1. 项目概述：一个基于真实X算法的推文优化技能

如果你和我一样，经常需要为项目、产品或者个人品牌在X（原Twitter）上发声，那你肯定也经历过那种挫败感：精心构思了一条推文，感觉内容、配图都挺到位，但发出去后却像石沉大海，互动寥寥。我们通常会去搜索“如何写出高互动推文”，得到的答案往往是“多用表情符号”、“在黄金时段发布”这类泛泛而谈的“增长黑客”技巧。但这些建议真的有效吗？它们背后的依据是什么？很多时候，我们只是在凭感觉做事。

今天要聊的这个项目—— tweet-composer-skill ，彻底改变了这个局面。它不是一个基于猜测或营销经验的工具，而是一个直接“翻译”了X平台官方开源推荐算法规则的智能技能。开发者 @minilozio 做了一件非常硬核的事：他通读了X在2026年2月开源的全部约21,000行推荐算法代码（包括Rust和Python/JAX部分），从中提炼出了真实的排名规则、信号权重和过滤机制，并将其封装成了一个可供AI智能体（Agent）使用的技能。简单来说，它让你的AI助手拥有了一个“X算法透视镜”，在发布前就能预测推文的潜在表现，并给出基于算法逻辑的、可执行的优化建议。

这个技能主要面向两类人：一是内容创作者、社交媒体运营者或独立开发者，他们需要高效地产出高质量推文；二是AI智能体（如OpenClaw）的开发者和使用者，他们希望为自己的智能体赋予专业的社交媒体内容评估与优化能力。无论你是手动发推，还是通过AI助手批量管理，这个工具都能帮你从“凭感觉创作”升级到“按算法规则创作”，让你的每一次发声都更有机会被目标受众看到。

2. 核心原理拆解：X推荐算法是如何给推文打分的？

要理解这个技能的价值，我们必须先弄明白X的“For You”信息流到底是怎么工作的。根据开源代码，其核心是一个代号为“Phoenix”的、基于Grok的Transformer模型。这个模型并不只是简单地预测一条推文“会不会火”，而是为每一条候选推文同时预测 19种不同的用户互动行为 的概率。

2.1 19种互动行为：算法的“语言”

这19种行为是算法理解用户喜好的基本单元，分为正向和负向两大类：

• 15种正向行为 ：这是平台希望促成的互动。包括我们熟悉的点赞（ favorite ）、回复（ reply ）、转推（ repost ）、引用（ quote ），也包括一些更深层的互动，如点击链接（ click ）、点击个人资料（ profile_click ）、展开图片（ photo_expand ）、观看高质量视频（ video_quality_view ），甚至包括“停留阅读时间”（ dwell , dwell_time ）和通过私信分享（ share_via_dm ）等。
• 4种负向行为 ：这是平台极力避免的用户反馈。包括“不感兴趣”（ not_interested ）、屏蔽作者（ block_author ）、静音作者（ mute_author ）和举报（ report ）。

注意 ：算法对行为的编码是“有符号”的。这意味着模型不仅能学习到用户“做了”某个动作（编码为+1），也能学习到用户“没做”但有机会做的动作（编码为-1）。这种设计让模型对用户潜在意图的理解更为细腻。

2.2 最终得分计算：权重之和

一条推文在“For You”信息流中的最终排名得分，并非一个神秘的黑箱分数，而是一个可计算的加权和：

最终得分 = Σ(每种行为的权重 × 该行为发生的预测概率)

tweet-composer-skill 的核心工作，就是根据开源代码，还原出这19种行为的相对权重关系（虽然精确的权重系数是商业机密未开源，但通过代码结构可以推断出大致的优先级和影响因子），并结合一系列结构规则，构建一个近似的评分引擎。

2.3 关键算法规则与洞察

阅读源码后，项目总结出了一些颠覆常识或极具价值的规则，这些规则直接影响了技能的设计：

1. 作者多样性惩罚 ：为了防止单个作者刷屏，算法中有一个“作者多样性评分器”。简单来说，如果同一个作者的连续多条推文都进入了候选池，那么第二条推文的得分会被乘以一个衰减系数（约0.55），第三条会衰减得更厉害（约0.33）。这意味着，疯狂刷推反而会降低单条推文的曝光效率。
2. 候选推文相互独立 ：在模型打分时，每条推文是独立评分的，模型注意力机制中，候选推文之间是相互“看不见”的。这保证了打分是基于内容本身，而非与其他推文的即时对比。
3. 视频时长门槛 ：并不是所有视频都能获得 video_quality_view 这个高权重信号的加分。视频必须超过一个最小时长阈值（具体时长未公开，但确实存在），短于这个时长的视频无法触发此信号。
4. 深层回复链被过滤 ：信息流中的“回复”通常只展示第一层。算法中的 DedupConversationFilter 等过滤器会丢弃“回复的回复的回复”这类深层嵌套内容，以保持信息流的清爽。
5. 停留时间是连续变量 ： dwell_time （停留时间）不是简单的“是/否”布尔值，而是以秒为单位的连续值。这意味着，让用户阅读更长时间（比如10秒 vs 2秒）会带来成比例的更高得分。
6. 内容混合策略 ：虽然算法本身没有硬性规定，但通过对高互动账号的实证分析，项目建议了一个相对健康的内容混合比例：40%娱乐性、30%教育性、20%启发性、10%推广性。这有助于维持账号的长期健康度，避免因内容单一而被算法判定为“枯燥”。

3. 技能安装与集成指南

tweet-composer-skill 主要设计为集成到 OpenClaw 这类AI智能体框架中使用，当然也可以手动调用其规则引擎。

3.1 通过 ClawHub 安装（推荐）

对于 OpenClaw 用户，这是最快捷的方式。ClawHub 可以理解为智能体技能的“应用商店”。

# 在您的 OpenClaw 项目目录下，执行安装命令
clawhub install tweet-composer

安装完成后，技能相关的指令和功能会自动集成到你的智能体中。你可以在与智能体对话时，直接使用诸如“评分这条推文：...”这样的指令。

3.2 手动安装与集成

如果你使用的不是OpenClaw，或者希望深入定制，可以手动克隆仓库。

# 克隆技能仓库到本地
git clone https://github.com/minilozio/tweet-composer-skill.git

# 接下来，你需要将技能的核心逻辑集成到你的系统中。
# 核心文件是 `references/algorithm-rules.md`，它包含了完整的规则引擎。
# 你可以将其中的规则翻译成你所用编程语言（如Python）的评分函数。

手动集成要点 ：

1. 解析规则文件 ： algorithm-rules.md 文件是核心，它用结构化的方式描述了19种行为的触发条件、影响因素和近似权重。你需要仔细阅读并将其转化为条件判断逻辑。
2. 构建评分管道 ：实现一个评分函数，输入为推文文本、发布时间、是否含媒体等信息，输出为一个0-100的综合得分以及详细的分项报告。
3. 注意时区处理 ：算法对发布时间敏感，务必在评分时将时间统一转换为目标受众的主要时区进行计算。

3.3 技能结构解析

了解项目结构有助于你进行二次开发或故障排查。

tweet-composer-skill/
├── SKILL.md              # 核心技能指令文件。定义了智能体如何理解和使用这个技能，包括可用的命令模板和输出格式。
├── references/
│   └── algorithm-rules.md # **最重要的文件**。完整的算法规则引擎，以Markdown表格和列表形式详细列出了19种行为的评分细则、过滤规则和策略建议。
├── assets/
│   └── banner.svg        # 项目展示用的横幅图片。
├── LICENSE               # MIT 许可证文件。
└── README.md             # 你现在正在阅读的项目总览文件。

实操心得 ：如果你是开发者，想将其集成到自己的非OpenClaw系统中，重点研究 references/algorithm-rules.md 和 SKILL.md 即可。 SKILL.md 展示了技能期望的输入输出格式，而 algorithm-rules.md 提供了全部的业务逻辑。

4. 推文评分与优化实操详解

现在，我们来看看如何实际使用这个技能。假设我们有一个集成了此技能的AI助手。

4.1 单条推文评分实战

我们给AI助手发送指令：“评分这条推文：刚刚发布了我们项目的新版本v2.0！新增了多项功能，性能提升巨大。快来试试吧！#开源 #更新”

AI助手调用 tweet-composer-skill 后，可能会返回如下结构的分析报告（以下为模拟输出）：

🐦 Tweet Composer — 综合评分: 62/100

✅ 长度: 58字符 (优秀，低于100字符的推文更易于快速阅读)
⚠️ 正文含链接: 无直接链接，但“快来试试”暗示需要外部跳转，未提供明确入口，损失了 `click` 信号。
❌ 媒体内容: 未附加图片或视频。缺失 `photo_expand` 或 `video_quality_view` 的高权重信号。
✅ 话题标签: 使用了 #开源 #更新，相关性高，有助于分类和发现。
❌ 发布时间: [假设当前为当地时间凌晨3点] 处于绝对低谷期，预估曝光基数极低。
❌ 结尾号召: 以“快来试试吧！”结尾，属于弱号召，驱动 `reply`（回复）或 `quote`（引用）的潜力较低。

📊 预测互动行为分析：
├─ P(回复): LOW — 陈述句，未提出明确问题或争议点。
├─ P(点赞): MEDIUM — 版本更新对核心用户有价值，但表达平淡。
├─ P(转推): LOW — 缺乏令人兴奋的亮点或易于传播的“金句”。
├─ P(点击): VERY LOW — 未提供可直接点击的链接。
├─ P(图片展开): N/A — 无图片。
└─ P(不感兴趣): MEDIUM — 对于非项目用户，这像是一条普通的公告，可能被划过。

💡 优化建议：
1.  **添加视觉元素**：附上一张v2.0新功能的特性概览图或一张性能对比图表。图片能大幅提升 `dwell`（停留）和 `photo_expand` 信号。
2.  **强化结尾**：将结尾改为一个具体问题。例如：“你们最期待v2.0里的哪个新功能？” 或 “在升级过程中遇到的最大挑战是什么？” 这能直接刺激 `reply`。
3.  **明确行动号召**：提供明确的链接，如项目主页、更新日志或演示视频链接。将“快来试试”改为“查看完整更新日志：[链接]”。
4.  **调整发布时间**：规划在目标用户活跃时段发布（如工作日10-12点或19-21点）。

✏️ 优化版本示例：
“v2.0 来了！性能提升高达200%，并新增了实时协作功能。一张图看懂所有更新 👇
[附上信息图]
最让你惊喜的是性能飞跃，还是新加的协作模块？在评论区聊聊。
#开源 #ReleaseDay

🔗 详细更新日志：[链接]”
→ 预估评分可提升至 85+。

评分过程解析 ： 技能内部会遍历19种行为预测模型。例如：

• 计算 P(reply) ：检查推文是否以问号结尾、是否包含“为什么”、“如何”、“你认为”等短语、是否设置了投票。我们的原推文是感叹句，此项得分低。
• 计算 P(photo_expand) ：检查是否附带了图片，以及图片的宽高比是否适合在信息流中显示（倾向于4:3或16:9）。原推文无图，此项为0。
• 计算时间衰减权重 ：根据发布时间与目标受众活跃高峰的时间差，应用一个衰减因子。凌晨3点发布，衰减因子可能接近0.3。

4.2 推文串（Thread）优化策略

推文串的优化逻辑与单条不同，核心在于 首条推文的钩子效应 和 避免作者多样性惩罚 。

规则应用 ：由于 DedupConversationFilter 等机制，一个对话串在信息流中通常只有第一条（或最优质的一条）有较高曝光机会。因此，技能会重点优化推文串的第一条，确保其评分最高。

优化步骤 ：

1. 输入整个推文串草稿 。
2. 技能独立评分每一条 。
3. 识别出评分最高的一条 ，建议将其调整至串首。
4. 检查串内推文的相关性 ，确保话题集中，避免因话题跳跃导致后续推文被判定为低质量。
5. 建议添加明确的串内导航 ，如“（1/5）”，并在首条提示总条数，这能提升 dwell_time （用户知道需要花费多少时间阅读）。

注意事项 ：不要为了凑数而写长串。算法对过长的串（如超过10条）的后续部分会施加更强的衰减。理想情况下，一个推文串应围绕一个核心观点，在3-5条内讲清楚。

4.3 19种行为分析的深度利用

高级用户可以利用详细的19种行为预测，进行更精细的内容策略调整。例如：

• 如果你的目标是涨粉 ：应重点关注能提升 profile_click （个人资料点击）和 follow_author （关注作者）信号的内容。这通常意味着你的推文需要展现专业见解、独特人格魅力或持续提供高价值信息，引导用户“想了解更多”。
• 如果你的目标是驱动网站流量 ：那么 click （链接点击）就是核心指标。技能会建议你使用更吸引人的链接卡片（平台会自动生成）、在推文正文中明确提示链接内容的价值（如“内含独家数据”），并将链接放在显眼位置。
• 如果你想提升品牌好感度 ：则需要最大化正向互动（点赞、转推），并严格最小化负向信号（ not_interested , mute_author ）。这意味着内容要更有趣、更有用，避免硬广和引起不适的言论。

5. 常见问题、排查技巧与避坑指南

在实际使用或集成 tweet-composer-skill 的过程中，你可能会遇到一些疑问或问题。以下是我根据经验总结的常见问题与解决方案。

5.1 评分不准或与预期不符

问题 ：技能给出的评分或优化建议，与我实际发推后得到的数据反馈相差较大。

排查思路 ：

1. 检查输入信息完整性 ：你是否提供了所有必要的上下文？技能评分严重依赖于：
   • 发布时间 ：是否转换为正确的目标受众时区？
   • 媒体类型 ：是图片、GIF还是视频？视频时长是否明确？（视频时长影响 video_quality_view 信号）
   • 受众背景 ：你的账号定位是什么？科技、娱乐、还是生活？技能内置的内容混合策略是通用建议，对于垂直领域可能需要微调。
2. 理解评分的相对性 ：85分不代表一定能成为爆款，只代表这条推文在 算法规则下 的“健康度”和“潜力”优于60分的推文。平台实际的流量还受实时热点、用户关系网络、服务器负载等众多因素影响。
3. 算法迭代 ：X的算法在不断更新。开源代码是2026年2月的快照。虽然核心的19种行为预测框架相对稳定，但具体权重和过滤规则可能已微调。技能规则是强大的基线，但并非永恒不变的真理。

避坑技巧 ：将技能作为 “A/B测试的前置工具” 。不要只发一条评分最高的推文。可以针对同一主题，用技能生成2-3个不同角度（如提问式、陈述式、悬念式）的高分版本，在实际发布时进行小范围A/B测试，积累属于你自己账号的“数据感觉”。

5.2 集成到自定义系统时的挑战

问题 ：手动将 algorithm-rules.md 的规则翻译成代码时，感觉规则描述不够量化。

解决方案 ：

1. 从定性到定量 ：规则文件中很多描述是“提升”、“降低”、“高权重”。你需要为其定义阈值。例如，“推文长度在100-200字符为甜点区”，你可以设计一个函数，长度在100-200时得满分，低于50或超过280则线性扣分。
2. 建立权重体系 ：19种行为的权重是核心机密。你可以通过逆向工程来近似：收集一批你自己账号的历史推文数据（互动数据），用规则计算初始分，然后使用线性回归等简单模型，拟合初始分与实际互动量（如曝光、互动率）的关系，反推出各行为的近似权重系数。这是一个持续调优的过程。
3. 处理模糊规则 ：像“内容要有价值”这类规则，可以通过检测是否包含数据（数字）、步骤（“第一、第二”）、教程类关键词（“教程”、“指南”）来实现。

5.3 关于内容策略的误解

问题 ：是否必须严格遵守40/30/20/10的内容混合比例？

解答 ： 不必教条化 。这个比例是一个基于大量成功账号分析的 经验性指导方针 ，而非算法强制要求。它的核心思想是 “内容多样性” 。

• 如果你是一个纯技术教程账号 ，你的“教育性”内容可能天然占到70%以上。这没问题，但你可以尝试在教程中增加一些“娱乐性”（比如用幽默的比喻解释概念）或“启发性”（分享学习该技术的心路历程）。
• 关键在于避免单一 ：如果你的账号连续10条都是硬广（促销内容），算法很可能会因为内容重复度高而降低其分发权重。技能的建议是提醒你注意内容库的平衡。

5.4 技能使用的伦理边界

问题 ：使用这种工具算不算“操纵算法”或“作弊”？

我的观点 ：这更像是“理解并尊重平台的游戏规则”。就像搜索引擎优化（SEO）早期，人们通过堆砌关键词作弊，后来搜索引擎更新算法打击这种行为，而正规的SEO转为创作高质量、对用户真正有用的内容，并遵循搜索引擎的指南以便更好地被收录。

tweet-composer-skill 同理。它鼓励你：

• 创作更具互动性（提问）的内容。
• 在合适的时间发布。
• 使用图片/视频提升体验。
• 避免垃圾信息和令人反感的内容（以降低负向信号）。

所有这些，最终导向的是 提升内容质量和使用者体验 。它帮助你避免因不了解规则而导致的“好内容被埋没”，而不是教你去钻空子、发垃圾信息。