Telegram 订阅群：https://t.me/coin_camps