语音识别在本机运行。LLM 拆解与整理是可选步骤，处理来源会写入产物的 provenance 记录。它不充当永久知识库，也不负责音色训练、最终视频渲染或平台发布。

核心边界

• 输入可以是本地视频或公开链接。
• 输出包括文稿、字幕、结构化知识与下游 Brief。
• 原始媒体与实例产物默认留在本地，不进入公开仓库。

但代码给出的答案并不是一张“互动积分表”。新版系统真正做的，是根据某个用户过去的行为，预测他看到一条内容后可能采取哪些动作，再把这些预测组合成一个分数。

这意味着，创作者真正要优化的不是某一种互动数量，而是：内容能否被正确的人看见，并让对方产生与内容匹配的真实行动。

本文基于 X 官方仓库 2026 年 8 月 17 日的提交 b089ce64。公开代码会继续变化，线上也存在实验参数，所以这里记录的是一个可复查的源码快照，不是永久不变的平台规则。

一条内容是怎样进入 For You 的？

X 公开的新版架构把候选内容分成两个主要来源：

1. In-Network：来自你已经关注的账号，由 Thunder 提供近期内容。
2. Out-of-Network：来自你尚未关注的账号，主要通过 Phoenix Retrieval 与 SimClusters 发现。

这些候选内容进入 Home Mixer 后，会经过过滤、特征补充和 Phoenix 排序。Phoenix 根据观看者近期的互动历史，为每条候选内容预测点赞、回复、转发、分享、停留、关注作者，以及不感兴趣、屏蔽、静音、举报等多种行为的概率。

官方 README 把核心计算写成：

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

排序之后，系统还会执行作者多样性衰减、关注外内容折扣、新作者探索与进一步重排。重复内容、已经看过的内容、超过时间阈值的内容，以及触发可见性规则的内容，也可能在不同阶段被过滤。完整流程可以在官方的 System Architecture 和 Scoring and Ranking 中核对。

旧版更像由多路候选服务、大量聚合特征和多层排序器组成的工程系统。新版仍然保留过滤器和可调参数，但 Phoenix 把“理解用户行为序列并预测下一步动作”放到了更中心的位置。

权重不是互动次数的兑换比例

当前公开默认值里，几项容易引起注意的参数包括：

这些值来自固定提交中的 home-mixer/params/param.rs。

把其中几项放回源码，会更容易看清它们只是可配置参数的默认值：

param!(FavoriteWeight, f64, "rust_home_mixer_favorite_weight", 0.5);
param!(ReplyWeight, f64, "rust_home_mixer_reply_weight", 5.0);
param!(
    BidirectionalFollowReplyWeightBoost,
    f64,
    "rust_home_mixer_bidirectional_follow_reply_weight_boost",
    15.0
);
param!(RetweetWeight, f64, "rust_home_mixer_retweet_weight", 1.0);
param!(
    ShareViaCopyLinkWeight,
    f64,
    "rust_home_mixer_share_via_copy_link_weight",
    20.0
);
param!(ReportWeight, f64, "rust_home_mixer_report_weight", -234.0);

最容易出现的误读，是把 20、5、0.5 直接当作实际互动的兑换比例。源码注释专门否定了这种解释：权重乘的是模型针对当前观看者预测的行为概率或连续值，不是已经发生的互动次数。举报本身比点赞少见得多，因此需要更大的绝对权重，才能让这项预测在最终分数里产生影响。具体计算可以在 ranking_scorer.rs 中核对。

互关回复也需要同样谨慎地理解。当前代码会给互相关注作者的原创帖增加回复预测权重，但官方的 变更记录 同时说明，这个参数经历过 A/B 测试和多次调整。它能证明真实关系被纳入排序，不能证明批量互关就能稳定获得推荐。

加成只作用于互关作者的原创帖；回复帖和转发帖不会进入这条分支：

fn bidirectional_boost_eligible(candidate: &PostCandidate) -> bool {
    candidate.in_reply_to_tweet_id.is_none()
        && candidate.retweeted_tweet_id.is_none()
        && candidate.is_mutual_follow_author == Some(true)
}

fn reply_weight_for(&self, candidate: &PostCandidate) -> f64 {
    if self.bidirectional_follow_reply_weight_boost != 0.0
        && Self::bidirectional_boost_eligible(candidate)
    {
        return self.reply + self.bidirectional_follow_reply_weight_boost;
    }
    self.reply
}

什么内容更可能得到推荐？

代码没有提供“爆款模板”，但它能排除一些错误方向，并支持几条更稳妥的判断。

1. 先让系统和读者知道内容写给谁

Phoenix 使用观看者的行为历史来理解兴趣，再判断候选内容是否相关。对创作者而言，稳定并不意味着每次都写同一个话题，而是让内容持续服务一类清楚的人和问题。

如果一个账号今天谈 AI 工具，明天转发无关段子，后天突然讨论陌生领域，单条内容仍可能被推荐，但账号很难形成连续、可识别的受众反馈。

2. 提供自然的高意图行动

回复、私信分享、复制链接和关注作者都进入评分。比起在结尾机械地要求“点赞转发”，更有效的问题是：这条内容是否值得保存到别处、发给同事，或者补充自己的经历？

教程可以留下可执行步骤；源码分析可以留下准确链接和适用边界；观点文章需要给读者一个可以回应的具体判断。行动应该从内容价值里自然发生，而不是由话术硬挤出来。

3. 不要把争议互动当成增长捷径

系统同时预测“不感兴趣、屏蔽、静音和举报”等负面行为，可见性系统还会独立处理垃圾内容、安全标签和其他限制。

制造争吵可能带来短期回复，但代码没有证明“所有互动都是好互动”。如果内容吸引了错误的人群，模型也可能学到这条内容对相似用户更容易造成负反馈。

4. 避免短时间重复发布相似内容

当前默认参数启用了作者多样性衰减：同一作者连续出现时，后续候选的分数会逐步降低，最低保留到一定比例。关注外内容也有额外折扣；README 列出的年龄过滤阈值则是 48 小时。

这些机制支持一个朴素判断：重要内容需要及时获得真实反馈，但连续发布多条高度相似的内容，并不会简单叠加曝光。代码也没有给出一个适用于所有账号的“最佳发布时间”。

我会怎样验证这些判断？

源码只能解释机制，不能代替账号数据。我更愿意把它变成一个两周观察，而不是立刻改掉所有内容策略：

1. 每条内容发布前，只确定一个主要读者问题。
2. 标记希望读者自然产生的主要行动：回复、分享、访问资料或关注作者。
3. 记录平台能看到的展示、回复、分享、主页访问和新增关注；缺失的数据保持未知。
4. 区分内容类型，例如构建记录、教程、源码分析和观点，不把不同类型混在一起比较。
5. 两周后比较哪些内容带来了更深的行动，再决定是否调整主题、结构和发布节奏。

这不是一套保证增长的方法。它只是把“听说算法喜欢什么”，换成“公开代码支持什么，以及自己的账号数据是否验证了它”。

最后留下三个判断

• X 的公开权重描述的是个性化预测，不是实际互动的积分兑换表。
• 高权重行为值得理解，但内容与受众的匹配，比追逐某一个数字更重要。
• 公开仓库、线上实验和个人账号结果是三个不同层级；源码可以帮助提出假设，最终仍要靠真实数据验证。

这次拆解之后，我没有得到一份更神奇的发帖公式。反而更确定了一件事：先把内容写给具体的人，提供值得回应和分享的东西，再用数据检查判断。算法只是把这件事做得更个性化。

主要来源

• X For You Feed Algorithm
• Phoenix Recommendation System
• Home Mixer 默认参数
• Ranking Scorer

Moonment 是一个公开入口，不是另一个需要被喂养的内容系统。它只承接已经发生的工作：开源项目、经过人工确认的笔记，以及能被复查的实验。

三条编辑原则

1. 真实优先。 不预告尚未发生的结果，不用历史数据填补当前未知。
2. 方法公开，实例隔离。 可复用的方法可以进入公共知识，私人素材与身份配置留在各自边界内。
3. 保持可返回。 每篇内容尽量留下来源、适用条件和下一步，而不是只留下结论。

这个站点本身也按相同原则生长：先有真实内容，再扩展结构；先保持清楚，再追求规模。