系统先找候选
一部分来自你关注的人，一部分来自全站里和你兴趣相近的内容。
不是只看你关注谁
关注列表负责一部分供给，但 For You 还会从全站找你可能感兴趣的内容。
相似兴趣会连起来
你最近互动过的内容会形成向量表示，系统找距离近的帖子。
比例会被调节
圈外内容不是无限制涌入，代码里有单独的 OON 权重因子。
普通用户最该知道的 4 件事
源码里有很多服务和模型名，但落到体验上，其实可以压缩成这四句话。
模型预测行为
它不是只问“这条热不热”，而是问“这个用户会不会对它有反应”。
过滤器先挡风险
已看过、重复、太旧、屏蔽关系、静音词、安全问题都可能被拿掉。
最终页面还会混排
广告、关注推荐和产品提示会插入，所以你看到的不只是帖子排序榜。
一条帖子到你面前，要过 5 道关
可以把 X 推荐理解成漏斗：越往后，留下来的内容越少，也越贴近这次请求。
全站内容海量新帖、旧帖、视频、转帖、回复
很多
系统不会把所有内容逐条精排，成本太高。
候选召回关注内 + 兴趣相似 + 话题来源
一批
Thunder 找关注内新鲜内容，Phoenix 找圈外相似内容。
模型打分预测喜欢、停留、回复、反感等
更少
不是一个分数拍脑袋，而是很多行为预测合成。
过滤和去重已看过、屏蔽、静音、安全、重复
少量
模型喜欢也不一定能过硬规则。
推荐分像一份配方，不是一个按钮
源码中的 RankingScorer 会把很多行为预测乘上权重，再考虑作者多样性和圈外内容比例。
喜欢
加分
停留
加分
回复/转发
加分
点开作者
加分
不感兴趣
减分
从工程角度看，它大致这样运转
下面这张图省略了内部服务名，只保留用户能感受到的关键步骤。
读懂你最近的动作
你喜欢、回复、转发、停留、视频观看等行为会变成一段历史。
找一批可能相关的帖子
关注的人提供新鲜内容，全站向量检索提供兴趣相近内容。
逐条预测你的反应
模型分别预测喜欢、停留、回复、转发、负反馈等概率。
挡掉不该出现的内容
重复、已看、屏蔽、静音、安全风险和话题不匹配会被过滤。
组成最终页面
帖子排序后，还会插入广告、关注推荐、提示和置顶模块。
它为什么会推荐“没关注的人”？
这部分来自 out-of-network 召回。系统会从全站找与你历史行为相似的内容。
你能影响推荐，但不是立刻“重置宇宙”
系统看的是一段行为历史。单次点击会有影响，但连续、明确、一致的动作更有信号强度。
多给正反馈
喜欢、回复、转发、停留、点开作者，会告诉系统这类内容值得更多出现。
明确负反馈
不感兴趣、静音、屏蔽，比快速划走更明确。
清理关注关系
关注列表会影响 in-network 候选，也影响系统对你兴趣的理解。
避免误点误停留
长时间停留和频繁点开会被当作兴趣信号，即使你只是围观。
哪些内容会被挡掉或压低？
推荐不是模型一票决定，很多硬规则会保护体验和安全。
直接过滤
这类内容可能在排序前后被移除，不再进入最终 feed。
重复内容
已经看过
太旧
屏蔽关系
静音词
安全风险
降低排序
这类内容不一定消失，但会因为预测不佳或体验约束被放到后面。
可能不感兴趣
可能被举报
同作者太多
视频不符合条件
圈外比例调节
三个常见误解
用源码能确认的部分，反而能帮我们避开很多玄学解释。
“点赞越多越推荐”
公开互动数只是候选特征之一。更关键的是模型预测“你这个人”会不会互动。
“只要我关注就一定看到”
关注内内容会进入候选池，但仍要和其他内容一起过滤、打分、排序。
“模型喜欢就一定出现”
安全、社交关系、已看历史、去重、广告混排都会改变最终页面。