何时打开:你写图文(公众号 / X / 小红书 / 知乎)觉得"标题已经挺猛了但流量就是不爆",或想知道推荐系统到底在打哪些分、为什么"高点击不一定高分发"。本 wiki 是技术拆解视角 — 把 X 平台 For You 推荐系统的开源代码翻译成创作者能动的杠杆。
一句话核心:"算法不神秘,神秘的是很多人从来没有认真站在推荐系统的角度审视自己的内容。" 推荐系统不是在找点击率最高的标题,而是在预测用户看到这条内容后的一组行为。优化的不是标题,是整条推荐链路里的"信号质量"。
0. 为什么这篇值得单独立 wiki
wiki-ai-self-media-engineering 已经汇总了 5 位作者的自媒体方法论(老 D / 王凯 / 黄益贺 / 小红书 vibecoding / 鱼子酱),都是完整运营系统的视角。老章这篇切的是另一个维度:从平台算法源码反推创作者动作。
| 视角 | 代表作者 | 焦点 |
|---|---|---|
| 国内素人变现 | dontbesilent(老 D) | 抖音 200 万播放 SOP |
| 海外矩阵出海 | wangkai(王凯) | 6 平台基础设施 |
| 非技术独立产品 | newtype(黄益贺) | 全球商人路线 |
| 审美创作平民化 | 小红书 vibecoding | 审美哲学 |
| AI 漫剧机构小组制 | yuzijiang(鱼子酱) | 红果剧场分账 |
| 平台算法源码反推 | Ai学习的老章 | 推荐系统骨架 + 创作者可动杠杆 |
第 6 重视角的独特价值:别人的方法论告诉你"做什么动作",老章告诉你"为什么这个动作会被算法奖励"。
1. For You 不是一个模型,是一条生产线
X 把推荐系统拆成 6 个组件,任何一篇内容都要依次过这 6 关。漏掉任何一关都不会爆。
graph LR
CS["Candidate Sources<br/>候选源"] --> Phoenix
Phoenix["Phoenix Retrieval<br/>召回"] --> Ranking["Phoenix Ranking<br/>排序"]
Ranking --> Grox["Grox<br/>内容理解"]
Grox --> Hydrator["Hydrators<br/>上下文补充"]
Hydrator --> Ads["Ads Blender<br/>广告混排 + Brand Safety"]
Ads --> Feed["For You Feed<br/>用户看到"]
classDef sys fill:#e3f2fd,stroke:#1976d2
classDef out fill:#e8f5e9,stroke:#43a047
class CS,Phoenix,Ranking,Grox,Hydrator,Ads sys
class Feed out
Why 这个骨架对创作者很重要:绝大多数人脑子里只有"标题党 + 多发"两个杠杆,实际推荐系统有 6 个独立判分环节,每个环节有不同的可动杠杆。Phoenix 召回过不了,后面排序再强也没戏 — 这是为什么"看起来写得挺用力但流量很差"的根因。
2. 6 个组件分别在判什么(从源码反推)
2.1 Candidate Sources — 内容入口比你想象的多
这次新增/更新的源:Phoenix Source / Phoenix Topics / Phoenix MoE / Thunder / Ads / Who To Follow / Prompts / Cached Posts。
对创作者的暗示:
- Phoenix Topics:topic 入口越来越重要 — 你的账号要让系统知道"它属于哪个主题"
- Who To Follow:不只是帖子被推,账号本身也通过内容表现被推 — 长期稳定输出某领域,系统画像越清楚
- 反例:今天写 AI、明天写情感、后天写旅游、大后天写投资鸡汤 — 单篇可能偶尔爆,但系统建立不起稳定账号画像
2.2 Phoenix Retrieval — 两塔模型决定"你这篇属于哪个兴趣簇"
- User tower:把用户特征+行为历史编码成 user embedding
- Candidate tower:把内容编码成 candidate embedding
- 点积相似度找 top-K 候选
翻译成创作者语言:你写的每篇文章都在争取成为某类用户 embedding 附近的候选。
召回过不了的 4 个症状(写之前先自检):
- 这篇属于哪个兴趣簇?(说不上来 → 召回拿不到)
- 跟我账号历史内容是否一致?
- 能不能被归到一个明确主题?
- 跟读者过去喜欢/回复/停留过的内容有没有语义接近?
2.3 Phoenix Ranking — 算的是一组行为不是单一点赞
home-mixer/scorers/ranking_scorer.rs 里最终分数是多 action 加权组合,不是只看 like。
12 类用户行为都进打分函数(其中负向信号同样有权):
- 正向:点开 / 停留 / 点赞 / 回复 / 转发 / 引用 / 进作者主页 / 关注 / 分享
- 负向:不感兴趣 / 屏蔽 / 拉黑 / 举报
创作者目标拆成 7 类(直接对应推荐系统打分维度):
| 创作目标 | 算法侧动作 | 内容设计点 |
|---|---|---|
| 阅读目标 | 提升 CTR | 标题 + 首图组合 |
| 停留目标 | 提升 dwell time | 正文信息密度,不是字数 |
| 评论目标 | 提升 reply rate | 明确观点 + 可争论边界 + 读者代入场景 |
| 转发目标 | 提升 retweet rate | "帮读者表达自己"的话 |
| 收藏目标 | 提升 bookmark rate | 清单 / 方法 / 框架 / 案例 |
| 关注目标 | 提升 follow rate | 结尾承诺"还会持续输出这类价值" |
| 风险控制 | 降低 "不感兴趣" | 不让读者觉得被骗 / 被冒犯 / 被浪费时间 |
反直觉点:标题党让 CTR 高但 dwell time + bookmark 同步崩盘 → 综合分反而低,且累计"不感兴趣"标记降低账号信誉。这是为什么"标题很猛但流量没起来"。
2.4 Grox — 内容理解任务系统
新增的 grox/ 不是简单敏感词过滤,而是套内容理解任务系统。从代码命名能反推平台在意什么:
banger_initial_screen.py→ 初筛质量评分spam.py→ 垃圾识别safety_ptos.py→ 政策和安全分类reply_ranking.py→ 回复质量评分multimodal_post_embedder_v5.py→ 文字 + 图片一起 embeddingPlanMaster→ 并行执行多个内容理解计划再合并
BangerInitialScreenResult 解析的字段提示平台在结构化看 7 个维度:
- 内容质量够不够
- 主题分类是什么
- 标签是否清晰
- 图文是否匹配
- 有没有低质 AI 味
- 有没有安全风险
- 有没有未成年人相关风险
对创作者:图文内容会被更细颗粒度地理解 — "低质 AI 味"被单独打分(slop_score 字段),这点对所有用 AI 辅助写作的人是直接警告。
2.5 Hydrators — 系统会疯狂补上下文
推荐系统从来不只看一条 post 的正文,而是把用户侧 + 内容侧两组上下文都拼起来。
| Query Hydrator(用户侧) | Candidate Hydrator(内容侧) |
|---|---|
| 用户行为序列 | 互动数 |
| 关注用户 | 作者信息 |
| 屏蔽和静音 | 语言 |
| 关注话题 | 是否有媒体 |
| starter packs | 视频时长 |
| IP | 引用帖展开 |
| mutual follow | 品牌安全分 |
| served history | mutual follow jaccard |
| impression bloom filter | 话题过滤结果 |
两个实际结论:
- 账号定位很重要 — 作者历史/关注/粉丝结构都参与上下文
- 单篇元信息也很重要 — 语言是否明确 / 媒体是否相关 / 引用是否有上下文 / 主题能否被正确识别
心法:你以为自己只是在写文章,实际是在给系统喂一组可理解信号。
2.6 Ads Blender — Brand Safety 影响分发空间
home-mixer/ads/ 新增的广告混排逻辑:
safe_gap_blender.rs找 safe gaps,让广告不挨着风险内容partition_organic_blender.rs把带风险信号的内容跟广告位置隔开brand_safety.rs有Safe / LowRisk / MediumRiskverdict
虽然是广告系统但对创作者的提醒:平台不只判断内容能不能看,还判断它适合出现在什么商业环境里。
长期靠擦边 / 惊悚 / 仇恨 / 阴谋论 / 夸大标题 / 垃圾营销获取互动 → 短期热闹,长期失去推荐信用。安全和可信本身就是内容资产。
3. 3 个反直觉点(创作者最容易忽略)
3.1 Candidate Isolation — 别再想"被隔壁大 V 压住了"
Phoenix ranking 模型有个工程约束叫 candidate isolation:候选内容在 transformer 推理时不能互相 attend,只能 attend 用户和历史,同时自己 attend 自己。
翻译成人话:每条候选内容的分数,不应该因为和它一起进入 batch 的其他内容不同而乱变。
对创作者的启示:别再有"我这篇被隔壁大 V 压住了"的归因。更底层的问题是 — 在同一个用户历史上下文里,你这条内容本身的预测行为是否足够强。平台当然会做多样性、作者衰减、去重,但单条内容的基础分,要靠它自己。
3.2 首图不是装饰,是算法入口
MultimodalPostEmbedderV5 把 post 渲染成 text + images 一起送 embedding。
首图至少要承担 3 个任务:
- 帮系统理解主题(影响 candidate embedding 的归类)
- 帮用户判断值不值得点(影响 CTR)
- 帮正文建立可信度(影响 dwell time)
例子:写"X 推荐算法更新解读"
- 配马斯克照片 → 情绪足,但信息密度低
- 配"召回 → 排序 → 内容理解 → 负反馈"流程图 → 信息密度高
升级方向:不是找一张好看的图,而是做一张能承载内容结构的图。技术文章多做结构图 / 流程图 / 对比图 — 读者一眼能懂,模型也更容易理解。
3.3 内容混乱 = 推荐系统也没看懂
推荐系统最怕的不是内容普通,是内容不知道属于哪里。
反例(老章原文):标题写"普通人一定要抓住这个趋势",正文前半段聊 AI、后半段聊职场,配图是风景照,标签是创业 — 用户没看懂,系统也没看懂 → 召回拿不到。
4. 创作者 7 项检查表(每写一篇前对照)
直接对应推荐系统 6 个组件 + 1 个反向控制:
| # | 检查项 | 算法侧打哪个分 |
|---|---|---|
| 1 | 召回清晰度 — 标题/正文/首图/标签/账号定位一致 | Phoenix Retrieval embedding 归类 |
| 2 | 首屏吸引力 — 标题快速交代"为什么值得点进来",首图是结构图/对比图/清单图/案例图,不是氛围图 | CTR + 多模态 embedder |
| 3 | 停留价值 — 正文有信息密度,不能标题承诺很大但正文全废话 | dwell time |
| 4 | 互动触发 — 明确观点 + 可争论边界 + 读者能带入的场景 | reply / engagement |
| 5 | 转发和收藏理由 — 方法论/清单/流程图/案例库/避坑指南天然容易收藏;能帮读者表达观点天然容易转发 | bookmark / retweet |
| 6 | 关注转化 — 结尾让读者知道"关注我未来还能持续获得这类价值" | follow rate |
| 7 | 负反馈控制 — 别让读者后悔点进来:标题党 / 夸大 / 低质 AI 味 / 重复灌水 / 争议诱导 | "不感兴趣" + brand safety |
5. 跨视角对照:跟 5 作者的差异 & 共识
| 维度 | 老章(算法源码反推) | 老 D(国内素人) | 王凯(海外矩阵) | 黄益贺(独立产品) |
|---|---|---|---|---|
| 方法论起点 | 源码 → 杠杆 | 案例 → 模仿 | SOP → 矩阵 | 工具 → 产品 |
| 首图 | 结构图承载内容骨架 | 高情绪封面图 | 平台原生风格 | 产品截图 |
| 标题 | 召回信号清晰 > 点击党 | 钩子前置 | 平台本地化 | 商人语言 |
| 量级 | 单平台深耕 | 抖音 200 万 | 6 平台矩阵 | 全球商人 |
| 共识(跨 5+1 作者) | AI 写稿 + 人工策划/出镜 是唯一共识 |
何时把老章作为主路径:你想理解为什么自己的内容流量起不来(诊断问题)、且愿意做结构化升级(不是补救式动作)— 那从骨架开始。如果还在"刚开始做内容"阶段,先走老 D 或王凯的 SOP 跑通流程,后续再用老章的视角做精细化。
6. 边界与不适用
- 不适用平台:本文具体细节是 X 的实现(Phoenix / Grox / Home Mixer 命名),抽象迁移到其他平台时只迁移 6 组件骨架 + 7 项检查表,不要照搬"two-tower"等具体技术名
- 不能解释短期热点:推荐系统是稳态分发逻辑,营销号"突发热点蹭流量"是另一套逻辑(热搜机制 + 时效性加权),本文不覆盖
- 不能替代实操:本 wiki 是诊断框架不是执行手册 — 知道"召回过不了"≠知道"我这篇该怎么改"。后者要结合具体平台的内容审美(参考
xhs-vibecoding-aesthetic.md/dontbesilent-ai-self-media.md)
7. 来源 & 延伸
- 主源:
../sources/learning/Ai学习的老章/weixin/2026-05/最新的X推荐算法已发布到-GitHub.md(2026-05-16 发,公众号 Ai学习的老章) - X 算法开源 repo:
twitter/the-algorithm(2026-05-15 大更新) - 跨视角合并 wiki:AI 自媒体与内容工程化(跨作者主题综合) — 5 位作者主题合并,本 wiki 是其第 6 重视角
- 国内素人对照:dontbesilent AI 自媒体课程 / 13 节系统化方法论
- 审美哲学对照:小红书 / Vibecoding 审美 + 创作者经济合集