今天主要记录两个话题：X 新开源的推荐算法，以及 DeepSeek Harness 到底是面向技术人员，还是面向普通用户。

X 新开源的算法怎么判断是不是不真实行为？

早上起来，发现邮件收到好多 X 算法开源 GitHub 仓库的通知，抓紧爬起来看看，发现真的开源了不少东西：

• 推荐算法更新成生产环境使用的训练和推理代码；
• 推文可见性过滤：visibility-filtering；
• 不真实行为检测：bdsm；
• 权重衰减机制更新：用户从时间线刷到的推文是不是自己已关注的作者，如果不是，会乘一个小于 1 的系数，避免时间线都是陌生账户发的推文；已关注作者的转发和回复也会乘以这个系数，也就是说，转发和回复比发推的权重更低；
• 新作者冷启动：关注数小于 1000、单条曝光小于 1000 的作者，如果曝光低于阈值，会被提升曝光；
• 还有很多，就不一一列举了。

我最先关注的是 bdsm 模块，它被用来检测不真实行为。因为这两个月，我在时间线上刷到被冻结的账户实在太多了。

bdsm 还是一个 Transformer 模型。

它的输入是账号最近的操作，比如点赞、关注、回复和转发的频率与间隔，是否在短时间内进行大量操作，是否反复操作同一批账号，是否没有看内容就直接互动，以及操作来自正常客户端还是 API。

它的输出是判断这个账号更像哪一种类型：

• 自动关注；
• 自动点赞；
• 互动放大；
• 回复垃圾；
• 发帖垃圾；
• 自动转发；
• 混合自动化；
• 正常用户。

这次更新了很多内容，而且都是生产级的。但我觉得，对于普通 X 用户来说，其实不需要关注这些，只要关注自己的内容就好了。

如果想进一步了解推荐算法的底层原理，可以看看我之前写的文章，里面的底层原理还没有过时：

X 开源推荐算法后，我终于找到 100 万曝光背后真正的「流量密码」

新作者冷启动是怎么做的？

还有一点，新作者冷启动的源码也值得说一说。我自己认为，这也是大部分人真正想要关注的内容。

什么算新作者的推文？

需要同时满足两个条件：

• 作者的关注数小于或等于 1000；
• 当前推文的曝光小于 1000。

算法怎么扶持冷启动？

某个用户刷新时间线时，后台会执行面向这个用户的推荐算法。

其中有一个步骤，是通过模型计算候选推文的推荐分数并进行排序。这个过程可以参考我之前写的文章。

在排序后的候选池中，算法会寻找符合新作者条件的推文，同时还有两个要求：

• 推文内容通过了基础内容质量检查；
• 推文在候选池中的排名位于前 85%。

满足要求后，算法会把这条推文的分数调整到当前候选池第 16 名的位置，再推荐给用户。

不过，它最后不一定会出现在用户时间线的第 16 个位置，因为后面还会经过打乱等处理。

看着简单，其实在推文进入候选池之前，还有一层层的漏斗。

比如，你得先让自己的推文进入候选推文池。写当前热点或者大部分人关注的内容，更容易获得进入候选池的机会。

进入候选池以后，模型才会给推文打分；打完分还需要获得一定的排名，才能触发新作者冷启动。

总结一下，别管这些花里胡哨的机制。从源码层面可以看出来，只要你坚持输出内容，算法会为你保驾护航。

DeepSeek Harness 到底面向谁？

网上很多人都在说，DeepSeek Harness 更面向技术人员，而不是普通用户。

但之前 DeepSeek 内部会议录音里，梁文锋就说过：

我们没有在 C 端上花很多力气，甚至一度我们都不想维护那些用户了，但是用户赶都赶不走。

DeepSeek 的初衷是追求 AGI。

所以，我更愿意把 DeepSeek Harness 看成一种基建。先不讨论这个方向最后是不是对的，至少它是在探索一种新的 Agent 范式。

很多人拿 DSH 太极客、对普通用户不友好说事。但回头看，DeepSeek 官方 Chat 不一直也是这样吗？

至少从 DSH 身上，我看到的还是那套思路：先探索能力和范式，而不是先把 C 端体验磨到极致。

最终面向普通用户的体验，是基于 DSH 构建 agent 的开发者需要解决的问题。