行銷人易懂的 X「為你推薦」演算法拆解

馬斯克在 1 月中宣布會把 Ｘ (Twitter)演算法開源，而且不是丟一包程式碼就算了，之而且不只是丟一包程式碼出來，之後還會持續更新、附上工程註記，讓大家看得懂它怎麼運作。

這個消息出來，對多數用戶來說可能就是條新聞，但對行銷人來說，這其實是個難得的機會：我們終於可以用比較接近「系統視角」的方式，理解 X 怎麼決定誰被看見。

到了 2026/01/20，xAI 在 GitHub 上真的上線了這套程式碼，repo 名叫 xai-org/x-algorithm，它就是 X「For You(為你推薦)」動態的核心推薦系統。

換句話說，平常你滑的那條首頁動態，背後怎麼抓內容、怎麼排序、怎麼過濾，現在不用只靠猜了，有實際結構可以對照。

這篇文章會用行銷人聽得懂的方式，把這套推薦系統拆開來講兩件事:

第一，它實際上怎麼判斷「這篇貼文該不該被推給更多人」;
第二，如果你在 X 上經營個人品牌或品牌帳號，哪些做法真的順著演算法走，哪些只是自嗨。

為什麼你沒粉絲，也有機會被推給陌生人？

很多人以為，X 的「為你推薦」就是把你追蹤的人發的貼文，照時間或人氣排一排。

但從這次開源的程式碼來看，實際情況複雜得多。

系統一開始做的不是排序，先抓一大批「可能可以推給你」的貼文，再慢慢篩選、打分、淘汰。

這批候選貼文，主要來自兩個不同的來源。理解這兩個來源的差異，幾乎就能看懂 X 的推薦邏輯。

面向圈內內容（Thunder）圈外內容（Phoenix Retrieval）
內容來源你已經追蹤的帳號你沒追蹤，但系統認為你可能有興趣
推送速度很快，剛發就有機會被看到相對慢，需經過模型評估
主要角色老讀者、老粉絲陌生受眾
評估重點追蹤者是否互動內容是否對特定族群有吸引力
對粉絲數依賴高低
經營意義基本盤、第一波回饋破圈、擴散新受眾

第一個來源，是你已經追蹤的帳號，repo 裡叫做 Thunder，也就是圈內內容。
這一池的特色很單純：快。你一發文，追蹤者很快就能看到，也很快會出現第一波互動。

對經營者來說，圈內池的角色不是「撐流量」，而是提供早期訊號。
老讀者、老粉絲怎麼反應，常常會成為系統判斷「這篇文值不值得繼續測試」的第一批資料。

第二個來源，是你沒有追蹤，但系統從全站內容裡撈出來的貼文，repo 裡叫 Phoenix Retrieval，也就是圈外內容。
這一池才是真正的試煉場。它幾乎不在意你是誰，而是直接測一件事：這篇內容丟給特定族群，會不會被接住。

也因為這樣，圈內池跟圈外池，其實在測完全不同的東西。
圈內池在看「你對既有受眾還有沒有吸引力」，
圈外池在看「你的內容能不能脫離原本的圈子，被陌生人理解」。

粉絲數在圈內池很有用，能幫你快速累積互動;
但能不能被推到陌生人面前，關鍵往往不是你有多少追蹤，你的內容本身夠不夠清楚、夠不夠好分類。
換句話說，X 的推薦機制不是在獎勵「你有多少人追」，它在不斷測試:
這篇內容，有沒有能力被放到更廣大的場合裡。

X 真正在意的不是讚數，而是這些行為

從 repo 來看，X 的推薦系統在算分時，並不是單純看「這篇貼文現在有幾個讚」。
它做的事情更像是：先假設這篇貼文被推到你面前，然後猜你接下來會做哪些事。

這組資料其實點出一個很關鍵的事：演算法特別重視那些「需要多做一步」的互動。

像轉發，代表使用者願意把內容拿去分享給自己的追蹤者，這對系統來說，是對內容價值很高的肯定；
回覆表示內容真的引發想法或討論；
點進作者頁，則暗示使用者開始在意「這個人是誰」，有機會進一步轉成追蹤。

也因為這樣，X 的推薦系統在算分時，並不是只看貼文現在有幾個讚。
它更像是在做一個假設：如果這篇內容被推到某個人面前，那個人接下來會怎麼反應？

系統會同時評估多種可能的行為，包含看完就滑走、停下來看、點進作者頁、互動，甚至追蹤；同時也會預測負向反應，像是覺得不感興趣、靜音，或直接封鎖、檢舉。

最後，這些行為的可能性會被綜合成一個分數。
正向反應越有機會出現，分數就越高；反過來，只要系統覺得「推了可能出事」，分數就會被拉下來，而且通常拉得很快。

會加分的互動（正向信號）

使用者行為行為在行銷上的意義
按讚基本好感，代表內容不排斥
回覆內容引發思考或討論
轉推 / 引用內容值得被傳播
分享內容有跨圈層價值
點開、停留願意花時間看
點進作者頁對「這個人」產生興趣
追蹤作者願意把未來注意力交給你

會扣分的互動（負向信號）

使用者行為行銷上的意義
不感興趣內容不對胃口
靜音作者不想再看到你
封鎖作者強烈排斥
檢舉內容被認為有問題

這裡有一個很多人會忽略的重點：不是每一個正向行為的價值都一樣，負向行為也一樣。

像「追蹤作者」這種動作，成本很高，代表使用者認為你有長期價值;「封鎖、檢舉」這類動作，對系統來說通常是強烈警訊，會讓同類型內容的推薦風險變高。

一篇貼文要被你看到，得先過幾關？

對使用者來說，滑 For You 只是下意識的動作；但對系統來說，每一次重新整理動態，背後其實都是一整套流程在跑。
這套流程的總控角色叫做 Home Mixer，你可以把它想成編輯台，負責決定「今天這條動態要怎麼排」。

如果用時間順序來看，大致會經過這幾個步驟。

第一步：先看看你最近在幹嘛
系統會讀你近期的互動紀錄，包括你常回覆什麼類型的內容、追蹤了誰、哪些主題你比較常停下來看。
這些資料不是拿來貼你標籤，而是幫系統判斷：現在推什麼內容，你比較有機會接住。

第二步：一次拉一大批候選貼文
接著，系統會從兩個地方抓內容：
一部分來自你追蹤的人，另一部分來自全站的圈外內容。
這一階段追求的是「夠多」，不是「夠準」，因為後面還會慢慢篩。

第三步：把貼文資料補齊
候選貼文進來之後，系統會先整理好相關資訊，像是作者背景、是不是影片、長度多長、是不是訂閱內容。
這些資料會成為後面模型判斷的基礎。

第四步：先刷掉一堆不該出現的內容
在正式算分之前，系統會先把明顯不適合的內容拿掉。
像是你已經看過的、太舊的、你封鎖或靜音的作者、你設定不想看到的關鍵字，甚至是重複出現的貼文，都會在這一步被淘汰。
這也是很多經營者忽略的一點：有些內容不是表現不好，而是根本沒進到後面的比賽。

第五步：進模型算分
通過初步篩選後，才會交給 Phoenix 模型去預測互動行為的機率，並加權算出每一篇貼文的分數。
系統接著依照分數排序，挑出一批最有機會帶來好體驗的內容。

第六步：顧整體體驗，不讓同一個人霸版
在真正顯示之前，系統還會再做一次體驗檢查，其中一個重點是作者多樣性。
就算某個帳號最近表現很好，也不代表可以一直出現在同一個人的動態裡。

第七步：送進你的 For You 動態
通過所有檢查後，這批貼文才會真正出現在你眼前。

repo 裡還提到一個對理解演算法很有幫助的細節：
在模型推論時，每一篇候選貼文的分數都是獨立算的，不會因為「同一批裡還有誰」而互相影響。
換句話說，你這篇貼文好不好，看的不是運氣，而是它本身對特定受眾的預測表現。

順著這套演算法，內容該怎麼設計才有用？

前面看了這麼多演算法細節，其實最後都會回到一個問題：
如果你是在 X 上經營內容，哪些事情真的值得你花力氣？

下面這幾個原則，都是從系統實際在看的互動行為，直接翻成「經營時該做什麼、不該做什麼」。

把目標放在「有成本的互動」

不是所有互動都一樣。
像回覆、轉推、引用、分享，甚至追蹤作者，這些動作都需要使用者多想一下、多按幾步。也正因為這樣，它們通常比單純按讚，更能代表內容有沒有把人留下來。

所以在寫貼文時，不要只想著把資訊塞滿。
你可以刻意留一個「讓人有話可說」的空間，比方說丟出一個立場選擇、分享一個實務情境，或拿兩種做法來對照，讓留言區真的有討論，而不是只有點頭。

把「讓人看完」當成文案的一部分

系統會在意一件很直觀的事：人看到你的內容，會不會停下來看。
所以文案設計不是只有「寫什麼」，還包括「怎麼寫」。

比方說，你在做行銷拆解時，可以一開始就把結論講清楚，讓人知道值得看；中段用比較短的段落，把重點一個一個丟出來；最後補一個能延伸思考的問題，讓讀者不只看完，還想接著互動。

你真正想做到的，其實很單純：不要讓人滑走。

別用負面情緒換短期互動

有些做法短期看起來很有效，但長期風險很高。
像是洗版、硬蹭不相關的熱門話題、標題寫得很猛但內容很空，或是一直用挑釁來逼人回覆，這些都很容易換到封鎖、靜音，甚至檢舉。

一旦讀者開始用這種方式回應你，系統通常也會變得比較保守，不太敢再把你的內容推給更多人。
簡單說，這不是「爭議帶流量」，而是「推了容易出事」。

想被推到圈外，先讓人一眼看懂你在幹嘛

如果你希望內容能被推給沒追蹤你的人，那「你到底在講什麼」這件事就變得很重要。
主題越一致、內容型態越穩定，系統越容易把你配對給對的人。

反過來說，如果你今天聊品牌策略、明天發迷因、後天突然轉投資心得，不只讀者會困惑，系統也很難判斷你的內容適合推給誰。

你不用寫給所有人看，只要讓系統跟讀者都很清楚：追蹤你，大概可以期待看到什麼。

社群經營那些年，我們相信過的演算法都市傳說

X 把推薦演算法開源，對整個社群媒體產業來說，確實是一個很關鍵的轉折點。
至少從現在開始，內容創作者不必再完全靠猜，也不用再依賴那些「聽說很有效，但沒人能證實」的經驗談來推論平台在想什麼。

過去幾年，社群圈其實流傳過不少這類都市傳說，比方說：

  • 「發文後 10 分鐘內互動很重要，沒起來就沒救了」
  • 「一定要每天發，不然演算法就會把你打入冷宮」
  • 「連續用一樣的 hashtag 會被限流」
  • 「貼外部連結，觸及一定會被砍」
  • 「只要吵架、越有爭議越容易被推」

這些說法有些來自觀察，有些來自巧合，也有些只是少數案例被放大，但在沒有透明資訊的情況下，大家很容易把它們當成經營準則，甚至反過來影響內容方向。

這次 X 把推薦系統攤開來看，至少讓一件事變得比較清楚：
平台在意的，並不是那些表面的操作技巧，而是內容被推出去之後，使用者實際做了什麼反應。

也就是說，與其一直猜「演算法最近喜歡什麼格式」，不如回頭問一個更踏實的問題：
我的內容，真的有沒有讓對的人停下來、想互動、甚至願意追蹤？

這不代表經營社群從此變得簡單，但至少方向變得比較誠實。
演算法不再只是黑箱，而是提醒你：長期來看，真正累積價值的，還是內容本身跟讀者之間的關係。

引用資料

已發佈

｜

分類:

作者:

FIRST LINE 新聞室

, ,