第一阶段：Candidate Pipeline — 候选召回
系统从多个数据源广泛召回"可能相关"的内容，不做精细筛选，目标是构建一个足够大的候选池。这一步的核心逻辑是宁多勿漏，确保后续环节有足够的素材可供排序。
第二阶段：Thunder — 关注流粗排
针对"你关注的人"发布的内容进行初步排序。排序信号包括：
- 互动频率：你与该用户的历史点赞、回复频次
- 内容时效性：发布时间的新鲜度
- 兴趣匹配度：你过往对此类内容的消费习惯
关注关系在推荐系统中天然具有更高权重，因此单独提取做基础排序。
第三阶段：Phoenix — 模型精排
这是整个管线的核心环节，使用预测模型（推测为 Grok 推理模块）对每条候选内容进行精细打分。预测维度包括：
- 用户是否会点赞
- 用户是否会评论
- 用户是否会转发
- 用户是否会停留阅读（即单帖停留时长）
这些预测值最终合成一个综合得分。关键点在于：无论内容来自关注用户还是陌生用户，都会经过同一套精排模型打分，系统只关心"最可能产生互动"的内容。
第四阶段：Home Mixer — 混排与去重
最终阶段将不同来源的内容按比例混合——一部分来自关注流，一部分来自热门和兴趣推荐。这一阶段最关键的机制是去重：
系统会计算同一时间窗口内内容的相似度，过滤掉高度重复的帖子。即使你的内容质量很高，如果与已有内容高度相似，也很难进入 For You 推荐流。
对内容创作者的启示
这套算法揭示了一个重要规律：内容的独特性比完美度更重要。大量同质化的技术 Demo 展示、千篇一律的工具推荐，在精排模型眼中很难获得高分——因为缺乏真实互动反馈，评论区只有泛泛的夸赞，系统无法为账号建立清晰的标签和主题定位。
对于独立开发者而言，与其追逐热点发布雷同内容，不如围绕自己的产品和真实经验建立差异化的内容标签，让推荐系统能够精准定位你的受众。
此外，发帖频率和时间间隔可能受后台冷却时间（CD）机制控制，这部分尚待进一步研究验证。感兴趣的开发者可以直接阅读 GitHub 上的开源代码，深入理解各阶段的具体实现。