一個叫Forrest Chang的開發者， 把OpenAI前研究員Andrej Karpathy 一則推文裡講的「AI寫程式為什麼會炸」， 整理成65行markdown檔案。 叫做 Andrej Karpathy skills，133k顆星， 全球Claude Code用戶瘋狂安裝。 -- 研究下去發現4個有趣的事。 第1，他寫的不是新東西。 那4條原則本質是「先想再做、不要過度設計、 不要順手改沒人要你改的地方、 定義可驗證的成功標準」， 這些東西資深工程師都懂， 但AI不會自己照做， 寫成檔案灌進AI = 強制執行。 -- 第2，他卡到一個剛好的供給空缺。 Karpathy那則推文發出來才3個月， Chang第一個包成plugin可一鍵安裝， 時機 + 包裝 + 名人光環 = 爆款公式。 -- 第3，直接抄會出問題。 我的CLAUDE.md已經很厚 (品檢機制、存檔流程、視覺規範、各種觸發詞）， 如果直接paste 65行進去， 每次載入會多大約 3,000 token， 4個原則裡有80%跟我已有規則重複，硬塞變雜訊。 -- 第4，但裡面確實有7點是我沒明說的（值得拿）。 例：「200行能寫成50行就重寫」 「不為一次性程式碼做抽象化」 「不做不可能場景的error handling」， 這幾條我有概念但沒寫進規則。 最後我決定， 盤點自己現有的規則， 補上沒明說的點就好， CLAUDE.md只加上5行我真正需要的。

向量推薦演算法不是看你寫什麼，是看「誰跟你互動」。你的「互動者向量平均值」決定了你會被推給誰。 換句話說：你不是被內容推薦，是被「你的粉絲群長什麼樣」推薦的。 🔥 1：定位模糊的人，發 1000 篇也不會爆 向量模型最殘忍的地方：你今天聊投資、明天聊感情、後天聊 AI → 你的向量就是「髒抹布」，演算法找不到匹配你的人類。 大部分人流量低的原因不是「內容不夠好」，是「定位不夠窄」。這是數學決定的。 🔥 2：殭屍粉 / 互讚粉 / 買粉，會殺死你的演算法 你的粉絲群的向量平均值 = 演算法判斷「該推給誰」的依據。 你有 10,000 個雜亂粉 << 1,000 個 TA 完美粉。 互讚會、引流社團、抽獎粉，這些行為實際上是在污染你的向量，讓演算法搞不清楚該推給誰。 🔥 3：前30分鐘的互動者決定你這篇的命運 早期互動者的向量被當成「這篇內容適合誰」的訊號。 所以：如果你的真實 TA 沒人在你發文的 30 分鐘內看到，後面演算法就把你定位錯了。 你的發文時間應該對齊 TA 的活躍時段，不是你自己方便的時段。 -- 💡 真實可操作的 5 個策略 1. 把定位窄到不能再窄 不是「自媒體經營者」，是「30 歲剛開始做副業想用 IG 月入 5 萬的女性上班族」。 窄到別人聽完會說「這太細了吧」的程度，剛剛好。 向量越尖銳，演算法越能精準找到你的人。 2. 找 3-5 個 seed engager 不是 engagement pod 那種互捧，是真實找到「我就是你 TA」的人。 他們的真實互動會把你的內容 lock 到正確的向量群。 你發文後第一時間請他們看，互動品質遠比數量重要。 3. 把北極星指標換掉 不要再追蹤「讚數」「觸及」。 你唯一該看的：「每 100 個看到貼文的陌生人，多少個 follow 你？」 follow 權重 4.0，是讚 0.5 的 8 倍。 每篇發文前問自己：「看完這篇，從沒聽過我的人會 follow 我嗎？」 不會就砍掉重寫。 4. 抄「結構」不抄「內容」 看到爆紅貼文，你抄的不是文字，是它的「互動觸發機制」。 例：「3 個讓 X 突破 Y 的方法」這種結構在演算法眼中是「邀請評論型內容」。 你用你 niche 的內容套這個結構，獲得類似互動形態的機率高。 5. 避開所有「拉低向量品質」的行為 ・不參加洗版互讚會 ・不抽獎吸沒 niche 的人 ・不為了流量寫跟你 niche 無關的爆紅題材（如政治、八卦） ・不買粉 不買讚 不買留言 這些短期可能拉觸及，長期一定殺死你的演算法位置。 ⚠️ 「先求量，再求質」這套對 transformer 演算法是錯的。 向量推薦下，「量」會稀釋你的向量，讓你被推給更模糊的人。 正確做法是「先求準，再求量」。 你的前 50 篇貼文要精準對齊你 TA，建立清晰的向量錨。建立完之後，你才有資格說「我來規模化」。 更多演算法拆解 https://www.skool.com/weken-ai-x-2451/x-twitter?p=21173705

拆解其中的，Phoenix Retrieval模組 -- 系統架構 (簡化版) 每天5億篇貼文 → 200ms內篩到1,500篇 → 推給你 四個核心模組： 1. Home Mixer：總調度 2. Thunder：你follow的人發的 3. Phoenix：你沒follow但可能愛的 4. Candidate Pipeline：候選池管理 -- Phoenix Two-Tower 模型運作邏輯 模型把「人」跟「貼文」都壓成 512 維向量： ・User Tower：把你的互動史、follow名單壓成一個向量 ・Candidate Tower：每篇貼文也壓成一個向量 ・系統做 dot product 算相似度 → 找最像你會喜歡的 換句話說：你不是被「分類」推薦， 是被「向量距離」推薦。 -- 最關鍵：互動權重表 ✅ 正面訊號（分數） ・別人 follow 你：+4.0 🌟 最高 ・轉推 / 引用：+1.0 ・按讚：+0.5 ・回覆：+0.3 ・影片觀看：+0.2 ❌ 負面訊號（分數） ・被檢舉：-5.0 🚫 最慘 ・被封鎖：-3.0 ・被靜音：-2.0 一個 block 的負面殺傷力 = 6 個讚的正面加分。 -- 創作者5大可操作策略 1.讓人「追蹤你」，勝過「按讚」 追蹤 (4.0) 是讚 (0.5) 的 8 倍。意思是 hook 要強到讓人想長期看你，不是單篇爆紅。 2.目標：刺激「轉推 + 引用」 轉推 (1.0) 是讚 (0.5) 的 2 倍。內容要做到「我想分享給別人看」，不是「我覺得不錯」。 3.多重互動訊號設計 Phoenix 是 multi-task learning，一篇貼文同時被預測 likes / replies / reposts / video views。所以混合型內容（讓人想留言又想轉推）比純讚型內容強。 4.絕對避免負面訊號 靠爭議性引戰拉互動是最蠢的策略。一個 block = 損失等同6個讚。容易引人禁聲的內容（過度推銷、洗版、low quality）也直接被演算法掐死。 5.不要讓你的精華內容需要付費 有 paywall 的貼文會被演算法降低能見度，無論品質多好。X 系統設計刻意懲罰封閉內容。 -- 革命性的設計：砍掉所有「人工特徵」 過去推薦系統會手動定義「貼文長度權重、是否有圖、是否有影片、是否藍勾、發文時間」。 X Phoenix 把全部刪除。模型直接從互動數據學，不告訴它「圖文比較好」「短文比較好」這種規則。 對創作者的意義 不用糾結「我該發短文還長文、該不該配圖、該不該幾點發」這種傳統 SEO/SMO 公式。 真正重要的是：你的內容能不能引發 follow + 轉推這兩個高權重行為。 -- 深入觀察 1. X 把推薦邏輯變成「向量相似度」遊戲 你的「內容指紋」需要跟你 TA 的「興趣指紋」對得上。所以要鎖定 niche，不要試圖討好所有人。 2. 演算法獎勵長期經營型創作者 follow 權重 4.0 是壓倒性的。意思是「能讓人從一篇貼文變成 follower」的創作者會被瘋狂放大。一篇爆紅但沒人追蹤你 = 演算法沒得利於你。 3. 反操作：怎麼最快漲粉 做「系列內容」「強人設」「明確 niche」。讓讀者看一篇後立刻想 follow，因為他知道下一篇還會看到類似價值的東西。 -- 雖然這是 X 的演算法，但 Meta / Threads 內部邏輯極可能類似（都是 transformer-based recommendation）。所以有很高的參考價值。