GitHub 趋势 · 第 42 期

X 的推荐算法开源了：33,089 star，连改参数的理由都写进仓库

#推荐算法#开源审计#X

这到底是什么

仓库地址 github.com/xai-org/x-algorithm，一句话简介：Algorithm powering the For You feed on X。用 Rust 写的，Apache-2.0。

按 GitHub API 抓到的口径：33,089 star、5,384 fork、101 个未关闭 issue、296 个 watcher，创建于 2026-01-19，最近推送 2026-09-10，默认分支 main，仓库体积 4,020 KB——四兆，全是代码和文档，没有模型权重，也没有二进制。

一个必须先说的细节：它没有 Release。releases/latest 返回 404，仓库也关掉了 downloads。这意味着没有一个版本号可以锚定，你读到的默认值、行号和参数名随时可能跟 main 分支一起漂移。

home-mixer/                     For You 信息流的组装层：流水线、权重、过滤
candidate-pipeline/             流水线框架：source / hydrator / filter / scorer /
                                selector / side_effect 六种阶段，能并行就并行
thunder/                        站内候选：关注账号的近期帖子，常驻内存
phoenix/                        站外候选 + 排序模型：训练与推理，JAX + Rust
simclusters/                    站外候选：按「谁和谁互动」聚类
phoenix-rankall/                检索索引的维护与事件层
vm-ranker/                      重排服务：用行列式点过程降低邻居相似度
visibility-filtering/           能不能显示：ALLOW / INTERSTITIAL / DROP
grox/  clip/  media-model-proxy/  内容理解：文本与图片视频分类
botmaker/  scarecrow/           打标规则引擎与运行时
under-the-hood/                 账号可见性标签的报告聚合

请求路径：两条流水线，七个阶段，一次请求内跑完

For You 不是「查一批帖子再排个序」，它是每次下拉都重新组装一次。README 里的架构图把整条路摊开了，我按原文顺序列一遍：

• ▪1. Query Hydration：取观众的近期互动序列（这是模型的主要输入）、关注列表、拉黑与静音、静音关键词、已看过的帖子、已服务过的帖子、已关注话题。
• ▪2. Candidate Sources：分站内与站外并行取候选。站内是 thunder（关注账号的近期帖子，常驻内存），站外是 phoenix 检索与 simclusters 聚类相似。
• ▪3. Candidate Hydration：补全帖文与媒体、作者详情与账号标签、引用帖、语言、互动计数、订阅状态。
• ▪4. Pre-Scoring Filters：打分之前先做十七道过滤，见下一节。
• ▪5. Scoring：PhoenixScorer 出概率，RankingScorer 加权求和，VMRanker 再调一次顺序。
• ▪6. Selection：按最终分排序，取前 K。
• ▪7. Post-Selection Filters：顺序定完才做可见性判定，DROP 的帖子连它的父帖、引用帖、被转帖一起撤掉。

另外一条 Blending Pipeline 包在外面，把模型排不了的东西插进来：广告、Who to Follow、提示语。广告位还会反过来重排自然内容来安排相邻关系。响应发出去之后还有 Side Effects：记录哪些帖子被服务过、刷新缓存、写广告与客户端事件日志。

打标与可见性：三个答案，独立于排序

这是整个仓库里我觉得最值得看的部分，也是它跟一般「推荐系统演示」最大的区别：排序和可见性是两件事。排序决定顺序，可见性决定「能不能出现」，两者是不同的服务、不同的输入、不同的规则。

打标路径不在请求路径上，是持续跑的：内容理解（文本与媒体分类器、图片视频模型、CLIP 嵌入、账号维度的 agatha / bdsm / user-cred-v2、成人内容分类器）产出分数和标签，打标规则（scarecrow 嵌 botmaker 当规则引擎，加 abuse-enforcement-service）落成标签存起来，请求时才被读回来。

判定时会读上面那些标签，再加上观众是否拉黑、静音、关注作者，账号是否受保护、被停用、已注销，订阅专属状态，以及观众自己的设置和国家。有一条规则值得单独点出来：有些规则只在「这是来自你没关注账号的推荐」时才 DROP——比如高召回率的垃圾内容，同一篇帖子对关注者仍然放行。这也是为什么同一篇帖子在两个人的时间线上命运完全不同。

规则仓库里还有一份不常见的坦诚：botmaker-rules/ 明确写了，为降低被绕过和刷量的风险，部分规则当前不在仓库里。同时也有法律驱动的过滤器可以被逐行核对，例如巴西 2026 选举期间上线的 Brazil2026ElectionFilter，对被巴西选举法院报告的账号做过滤，除非观众自己关注了该账号，实现就在 home-mixer/filters/brazil_2026_election_filter.rs。

打分：多动作概率加权，以及那个被误读的「468 倍」

Phoenix 不给一个「相关度」分，它给每个动作一个概率，合并成总分是另一个显式步骤。动作清单按原文分五类：

Engagement    favorite . reply . repost . quote . share . share via DM . share via copy link
Clicks        post . profile . link . photo expand . video open . quoted post
Attention     video quality view . dwell . dwell time . click dwell time . active seconds
Author        follow author
Negative      not interested . mute author . block author . report . not dwelled

Final Score = Sigma (weight_i x P(action_i))

正向动作带正权重，负向带负权重，权重放在 home-mixer/params/param.rs，算式在 home-mixer/scorers/ranking_scorer.rs。求和之后还有三步调整：作者多样性衰减（同一作者的第二篇起逐篇打折，打到底线为止）、站外折扣（来自你没关注账号的帖子乘一个小于 1 的系数，关注账号的回复和转帖也打折）、新作者加成（曝光量低于阈值的作者被抬向目标位置）。

还有一个容易被忽略的细节在 VMRanker：它是排序之后的一次独立重排，用行列式点过程在帖子的嵌入上做取舍——牺牲一点分数，换取相邻帖子之间更低的相似度。也就是说，你刷到的内容变多样，是有明确代码来源的，不是玄学。

十七道前置过滤：读一遍就知道哪些帖子根本活不到打分

这些是打分之前执行的，顺序就是下表的顺序：

打完分、选出前 K 之后还有三道后置过滤：VFFilter 撤掉可见性判定说 DROP 的帖子，AncillaryVFFilter 连带撤掉父帖、引用帖、被转帖已被撤掉的帖子，DedupConversationFilter 收拢同一对话的额外分支。

顺带一个设计上的取舍：已经看过的帖子处理了两遍。ThunderSource 直接拿到清单并跳过，其他来源不拿，所以它们的重复由上面那两个 PreviouslySeen 过滤器兜住。

连改参数的理由都留痕：一份持续交付的变更日志

README 顶部有一节 Notable Updates，逐日记录改动。2026-08-13 那次把可见性过滤、打标系统、以及「训练线上真正在用的 Phoenix 的代码 + 合成数据生成」一起放了进来，同时上了一个新的透明度工具 Under the Hood，让用户看到自己账号和帖子上的可见性标签的聚合统计。

更有意思的是 docs/BIDIRECTIONAL_BOOST_CHANGE.md 这份文档，它把一次真实线上实验的完整过程连 diff 一起公开了，原文的时间线是这样的：

• ▪2026-07-10 开始 A/B 测试，一小部分用户被随机分配到双向关注回复加成的 5 / 10 / 15 / 20 四个档位，当时大多数用户的值是 0，等于没有加成。
• ▪2026-07-13 看到初期结果不错，把 20 推给大量用户，同时继续用 0 / 5 / 10 / 15 做实验。
• ▪2026-07-24 拿到实验数据、也听到了反馈（原话大意是：世界杯正在进行，但有些人看不到足够多相关的讨论，因为那些帖子来自他们没关注的账号），于是把值从 20 调回 15。

param!(FavoriteWeight, f64, "rust_home_mixer_favorite_weight", 0.5);
param!(ReplyWeight, f64, "rust_home_mixer_reply_weight", 5.0);
param!(
    BidirectionalFollowReplyWeightBoost,
    f64,
    "rust_home_mixer_bidirectional_follow_reply_weight_boost",
    20.0          # 2026-07-13 全量上线
);
param!(RetweetWeight, f64, "rust_home_mixer_retweet_weight", 1.0);

# 2026-07-24：20.0 -> 15.0
-    20.0
+    15.0

这套东西的含金量不在代码多漂亮，而在于「这个数字为什么是 15 不是 20」有了可以查证的出处。同时 README 也说明了默认值是怎么进到代码里的：很多可调值读的是配置系统，仓库里有 cron 脚本定期把生产主值写回 param.rs 作为默认值——所以你看到的默认值，是某个时间点上的线上值，不是永久契约。

上手：先把要求读清楚，再决定要不要装

以下命令逐字取自 phoenix/QUICKSTART.md 原文。环境要求也是原文列的：

# Requirements
#   Linux with an NVIDIA GPU and CUDA 12
#   uv and Python 3.11 or newer
#   A Rust toolchain and protoc 3.15 or newer

uv sync --extra engine
export PYTHONPATH=$PWD

# Verify the install with random weights
uv run python xrex/inference/oss_bench/bench.py --smoke --service_type ranking

这一步之后可以生成确定性合成数据并训一个 nano 排序模型。同一个 seed 产出同一份数据：

# 1. Generate deterministic synthetic data
uv run python reference/world_snapshots.py --out ./synth_index --seed 20260721
export PHOENIX_INDEX_BASE=./synth_index

uv run python reference/dump_gen.py --out ./synth_dump --seed 20260721 \
  --num-rows 12288 --partitions 4 --rows-per-file 1024 \
  --sid ./synth_index/sid_snapshot/post_sid_v5_256x6.parquet --self-check

# 2. Train the ranking model
uv run python reference/train_synth.py \
  --data ./synth_dump --steps 6 --out "$PWD/checkpoints" --metrics

QUICKSTART 自己在这段旁边写了一句提醒，我原样转述：rehearsal 观察到 loss 在这份合成数据上下降，但不要把这六步当作模型质量的证据。官方口径是这套 walkthrough 只用来验证「发出去的那条链路能通」，生产数据、checkpoint、编排和规模都不在仓库里。

最后跑一次检索加排序的完整闭环：

# 5. Train retrieval and run retrieve -> rank
uv run python reference/retrieve_then_rank.py \
  --data ./synth_dump --sessions 3 --topk 16 \
  --retrieval-port 9990 --ranking-port 9988

# retrieve_then_rank: 3 session(s) completed the full loop.

我的判断

你会去翻这份代码吗？如果翻了，最先想看的是那十七个过滤器，还是权重表？留言说说你的判断。

下期写 akitaonrails/ai-memory（6,496 star，本月 +5,026，Rust）：给 agent 编码 CLI 做长期记忆，并为不同厂商的 agent 之间做交接。备选是 apache/maka（5,214 star，本月 +3,941，Apache 孵化，agent 全程留痕）与 modular/modular（29,677 star，本月 +3,080，Mojo/MAX）。如果核实下来某一项撑不起一期，我就换月榜下一个高动量项目，绝不硬写。

#推荐算法#开源审计#X