kkdemian | 2026 年 2 月 12 日
马斯克兑现承诺，开源了 X 平台（原 Twitter）的核心推荐算法。这不仅是透明度的胜利，更是内容创作者的金矿——我们终于可以从算法层面理解“什么样的推特会被推荐”。
基于 X 开源的 Phoenix 推荐系统代码和腾讯广告技术团队的深度解析，本文将为你提供一份算法驱动的推特写作指南，帮助你最大化内容曝光和用户互动。
一、理解 X 推荐算法的核心逻辑
1.1 算法架构概览
X 的“For You”推荐系统（代号：Home Mixer）采用经典的召回-排序-过滤三阶段架构：
阶段 1：候选召回（Candidate Sourcing）
Thunder（In-Network）：从你关注的账号中拉取帖子
Phoenix Retrieval（Out-of-Network）：从全局帖子中基于相似度检索
阶段 2：精排打分（Scoring）
Phoenix Scorer：基于 Grok 的 Transformer 模型，预测 19 种用户行为概率
Weighted Scorer：多目标加权融合，得到最终分数
Author Diversity Scorer：作者多样性调整
阶段 3：过滤与选择（Filtering & Selection）
前过滤：去重、时效性、屏蔽词
后过滤：已读、spam、暴力内容
1.2 算法的核心评分维度
Phoenix Scorer 预测 19 种用户行为，并通过加权求和得到最终排序分数：
正向行为（提升排名）：
❤️ Like（点赞）：最基础的互动信号
🔁 Repost（转发）：强互动信号，权重高
💬 Reply（回复）：深度互动，权重极高
🔗 Click（点击）：内容吸引力指标
📤 Share（分享）：站外传播信号
负向行为（降低排名）：
🚫 Block（屏蔽）：强负反馈
🔇 Mute（静音）：中度负反馈
🚩 Report（举报）：严重负反馈
关键洞察：算法不是简单计算“点赞数”，而是预测“这条推特被特定用户点赞的概率”。这意味着：
内容需要针对目标受众优化
通用性内容不如垂直领域深度内容
用户历史行为决定了你的内容是否会被推荐给他
二、算法友好的推特写作原则
2.1 核心原则：最大化“预测互动概率”
基于算法的多目标预测机制，你的推特需要在以下维度优化：
原则 1：触发高价值互动（Reply > Repost > Like）
算法对不同互动的权重不同。根据 Weighted Scorer 的设计：
Reply（回复）权重最高：因为回复代表深度参与
Repost（转发）权重次之：代表内容传播价值
Like（点赞）权重较低：门槛低，信号弱
实战策略：
✅ 设计开放式问题：结尾用“你怎么看？”、“你遇到过吗？”引导回复
✅ 制造争议但不极端：温和的观点碰撞比一边倒更能引发讨论
✅ 提供可转发的价值：数据、洞察、工具推荐等“值得分享”的内容
❌ 避免纯陈述句：没有互动钩子的内容很难获得高分
示例对比：
❌ 低互动版本：
“以太坊今天涨了 5%。”
✅ 高互动版本：
“以太坊今天涨了 5%，但链上活跃地址却下降了 12%。
这是机构在吸筹，还是散户在接盘？
数据来源：【链接】
你的判断是什么？👇“
为什么有效：
提供了数据（可转发价值）
制造了认知冲突（引发思考）
明确的互动召唤（“你的判断是什么”）
原则 2：避免负向信号（Block/Mute/Report）
算法会严厉惩罚触发负反馈的内容。以下行为会导致你的推特被降权：
内容层面：
❌ 过度营销/spam 特征（大量 emoji、全大写、重复文本）
❌ 政治极端言论（即使你的粉丝支持，也会被非粉丝举报）
❌ 攻击性语言（人身攻击、歧视性言论）
❌ 误导性信息（未经证实的数据、夸大的标题）
行为层面：
❌ 短时间内发布大量相似内容
❌ 在热门推特下刷屏式回复
❌ 使用自动化工具批量互动
实战策略：
✅ 数据引用必须有来源：避免“听说”、“据传”等模糊表述
✅ 观点表达留有余地：用“我认为”、“数据显示”而非“肯定是”
✅ 争议话题加免责声明：如“本文不构成投资建议”
✅ 定期检查 Twitter Analytics：查看哪些推特触发了负反馈
原则 3：优化用户塔的“行为序列匹配”
X 的召回模型是双塔结构：
用户塔：输入是【用户特征 + 用户最近 32 条行为序列】
内容塔：输入是【帖子 ID + 作者 ID】
算法通过 Causal Attention 机制，让用户的历史行为影响推荐。这意味着：
你的推特会被推荐给“历史行为与你内容相似”的用户
实战策略：
垂直化内容定位
❌ 今天写加密货币，明天写健身，后天写美食
✅ 持续输出同一领域的内容（如“链上数据分析”）
原因：算法会将你标记为特定领域的作者，推荐给该领域的活跃用户
模仿头部账号的内容结构
分析你领域内 Top 10 账号的推特结构
学习他们的开头、数据呈现、互动设计
原因：用户如果经常互动头部账号，算法会推荐结构相似的内容
利用“作者 ID”的权重
内容塔的输入是【帖子 ID + 作者 ID】
这意味着“谁发的”与“发了什么”同等重要
策略：建立个人品牌，让用户记住你的账号名
案例分析：
假设用户 A 的最近 32 条行为是：
点赞了 10 条关于“以太坊质押”的推特
转发了 3 条关于“DeFi 收益策略”的推特
回复了 5 条关于“链上数据分析”的推特
当你发布一条关于“以太坊质押收益优化”的推特时，算法会：
通过用户塔识别出用户 A 对“以太坊质押”感兴趣
通过内容塔提取你的推特特征
计算相似度（dot product after L2 normalization）
如果相似度高，你的推特会出现在用户 A 的“For You”
2.2 内容结构优化：符合 Transformer 的“注意力机制”
X 的排序模型是 Decoder-Only Transformer + Candidate Isolation，这个架构有特定的偏好：
优化点 1：前置关键信息（Causal Attention 的特性）
Transformer 使用 Causal Attention，每个位置只能看到自己和之前的信息。这意味着：
推特的前几个词对整体 embedding 的影响最大
算法在处理长推特时，早期信息的权重更高
实战策略：
✅ 核心观点前置：第一句话就说重点
✅ 数据前置：“+453%”、“$10M”等数字放在开头
✅ 悬念前置：用反常识的陈述吸引注意力
示例对比：
❌ 低效结构：
“最近我在研究链上数据，发现了一个有趣的现象。经过两周的分析，我注意到以太坊的 Gas 费用在凌晨 2-4 点会下降 60%。这对于需要频繁交易的用户来说是个省钱的好机会。”
✅ 高效结构：
“以太坊 Gas 费凌晨 2-4 点暴降 60% 💰
分析了 2 周链上数据，发现了这个省钱窗口。
如果你需要：
铸造 NFT
大额转账
合约交互
设个闹钟，能省几百刀。
数据来源：【链接】“
为什么有效：
第一句话就是核心价值（“暴降 60%”）
数字前置（“60%”、“2 周”）
结构化呈现（bullet points）
明确的行动召唤
优化点 2：利用“Candidate Isolation”机制
排序模型对候选帖子使用 Candidate Isolation：
候选帖子之间不能互相 attention
每个候选只能看到用户特征和用户行为序列
这意味着什么？
你的推特不会因为“同批次推荐的其他推特质量高”而被比下去。算法是独立评估每条推特，而非相对排序。
实战策略：
✅ 不要担心“热点已经被写烂了”：即使 100 个人写了同一话题，你的推特仍会被独立评分
✅ 专注于“你的推特 vs 用户历史行为”的匹配度：而非“你的推特 vs 其他推特”
✅ 差异化角度比速度更重要：晚几小时发，但提供独特视角，仍能获得高分
2.3 时间策略：利用“Thunder”的时效性机制
X 的召回系统有两个候选池：
Thunder（In-Network）：内存存储，实时更新，自动删除过期帖子
Phoenix Retrieval（Out-of-Network）：基于相似度检索，时效性较弱
关键洞察：
In-Network 推荐有强时效性，新推特会快速曝光给粉丝
Out-of-Network 推荐依赖内容质量，可以持续获得长尾流量
实战策略：
针对粉丝的推特：抓住发布后的“黄金 2 小时”
在粉丝活跃时段发布（通过 Twitter Analytics 查看）
发布后立即与前几条回复互动（提升初始互动率）
如果 2 小时内互动低迷，考虑删除重发
针对全局的推特：优化长尾价值
使用常青话题（“如何”、“指南”、“数据分析”）
添加可搜索的关键词（但不要堆砌 hashtag）
提供可持续引用的价值（工具、数据、框架）
Thread（推特串）的时间策略
第一条推特决定了整个 Thread 的曝光
在第一条发布后 10-15 分钟内完成整个 Thread
原因：算法会将 Thread 视为单个内容单元进行评分
三、高级技巧：逆向工程算法偏好
3.1 利用“Multi-Hash Embedding”机制
X 的模型使用 Multi-Hash Embedding 来处理用户 ID、帖子 ID、作者 ID：
每个 ID 通过多个哈希函数映射到 embedding table
多个 embedding 拼接后，通过可学习的投影矩阵降维
这意味着什么？
算法不是简单记忆“用户 A 喜欢作者 B”
而是学习“用户 A 的行为模式”与“作者 B 的内容模式”的匹配
实战策略：
建立内容“指纹”
持续使用特定的术语、数据源、分析框架
让算法学习到你的内容模式
示例：如果你总是引用 Dune Analytics 的数据，算法会将你标记为“链上数据分析”类作者
避免“哈希冲突”式的内容
不要模仿多个不同风格的账号
保持一致的语气、结构、视觉风格
原因：内容风格跳跃会导致 embedding 不稳定，影响推荐
3.2 优化“19 种行为预测”的权重分布
算法预测 19 种行为，但权重未公开。我们可以通过逆向推理：
高权重行为（推测）：
Reply（回复）：深度互动，权重可能是 Like 的 5-10 倍
Repost with Comment（带评论转发）：结合了转发和回复的价值
Click + Dwell Time（点击+停留时间）：内容质量的强信号
Share to DM（私信分享）：站内传播的强信号
中等权重行为：
5. Repost（纯转发）
6. Bookmark（收藏）
7. Follow Author（关注作者）
低权重行为：
8. Like（点赞）
9. Click（纯点击，无停留）
实战策略：
设计“Reply Magnet”（回复磁铁）
在推特中嵌入填空题：“我的策略是____”
提供多个选项：“A 还是 B？投票在回复里👇”
制造认知缺口：“大多数人不知道的是____（回复你的答案）”
优化“Repost with Comment”
提供可引用的金句（简短、有力、可独立传播）
使用数据可视化（图表比文字更易转发）
留白：不要把话说满，让转发者有补充空间
提升“Dwell Time”
使用 Thread 而非单条推特（增加阅读时间）
嵌入外部链接（但要确保内容质量，避免跳出后不回来）
视觉元素：图片、图表、视频（增加停留时间）
3.3 作者多样性与“OON Score”的博弈
算法有两个机制会影响你的曝光：
Author Diversity Scorer：避免用户的 Feed 被单一作者刷屏
OON Score：对 Out-of-Network 的帖子进行分值调整
实战策略：
控制发布频率
❌ 不要在 1 小时内发布 5 条推特（会被 Author Diversity 降权）
✅ 分散到全天（每 2-3 小时一条）
✅ 使用 Thread 代替连续发布（Thread 被视为单个内容单元）
优化 Out-of-Network 曝光
使用行业通用术语（而非小圈子黑话）
引用知名账号（但不要 @，避免被视为 spam）
提供“新手友好”的解释（降低理解门槛）
四、内容类型的算法适配指南
4.1 数据驱动型推特
算法偏好：高 Click、高 Repost、中等 Reply
最佳实践：
结构模板：[震撼数据] + [简短解读] + [数据来源] + [互动钩子] 示例："比特币持有超过1年的地址占比达到历史新高：78.3% 📊 这是2019年以来的最高水平。 历史规律：• 2016年达到75% → 6个月后牛市启动• 2020年达到76% → 3个月后突破ATH 数据：Glassnode 这次会重复历史吗？👇"
为什么有效：
数据前置（“78.3%”立即抓住注意力）
提供历史对比（增加可转发价值）
明确来源（避免被举报为误导信息）
开放式问题（引导回复）
4.2 观点/洞察型推特
算法偏好：高 Reply、中等 Repost、低 Click
最佳实践：
结构模板：[反常识观点] + [论据1-3] + [承认局限] + [征求反馈] 示例："不受欢迎的观点：以太坊的'机构采用'可能是长期利空 🧵 理由：1. 机构要求合规性 → 协议层妥协 → 抗审查性削弱2. 大型质押服务商集中度 → 去中心化倒退3. RWA涌入 → 传统金融风险传导到链上 我可能错了，但这是值得讨论的风险。 你怎么看？"
为什么有效：
“不受欢迎的观点”制造争议（提升 Reply）
结构化论据（便于反驳或支持）
“我可能错了”降低攻击性（减少 Block/Report）
直接征求反馈
4.3 教程/指南型推特
算法偏好：高 Bookmark、高 Click、中等 Repost
最佳实践：
结构模板：[痛点] + [解决方案预告] + [分步指南] + [工具/资源] 示例："Gas费又吃掉了你30%的利润？ 这里是5个省Gas的实战技巧（亲测有效）🧵 1⃣ 时间优化凌晨2-4点交易，Gas降60%工具：https://ethereumprice.org/gas/ 2⃣ 批量操作用Disperse.app一次发送给多个地址节省：70% Gas 3⃣ L2迁移Arbitrum/Optimism费用仅为主网的1/10教程：[链接] 4⃣ Gas Token提前购买CHI/GST2，高峰期使用风险：需要学习成本 5⃣ 智能合约优化如果你是开发者，用Solidity 0.8+优化：内联函数、打包变量 收藏这条推特，下次交易前看一眼 🔖"
为什么有效：
痛点前置（“Gas 费吃掉 30% 利润”引发共鸣）
数字化承诺（“5 个技巧”）
可操作性强（每条都有工具/链接）
明确召唤收藏（提升 Bookmark）
4.4 Thread（推特串）的算法优化
算法特性：
Thread 的第一条推特决定整体曝光
算法会计算 Thread 的“完成率”（有多少人读到最后）
高完成率的 Thread 会获得额外加权
最佳实践：
第一条推特是“预告片”
"我花了3个月分析100个失败的DeFi项目。 发现了5个致命模式，90%的项目都踩了至少3个。 这是完整复盘 🧵👇(1/12)"
中间保持节奏
每条推特 2-3 句话（避免过长导致跳出）
使用 emoji 作为视觉分隔符
每 3-4 条插入一个小结
最后一条是“行动召唤”
"(12/12) 如果这个Thread对你有帮助： ❤️ 点赞第一条推特（让更多人看到）🔁 转发给需要的朋友💬 回复你踩过的坑 关注 @YourHandle 获取更多链上数据分析"
五、避坑指南：算法惩罚机制
5.1 前过滤陷阱
以下内容会在召回阶段就被过滤，永远不会进入排序：
❌ 重复内容
不要复制粘贴自己的旧推特
不要在多条推特中使用相同的文本
❌ 过期内容
算法会自动删除“老帖子”（具体时间阈值未公开，推测为 7-14 天）
常青内容需要定期“刷新”（重新发布，而非转发）
❌ 屏蔽词触发
避免敏感政治词汇
避免成人内容暗示
避免金融诈骗常用术语（“保证收益”、“稳赚不赔”）
5.2 后过滤陷阱
即使通过了排序，以下情况仍会被过滤：
❌ 已读过滤
用户已经看过的推特不会再次推荐
策略：不要期待单条推特“二次爆发”，专注于新内容
❌ 同 Session 曝光过滤
用户在同一次浏览中不会看到你的多条推特
策略：控制发布频率，避免“刷屏”
❌ Spam 识别
短时间内大量 @其他用户
使用自动化工具批量互动
推特中包含大量外部链接
5.3 负反馈的“死亡螺旋”
一旦你的推特触发大量负反馈（Block/Mute/Report），算法会：
降低该条推特的曝光
降低你账号的整体权重（影响未来所有推特）
可能触发人工审核
如何避免：
定期检查 Twitter Analytics 的“负反馈”指标
如果某条推特负反馈率高，立即删除
避免在争议话题上使用攻击性语言
六、工具与监控：数据驱动的优化
6.1 必备工具
Twitter Analytics（官方）
查看每条推特的曝光、互动、负反馈
识别最佳发布时间
追踪粉丝增长来源
Typefully（第三方）
推特写作与排期工具
A/B 测试不同版本
自动 Thread 展开
Tweet Hunter（第三方）
分析竞争对手的高互动推特
提供内容灵感
自动化互动（谨慎使用，避免被识别为 spam）
Dune Analytics（数据来源）
如果你写加密货币内容，Dune 是最佳数据源
创建自定义 Dashboard，定期更新数据
6.2 监控指标
核心指标（按优先级排序）：
Reply Rate（回复率）
计算：回复数 / 曝光数
目标：>0.5%（即每 1000 曝光有 5 个回复）
Repost Rate（转发率）
计算：转发数 / 曝光数
目标：>0.3%
Engagement Rate（总互动率）
计算：（点赞+转发+回复） / 曝光数
目标：>3%
Negative Feedback Rate（负反馈率）
计算：(Block+Mute+Report) / 曝光数
目标：<0.01%（即每 10000 曝光少于 1 个负反馈）
次级指标：
Follower Conversion Rate
计算：新增关注 / 曝光数（Out-of-Network）
目标：>0.1%
Thread Completion Rate
计算：读到最后一条的用户 / 点击第一条的用户
目标：>40%
6.3 A/B 测试框架
测试变量：
发布时间（早上 8 点 vs 晚上 8 点）
开头风格（数据前置 vs 悬念前置）
长度（单条 vs Thread）
视觉元素（纯文字 vs 图片 vs 图表）
测试方法：
选择 2 个相似的话题
使用不同的结构/风格
在相同时间段发布
对比互动率
示例：
测试 A（数据前置）：
“以太坊 Gas 费凌晨 2-4 点暴降 60% 💰
【后续内容】“
测试 B（悬念前置）：
“我发现了一个每月能省几百刀 Gas 费的窗口 💰
【后续内容】“
对比结果：
如果 A 的 Reply Rate 更高 → 你的受众偏好数据驱动
如果 B 的 Click Rate 更高 → 你的受众偏好悬念式
七、长期策略：建立算法友好的个人品牌
7.1 内容矩阵设计
基于算法的“用户行为序列匹配”机制，你需要建立可预测的内容模式：
每周内容配比（示例）：
40% 数据分析型（高转发）
30% 教程指南型（高收藏）
20% 观点洞察型（高回复）
10% 个人故事型（建立连接）
为什么有效：
算法会学习你的“内容指纹”
用户会形成“每周 X 看你的推特”的习惯
稳定的输出频率避免 Author Diversity 惩罚
7.2 粉丝质量 > 粉丝数量
算法的召回机制分为 In-Network 和 Out-of-Network:
In-Network：你的粉丝会优先看到你的推特
Out-of-Network：基于内容相似度推荐
关键洞察：
10000 个“僵尸粉”不如 1000 个活跃粉丝
粉丝的互动率直接影响你的 Out-of-Network 曝光
实战策略：
定期清理僵尸粉
使用工具识别长期不活跃的粉丝
软屏蔽（Soft Block）：屏蔽后立即解除，强制对方取关
培养“超级粉丝”
识别经常互动的用户
主动回复他们的评论
偶尔 @他们征求意见
避免“粉丝购买”
购买的粉丝互动率接近 0
会严重拉低你的整体互动率
算法可能识别并惩罚
7.3 跨平台协同
虽然 X 的算法只看站内数据，但你可以通过跨平台策略间接提升：
策略 1：外部流量导入
在 YouTube/Podcast 中提到你的推特
在 Newsletter 中嵌入推特链接
效果：外部流量通常互动率更高（因为是主动寻找）
策略 2：内容再利用
将高互动推特扩展为博客文章
将 Thread 转化为 YouTube 视频
将数据分析做成信息图
效果：多平台曝光，建立权威性
八、案例分析：算法友好的推特解构
案例 1： @naval 的高互动推特
原推特：
"Seek wealth, not money or status. Wealth is having assets that earn while you sleep. Money is how we transfer time and wealth. Status is your place in the social hierarchy."
算法分析：
✅ 金句式结构：每句话都可独立传播（高 Repost）
✅ 认知重构：区分“wealth/money/status”（引发思考，高 Reply）
✅ 无负反馈风险：普世价值观，无争议
✅ 可引用性强：其他用户会在自己的推特中引用
互动数据（推测）：
Repost Rate: 1.5%（远高于平均）
Reply Rate: 0.8%
Negative Feedback: <0.001%
案例 2： @VitalikButerin 的数据型推特
原推特：
"Ethereum average block time is now 12.06 seconds (down from 13-14s a year ago). This is because of improvements to the networking layer and client optimizations. Lower block times = faster finality for users."
算法分析：
✅ 数据前置：“12.06 seconds”立即抓住注意力
✅ 解释原因：满足“为什么”的好奇心
✅ 用户价值：“faster finality for users”连接到实际体验
✅ 权威性：Vitalik 的作者 ID 权重高
互动数据（推测）：
Click Rate: 2%（用户想看详细数据）
Repost Rate: 0.8%（技术社区转发）
Reply Rate: 0.5%（技术讨论）
案例 3： @OnchainTheory 的争议型推特（你的风格）
假设推特：
“不受欢迎的观点：机构采用可能是以太坊的长期利空。
当摩根大通在链上运行基金，当 CFTC 接受 ETH 作为抵押品——我们得到的不是‘去中心化金融’，而是‘更高效的传统金融’。
这是进步，还是妥协？🧵“
算法分析：
✅ 争议前置：“不受欢迎的观点”引发好奇
✅ 具体案例：摩根大通、CFTC（可验证性）
✅ 开放式问题：“进步还是妥协”（高 Reply）
⚠️ 风险：可能触发“以太坊信仰者”的负反馈
✅ 缓解：“我可能错了”降低攻击性
优化建议：
在 Thread 中补充数据支撑
承认对立观点的合理性
避免绝对化表述（“可能”而非“肯定”）
九、终极检查清单：发布前的算法审查
在点击“Post”之前，用这个清单检查你的推特：
✅ 内容层面
核心信息在前 3 行
包含至少 1 个数据/案例
有明确的互动钩子（问题/投票/填空）
避免敏感词/攻击性语言
数据有来源链接
长度适中（单条<280 字，Thread 每条<200 字）
✅ 结构层面
使用了视觉分隔符（emoji/换行）
如果是 Thread，第一条是“预告片”
最后有行动召唤（回复/转发/关注）
避免过多 hashtag（<3 个）
避免过多 @（<2 个）
✅ 时间层面
在目标受众活跃时段发布
距离上一条推特>2 小时
如果是 Thread，预留 10-15 分钟完成
✅ 风险层面
不会触发 Block/Mute/Report
观点留有余地（“我认为”而非“肯定是”）
如果有争议，加了免责声明
检查了拼写和语法（避免被识别为低质量）
十、结语：算法是工具，内容是本质
X 开源推荐算法给了我们前所未有的透明度，但这不意味着“破解算法”就能成功。
算法优化的本质是：
理解用户需求（算法只是用户行为的数学建模）
提供真实价值（高互动率来自真实的共鸣）
建立长期信任（算法会惩罚短期投机行为）
记住这个核心原则：
“算法喜欢的内容 = 用户喜欢的内容”
如果你的推特在优化算法后仍然没有互动，问题不在算法，而在内容本身。
最后的建议：
用这份指南优化你的前 10 条推特
对比优化前后的数据
找到适合你的风格和节奏
持续迭代，而非一次性爆发
算法会变，但提供价值的原则不会变。