# 刚刚！X 官方算法源码全公开小白保姆级深度解读：Grok 是怎么决定你看到什么的？ - 状态 / Status: 已发布 / Published - 时间 / Time: 2026-01-21T00:08:33+08:00 - 作者 / Author: - - 主题 / Topics: 方法论 / Methodology - 原文 / Source: https://mp.weixin.qq.com/s/YOtSXeB6T-knGOHJDJnYhQ ⚠️ 免责声明：本文基于 X 官方开源代码库解读整理，旨在帮助理解算法原理。平台政策持续迭代中，具体运营效果因人而异，仅供参考学习。 --- ⚠️ 免责声明 ：本文基于 X 官方开源代码库解读整理，旨在帮助理解算法原理。平台政策持续迭代中，具体运营效果因人而异，仅供参考学习。 🔥 刚刚！X 官方算法源码全公开 小白保姆级深度解读：Grok 是怎么决定你看到什么的？ 2026年1月19日 · GitHub: xai-org/x-algorithm · 大白话拆解 🚨 刚刚发生的大事 就在 几小时前 ，X（原 Twitter）正式在 GitHub 开源了他们的 最新推荐算法 ！ 这不是 2023 年那个旧版本，而是 全新的 Grok AI 驱动版本 ——代码仓库才 3 颗星，你可能是第一批看到这篇解读的人！ 📍 github.com/xai-org/x-algorithm ✦ ✦ ✦ ⚡ TL;DR 速览：30秒看懂核心变化 📋 Cheatsheet：新算法 vs 旧算法 ❌ 旧算法（2023） 手工设计特征 + 规则系统 + 多个独立模型 ✅ 新算法（2026） Grok Transformer 一个模型搞定一切 ，完全消除手工特征 🎯 一句话总结 Grok 会 阅读你的每一次互动历史 ，然后预测你对每条帖子会做什么（点赞？回复？拉黑？），按预测分数排序推给你。 🧩 四大核心组件（记住这四个名字）： 🏠 Home Mixer · 总指挥 · 协调所有流程 ⚡ Thunder · 关注流 · 你关注的人发的帖子 🔥 Phoenix · AI大脑 · Grok模型做检索+排序 🔧 Candidate Pipeline · 流水线框架 · 可复用的推荐管道 ✦ ✦ ✦ 一 大白话：X 算法到底在干啥？ 先别慌，咱们用 点外卖 来打个比方 👇 🍜 想象你打开美团点外卖... 美团怎么知道该给你推什么？ ✦ 你之前点过什么（ 互动历史 ） ✦ 你收藏了哪些店（ 关注列表 ） ✦ 你给差评的店（ 屏蔽/拉黑 ） ✦ 附近还有什么新店（ 全网发现 ） X 的 For You 信息流，原理一模一样！只不过"外卖"变成了"帖子"。 📐 核心公式（人话版） 你看到的帖子 = 关注的人发的 + AI 帮你发现的 （Thunder 提供） + （Phoenix 提供） 🔄 一条帖子是怎么出现在你首页的？ 1 你打开 X 系统开始给你"备菜" 2 Thunder 去冰箱拿食材 把你关注的人最近发的帖子全拿出来 3 Phoenix 去外面采购 用 AI 从全网找你可能喜欢的帖子 4 过滤掉坏食材 删重复的、太老的、你拉黑的人发的... 5 Grok 大厨来打分 预测你会对每道菜做什么（吃？扔？投诉？） 6 按分数排序上菜 分高的帖子先让你看到 ✦ ✦ ✦ 二 Phoenix：算法的"AI 大脑"深度解析 Phoenix 是整个系统的 灵魂 ，它干两件事： 🔍 功能1：检索（Two-Tower Model） 作用： 从全网几十亿条帖子里，找出你可能感兴趣的那几千条 🏗️ 怎么实现的？双塔模型！ User Tower（用户塔） ：把你的特征（关注谁、最近点赞啥）变成一串数字 Candidate Tower（候选塔） ：把每条帖子也变成一串数字 匹配 ：用向量点积找最像的帖子（就像找"味道最像"的菜） 💡 打个比方：这就像相亲软件 把你变成一个"画像"（喜欢什么、讨厌什么），把帖子也变成"画像"，然后找最匹配的介绍给你。 📊 功能2：排序（Grok Transformer） 作用： 对检索出来的帖子精排，决定谁排第一、谁排最后 🎯 Grok 会预测你对每条帖子的 15 种行为概率： ✅ 正向行为（分数加分）： P(favorite) 点赞概率 P(reply) 回复概率 P(repost) 转发概率 P(quote) 引用转发概率 P(click) 点击详情概率 P(profile_click) 点击作者主页概率 P(video_view) 看视频概率 P(photo_expand) 展开图片概率 P(share) 分享概率 P(dwell) 停留阅读概率 ⭐ P(follow_author) 关注作者概率 ⭐ ❌ 负向行为（分数减分）： P(not_interested) 点"不感兴趣"概率 P(block_author) 拉黑作者概率 💀 P(mute_author) 静音作者概率 P(report) 举报概率 ☠️ 📐 最终分数计算公式： Final Score = Σ (weight × P(action)) 正向行为权重为正，负向行为权重为负 如果 Grok 预测你大概率会拉黑这条帖子，它的分数会被压得很低 ✦ ✦ ✦ 三 过滤器：哪些帖子会被"踢出局"？ 在打分之前和之后，系统会用一堆 过滤器 把不该出现的帖子干掉： 🚧 打分前过滤（Pre-Scoring Filters）： DropDuplicatesFilter · 删重复帖子 AgeFilter · 删太老的帖子 SelfpostFilter · 删你自己发的帖子（不会给你推你自己的） AuthorSocialgraphFilter · 删你拉黑/静音的人的帖子 MutedKeywordFilter · 删包含你屏蔽关键词的帖子 PreviouslySeenPostsFilter · 删你已经看过的帖子 PreviouslyServedPostsFilter · 删这次会话已经推给你的帖子 IneligibleSubscriptionFilter · 删你没订阅看不了的付费内容 🛡️ 打分后过滤（Post-Selection Filters）： VFFilter · 删已删除/垃圾/暴力/血腥等违规内容 DedupConversationFilter · 删同一个对话线程的重复分支 💡 运营启示： 如果你的帖子 从来没被推荐过 ，先检查： ✦ 是不是被当成"太老"的帖子过滤了？ ✦ 是不是触发了某些安全审核？ ✦ 是不是被目标用户设置了关键词屏蔽？ ✦ ✦ ✦ 四 官方透露的 5 个关键设计决策 这部分是 X 官方在 README 里直接写的，非常有价值： 🎯 决策1：完全消除手工特征 官方原话： "We have eliminated every single hand-engineered feature." 人话翻译： 以前算法是"工程师觉得什么重要就加什么特征"，现在全交给 Grok 自己学。 运营启示： 没有"绝对的规则"了，Grok 会根据用户反馈动态调整什么重要。 🔒 决策2：候选隔离（Candidate Isolation） 官方原话： "Candidates cannot attend to each other—only to the user context." 人话翻译： 一条帖子的分数，不会因为"同一批里有哪些其他帖子"而变化。 运营启示： 你的帖子是"独立打分"的，不用担心被同时期的爆款"压下去"。 🎲 决策3：基于哈希的嵌入 官方原话： "Both retrieval and ranking use multiple hash functions for embedding lookup." 人话翻译： 用哈希技术来快速查找相似内容，效率极高。 📊 决策4：多行为预测 官方原话： "Rather than predicting a single 'relevance' score, the model predicts probabilities for many actions." 人话翻译： 不是简单的"相关/不相关"，而是预测 15 种具体行为的概率。 运营启示： 想被推荐，就要让 Grok 预测用户会对你 做出正向行为 （点赞、回复、转发...） 🧩 决策5：可组合的管道架构 官方原话： "Easy addition of new sources, hydrations, filters, and scorers." 人话翻译： 整个系统是模块化的，可以随时加新功能。 运营启示： 算法会持续迭代，保持学习和观察。 ✦ ✦ ✦ 五 给普通人的运营启示 基于这份源码，我们可以得出一些 可执行的策略 ： 🎯 新算法下的核心原则 让 Grok 预测用户会对你的帖子 做正向行为 ，而不是 做负向行为 ✅ 策略1：最大化「正向行为概率」 ✦ 写能引发 回复 的内容（提问、观点争议、征求意见） ✦ 写能引发 转发 的内容（实用干货、独家爆料、情绪共鸣） ✦ 写能让人 停留阅读 的内容（P(dwell) 是关键指标！） ✦ 写能让人想 关注你 的内容（展示专业性、独特价值） ❌ 策略2：最小化「负向行为概率」 ✦ 避免发让人想 拉黑 的内容（人身攻击、极端言论） ✦ 避免发让人想 静音 的内容（刷屏、重复内容） ✦ 避免发让人想 举报 的内容（违规、低质、垃圾） ✦ 避免发让人点 不感兴趣 的内容（与你账号定位不符的内容） 💡 策略3：理解「互动历史」的重要性 Grok 是根据用户的 历史互动 来预测的，这意味着： ✦ 和你互动过的用户，更容易再看到你的内容 ✦ 回复别人的评论很重要 ——这会增加"双向互动记录" ✦ 持续发布内容，建立稳定的"互动用户群" 📌 策略4：关于「网外流量」的机会 Phoenix Retrieval 会从全网帮用户发现内容，这对小号是 好消息 ： ✦ 即使没人关注你，只要内容好，也可能被 AI 推给潜在用户 ✦ 关键是让你的内容"匹配"上某类用户的兴趣画像 ✦ 专注垂直领域，让 AI 更容易把你归入某个"兴趣社区" ✦ ✦ ✦ 六 SOP Checklist：发帖前检查清单 每次发帖前，用这个清单过一遍： ✅ 发帖前检查（提升正向行为概率） ☐ 这条帖子有没有 引发回复的点 ？（问题、观点、征求意见） ☐ 这条帖子有没有 转发价值 ？（对别人有用、能帮他表达观点） ☐ 这条帖子能不能让人 停下来看完 ？（信息密度、故事性、悬念） ☐ 这条帖子 符合我的账号定位 吗？（避免让关注者"不感兴趣"） ☐ 如果是视频， 前3秒吸引人 吗？（P(video_view) 很重要） ☐ 如果有图片， 会让人想点开看大图 吗？（P(photo_expand)） ❌ 避免事项（降低负向行为概率） ☐ 避免人身攻击、极端言论（ P(block) 飙升） ☐ 避免短时间内刷屏发相似内容（ P(mute) 飙升） ☐ 避免发违规/低质/垃圾内容（ P(report) 飙升 + VFFilter 过滤） ☐ 避免发与账号定位完全无关的内容（ P(not_interested) 飙升） ☐ 避免使用被大量用户屏蔽的关键词（被 MutedKeywordFilter 过滤） 📊 发帖后检查 ☐ 前30分钟 是否在线回复评论？（增加互动历史权重） ☐ 有没有 引导用户做正向行为 ？（点赞、转发、回复） ☐ 有没有 关注数据表现 ，记录什么类型内容效果好？ 🛡️ 长期账号维护 ☐ 保持 稳定的发帖频率 （建立用户互动习惯） ☐ 保持 垂直领域聚焦 （让 AI 更容易给你打标签） ☐ 主动与粉丝互动 （增加双向互动记录） ☐ 避免被大量用户拉黑/静音/举报（ 负向信号会累积 ） ✦ ✦ ✦ 七 一句话总结 新算法的本质： Grok 在预测「用户会对你做什么」 让它预测到 正向行为 ，你就赢了 "The Grok-based transformer does all the heavy lifting by understanding your engagement history." 「Grok Transformer 通过理解你的互动历史来完成所有重活。」—— X 官方 README 💬 互动话题 你觉得这个新算法对小创作者是好事还是坏事？ 欢迎在评论区分享你的看法！ 📚 参考来源： 1. X 官方开源算法仓库 (2026年1月19日公开) 2. xAI Grok-1 开源模型 3. 仓库 README.md 文档 参考原文信息列表： 1. https://github.com/xai-org/x-algorithm 2. https://github.com/xai-org/grok-1 3. https://github.com/xai-org/x-algorithm/blob/main/phoenix/README.md ✨ — END —