AI 聊天框带来了什么？回看人机交互史
文章从波兰尼“所知比所言更多”出发，回顾了人机交互的演进史：1990年代搜索引擎通过关键词猜测意图，形成SEO与竞价排名；移动互联网时代推荐算法借助用户行为数据构建新的分发飞轮，成就字节跳动；AI时代聊天框成为新入口，Agent通过记忆与对话持续更新对用户真实意图的概率估计。作者认为搜索与推荐的核心都是计算概率P，而AI Agent刚接近这个起点，未来可能出现基于意图的竞价排名与新的商业化模式，人机交互的平衡将被反复打破与重建。
全部文档 / 标签: 推荐算法
8 篇
X 深度使用手册（2026 版）：124 条实操，拆解官方最新算法
作者司徒K基于官方帮助中心、开源推荐算法代码及社区经验，整理出 258 条资料并核对成 124 条实操指南，分为「看懂 X、用好 X、写好 X、守好 X」四部分。内容涵盖 For You 推荐算法的排序参数与负反馈机制、iOS/安卓/网页端的操作差异、搜索指令、列表与书签使用、提及通知规则、快捷键等细节，帮助新用户快速掌握 X 平台的规则与算法逻辑，避免走弯路。
注意力经济已死、意图经济永生
文章以特里芬难题类比，指出注意力经济在后互联网时代已走向内部衰败：算法将人性弱点工业化，流量与注意力被瓜分至极限，进入存量博弈。随着用户将消费意图交给 Personal Agent，经济模式正从算法猜测意图转向用户主动广播意图，形成'意图经济'。MIT 实验显示 Agent 虽可被文字提示影响，但更看重评分、价格与明确偏好，营销话术权重下降。作者提出四个机会方向：面向意图做结构化产品、通过新硬件捕获真实意图、构建可携带的长期记忆护城河，以及内容创作者要么极致 ToH 要么极致 ToA。新经济源于资产的富裕而非稀缺的发现，我们正处在旧秩序瓦解的拐点。
我分析了 60+ 中文大V的 1W 条推特，结合 X 开源算法，总结出这份起号指南（附数据）
作者分析了60多个中文AI大V的1万多条推特和1200多篇长文，并结合X开源的推荐算法源码，验证了各种起号说法。主要结论：长推（300字以上）比短推好，爆帖率44%对21%；带外链不被限流，反而表现更好；引用大V蹭不到流量，只有平均水平的0.67倍；互关好友的回复权重是4倍；点赞是最便宜的信号，复制分享权重20。此外还发现小号有头2小时冷启动机制，帖子超过48小时退出推荐流，回复要具体才能上热门，长文收藏是赞的1.7倍，标题带'教程''开源'等词更吃香，账号信誉分比蓝V认证更重要。
蓝V为什么越互关，曝光反而越低？
文章基于 X 2026 年最新公开的 For You 推荐算法（Phoenix 排序系统），分析了蓝V账号曝光低的真正原因。作者指出 X 推荐系统关注的是预测用户的后续行为（回复、主页访问、关注等），而非单纯曝光量，因此'有效曝光'比曝光数字更重要。蓝标只是回复排序的放大器，并非流量卡；互关粉丝不消费内容反而拉低推荐；账号定位清晰、减少无意义互动、不疯狂连发、按自己受众数据选择发布时间，才是长期有效的运营策略。
X 的推荐算法：你刷到下一条帖子之前，后台发生了什么？
文章解析 X 平台最新开源的推荐算法代码，详细拆解一条帖子从召回、用户行为建模、Phoenix 多任务行为预测、RankingScorer 综合排序，到可见性过滤、多样性控制的完整链路。文章还分析了新增的 recon 重建式 embedding、StableHLO 模型导出与推理优化等技术细节，指出 X 推荐系统本质上是多目标监督学习加规则过滤加综合排序，而非完整强化学习。作者评价了系统的亮点（多动作预测、排序与安全分工、生产化程度高）与公开代码尚未回答的疑问（权重确定、性能提升数据等），强调推荐质量取决于整条链路的配合。
微信公众号推荐机制官方说明解读
作者转述微信官方首次公布的公众号推荐机制说明。推荐标准包括：标题清楚主题明确、内容原创真实有价值、专业作者认证增加可信度；不适合推荐的包括标题含糊、缺乏原创价值、利益诱导互动。此外，助推券、正常删除文章、真实互关留言、关闭群发通知等操作均不会负面影响推荐，单篇流量下降也不能直接推断被限流。
开源“为你推荐”时间线代码，提升平台透明度
X（推特）宣布开源影响帖子在“为你推荐”时间线中可见性的代码，并推出标签透明度工具，帮助用户了解平台是否限制其内容触达。该工具允许用户查看账户或帖子被应用的可见性限制标签，并下载相关数据。X还邀请第三方推荐系统专家提前审查代码，以提升透明度，并计划根据反馈持续更新。
