【拆解X 演算法開源】：這才是真正的「流量密碼」，別再傻傻刷讚了

主筆：Aiezn / 2026-01-22 / 9 min read

自從 Elon Musk 把 X (原 Twitter) 的演算法原始碼（xai-org/x-algorithm）[1]直接攤在陽光下，這對我們這群整天跟數據與代碼打交道的科技人來說，簡直是拿到了一份「社交媒體的大腦解剖圖」。

身為一個對系統架構有職業病的開發者，我花了點時間拆解這份硬核代碼。現在的演算法早已全面進化，從傳統的「規則過濾」轉向了 AI 驅動的「模型預測時代」。別再抱怨沒流量了，那是因為你還在用 2023 年的思維玩 2026 年的 AI 社群系統。

1. 核心進化：從 if-else 轉向神經網路模型

在過去，我們以為演算法是一堆簡單的邏輯判斷：如果是圖片就加分、如果有關鍵字就推薦。但在開源代碼中，我們看到的是一個名為 Phoenix 的黑盒子，它是基於 Transformer 結構（跟 ChatGPT 同源）的強大預測模型。

1.1 預測「行為」而非「內容」

現在的邏輯不是看你「發了什麼」，而是預測使用者「會對你做什麼」。

傳統思維：我多發圖、多塞標籤，系統就會覺得我是優質內容。
現代邏輯：AI 透過語意理解你的內容，並同時計算你與讀者之間的「嵌入向量 (User Embedding)」相似度。

1.2 分析與洞察

系統會進行即時運算，預測當這個內容推給某位使用者時，他點擊、回覆、甚至檢舉的機率是多少。這意味著，你的目標不應該是寫出讓 AI 覺得「正確」的東西，而是要精準誘導用戶產生「高權重行為」。

2. 突破同溫層的兩階段路徑

在代碼中，流量的分配主要經過兩個階段，這決定了你是要在小圈子自嗨，還是能全網爆紅。

2.1 Thunder (圈內流量)

這是保住你基本盤的機制。系統會紀錄讀者與你的互動頻率。如果在 run_ranker.py 裡的變數顯示，某位追蹤者連續 32 次看到你的貼文都沒有任何點擊或停留，你基本上就會從他的牆上徹底消失。這就是為什麼「維持活躍互動」比「衝粉絲數」更重要。

2.2 Phoenix Retrieval (圈外流量)

這是破圈的關鍵。模型會尋找與你內容相似的「候選池 (Candidate Sourcing)」。

⚠️ 警告：如果你的內容標籤混亂，今天發 AI 乾貨、明天發午餐便當，模型會陷入混亂，無法定義你的「用戶嵌入位置」，最終導致流量停滯。

3. 高權重行為的曝光槓桿：深度數據拆解

(請注意以下權重為2023數字[3][4]參考，當前沒有明確暴露數字)

這是整份文稿最核心的部分。X 的推薦系統採用漏斗架構 (Funnel Structure)，最終分數可以用以下公式概括：

Final Score = Σ (weight_i × P(action_i))

3.1 第一階段：進入前 N 名候選序列

以下權重數據來自公開版本，雖然數值會微調，但優先級邏輯不變：

行為因子	權重	意義說明
P(repost) 轉發	20x	擴散力的核心。代表使用者願意背書，是突破同溫層最強武器。
P(quote) 引用	?x	比純轉發更高。涉及「二次創作」，系統判定為高價值節點。
P(favorite) 按讚	30x*	基礎門檻。註：近期觀察權重有下調趨勢，低讚高 View 變多。
P(video_view) 觀看	2x	短影音強勢原因：直接貢獻停留時間。
P(profile_click) 點頭像	12x	最高興趣信號。用戶想知道「你是誰」，會大幅提升帳號權重。
P(share) 私訊分享	?x	後台視為「極強信號」，代表內容具高度資訊價值。

3.2 第二階段：放大觸及率的關鍵互動

假如第一階段順利，你的貼文會進入前 N 名候選序列。這時候，系統會進入第二輪的「放大機制」——也就是說，你的貼文已經被選中，接下來就看你能不能「乘勝追擊」。

以下互動會進一步放大你的觸及率，像是在賽車遊戲裡按下氮氣加速：

互動行為	權重加成	詳細說明
讀者回覆，你也回應	75x	🔥 最強加成。這代表貼文引發了「雙向對話」，系統會判定這是高品質的社群互動，並大幅提升你的曝光優先級。鼓勵作者與社群建立真實連結，而不是發完文就消失。
讀者回覆你的推文	27x	代表內容成功引發討論。即使你沒有回應，單純有人願意留言，系統就會觸發重新評估機制，讓你的貼文有機會被推送給更多人。
讀者點頭像 + 按讚/回覆	12x	這是「深度興趣信號組合」。用戶不只對這篇內容有興趣，還想知道「你是誰」。這會同時提升貼文與帳號的整體權重。
讀者點擊貼文 + 停留 >1 分鐘	11x	這是內容「黏性」的直接證明。如果用戶願意花超過 60 秒閱讀，系統會判定這篇內容有深度、值得推薦。

這個階段的規律很明確：「互動」是流量放大器。發完文後積極回覆留言，會讓貼文在 Candidate Sourcing 階段不斷被重新激活，形成「滾雪球效應」。

💡 實戰建議：在貼文結尾拋出一個「容易回答的問題」，例如「你覺得呢？」或「你有遇過類似的情況嗎？」。這能有效觸發讀者回覆，進而啟動 75x 的權重加成。

4. 曝光的死亡紅線：避雷指南

有些行為會讓你的貼文直接進入「流量墳場」，這在工程師眼裡就是所謂的垃圾回收 (Garbage Collection)。更可怕的是，這些負面信號的扣分權重極高，可能需要數十甚至上百個正向互動才能彌補。

4.1 外部連結懲罰

平台本質上是「圍牆花園」。任何會把流量引導離開平台（如 YouTube、個人部落格、其他社群網站）的連結，都會直接降低預測權重。系統的目標是讓用戶「留在平台上」，而不是「送客出去」。

💡 因應策略：把連結放在留言區，而不是貼文正文。這是目前最有效的迴避方式。

4.2 負向權重地雷：扣分驚人

以下是演算法中明確定義的負面信號，一旦觸發，扣分效果極為驚人：

負面行為	扣分權重	影響說明
P(not_interested) 不感興趣	-74x	用戶主動點擊「不感興趣」，代表這則內容對他來說是「噪音」。一次扣分可能需要 2-3 個轉發才能補回。
P(mute_author) 靜音	-74x	用戶選擇不再看到你的任何內容。這是對你「帳號整體」的負面評價，會影響後續所有貼文的推送優先級。
P(block_author) 封鎖	-74x	最強的排斥信號。用戶不只不想看到你，還想讓你從他的世界消失。這會嚴重影響你的帳號健康度。
P(report) 檢舉	-369x	☠️ 核彈級扣分。一次檢舉產生的負面權重，可能需要上百個讚（30x × 100+ = 3000+）才能補回。如果多人檢舉，帳號可能直接進入「信用黑名單」。

⚠️ 風險警示：釣魚標題雖然能騙到點擊，但如果用戶點開後發現「貨不對板」，立刻點擊「隱藏」或「不感興趣」，你的帳號權重會瞬間崩盤。長期來看，這種策略得不償失。

4.3 流程圖：推薦系統架構過濾邏輯簡化版

FOR YOU FEED REQUEST
        │
        ▼
    HOME MIXER
├─────────────────────────────────────────┤
│  1. CANDIDATE SOURCES                   │
│     THUNDER (圈內) + PHOENIX (圈外)      │
│  2. FILTERING → 移除雜訊                 │
│  3. SCORING → Phoenix + 權重計算         │
│  4. SELECTION → Top K                   │
│  5. VISIBILITY FILTERING                │
└─────────────────────────────────────────┘
        │
        ▼
    RANKED FEED RESPONSE

5. 如何突破多樣性過濾機制？

系統中有一個機制叫 Author Diversity，這是為了防止用戶的牆上全是同一個人的發文。如果你像機關槍一樣在短時間內密集發文，後面的文章權重會被嚴重稀釋。

5.1 分析與洞察

與其一小時發 5 篇缺乏邏輯的碎念，不如將能量濃縮，一天發 1-2 篇高品質、能引發長留存與深度討論的文章。在 AI 時代，「質」的權重遠大於「量」。系統不缺內容，缺的是能讓用戶「停下來」的內容。

6. Aizen 式摘要：流量獲取的底層邏輯

這份演算法的公開，其實是告訴我們一個殘酷的事實：投機取巧的時代結束了。 系統變得越來越聰明，它能分辨出誰在認真提供價值，誰在利用規則。

專注垂直內容：讓 AI 模型的 User Embedding 標籤精確，別讓系統覺得你什麼都發，卻什麼都不專精。
設計互動鉤子 (Hook)：在開頭兩行就抓住眼球，引導用戶點開「顯示更多」來增加停留時間。
引導深度互動：提問並認真回覆留言，這能讓你的貼文在 Candidate Sourcing 階段不斷被重新激活。
連結放留言區：這是目前避開外部連結懲罰最有效的方法。

參考文檔

[1] x-algorithm https://github.com/xai-org/x-algorithm/tree/main?tab=readme-ov-file#scoring-and-ranking

[2] phoenix https://github.com/xai-org/x-algorithm/tree/main/phoenix

[3] Cracking the Code: How the Twitter Algorithm Works https://tweethunter.io/blog/twitter-algorithm-full-analysis

[4] Aakash Gupta https://x.com/aakashgupta/status/1641976892885540865

本文為 AIOnDaily 原創內容，轉載請註明出處。

目錄