--- name: threads-algorithm-rules description: Threads (Meta) 演算法紅線 R1–R12 + 信號 S1–S14 + 發文後策略 P1–P4 + 帳號層級 A1–A2 — 任何要寫脆貼文 / 改脆草稿 / 跑 daily-threads-post / 跑 publish-threads.mjs 的 AI,動工前先讀一遍做演算法對齊 self-check。內容改自 AK-Threads-Booster 的 knowledge/algorithm.md (MIT, 2026-03-31 版本)。 --- # Threads 演算法規則(發脆 self-check) ## 出處 / 授權 本 skill 內容**改自** [`akseolabs-seo/AK-Threads-Booster`](https://github.com/akseolabs-seo/AK-Threads-booster) 的 `knowledge/algorithm.md`(2026-03-31 更新),原作以 MIT 授權釋出。我們把原文幾乎逐字保留,僅加上下面這層 preamble 做術語對照,因為 AK 把規則綁到他自家的 M6.3 / M8 / M5 模組,我們不跑那套。 ## AK 術語對照(讀下面內容時用) | AK 用語 | 我們的對應 | 何時用 | |---|---|---| | `[Skill 用途] M6.3 ...` | **發前自查** | 草稿寫完、按 publish 之前的最後檢查 | | `[Skill 用途] M5 ...` | **選題** | 想下一篇要寫什麼時 | | `[Skill 用途] M8 ...` | **發後追蹤** | 發完看實際表現、學經驗 | | `[Tracker 欄位] ...` | 我們**沒有 tracker**,當作觀察維度即可 | | `Skill / 模組` | 都是指 AK 系統的子流程,我們直接照規則本身判斷 | ## 怎麼用這份規則 當你準備寫一篇脆貼文 / 改草稿 / 跑 publish-threads.mjs: 1. **第一輪先掃紅線(R1–R12)** — 命中任何一條,**直接警告使用者**,不要委婉。紅線是硬規則,踩到會被降權。 2. **第二輪看信號(S1–S14)** — 不是必殺,是「這篇潛力如何」的觀察。語氣是顧問式:「你這篇在 S1 私訊分享潛力上看起來偏弱」,不是命令。 3. **發後追蹤(P1–P4)用發文後** — 文字本體寫完後不是結束,前 3 小時的留言區互動策略也很重要,要主動提醒使用者。 4. **跨平台 / 帳號層級(A1–A2)** — 整體節奏建議,不要爆量、保持人設一致。 如果是跟 `daily-threads-post` skill 一起用:**先讀 daily-threads-post 拿格式約束(全形標點 / 列點 / 字數 / 受眾白話化),再用本 skill 做演算法對齊檢查**。daily 規則優先,因為那是使用者的硬約束,但兩條同時違反時要同時警告。 如果觸發 R1–R12 任何一條紅線跟 daily-threads-post 格式衝突,先警告紅線,讓使用者選擇。 --- # 以下為 AK-Threads-Booster `knowledge/algorithm.md` 內容(verbatim,僅微調 [Skill 用途] tag 格式對照我們流程) > 服務模組:[發前自查](AK 原稱 M6.3,演算法對齊檢查)、[發後追蹤](AK 原稱 M8,發文後回饋循環) > 最後更新:2026-03-31 > 適用場景:Threads 為主,Instagram/Facebook 官方規則與專利作方向參考 --- ## 使用說明 這份知識庫分兩大區塊: 1. **紅線區**:踩到就直接警告「這個會被降權,你確定要這樣寫嗎」。發前自查時逐條掃描,命中任一項即觸發警告。 2. **信號區**:不是硬規則,是動態參考。發前自查用來評估貼文的演算法對齊程度,發後追蹤用來追蹤各信號在用戶帳號上的實際表現。 每個知識點標注 `[Skill 用途]`,說明在哪個分析步驟使用。 --- # 一、紅線區(硬規則) > 以下項目命中任一項,發前自查必須直接發出警告。不是建議,是警告。 --- ## R1. Engagement Bait `[發前自查]` 逐句掃描貼文全文(含圖片中的文字),比對以下 5 種 bait 類型。命中即警告。 Meta 用 ML 模型偵測,覆蓋 25+ 語言,圖片會用 OCR 掃描文字。 | Bait 類型 | 觸發用語範例 | 偵測方式 | |-----------|-------------|----------| | **Vote bait** | 「按愛心選A,按哈哈選B」 | 用 Reaction 當投票工具 | | **React bait** | 「按讚如果你同意」「覺得有用按愛心」 | 直接要求按特定 Reaction | | **Share bait** | 「分享給朋友」「轉發到限動」 | 要求分享或轉發 | | **Tag bait** | 「Tag 一個需要看到這個的人」 | 要求 Tag 人 | | **Comment bait** | 「留言 YES」「+1」「留言告訴我」 | 要求留特定文字 | **累犯加重機制**:多次觸發後,不只單篇被壓,整個帳號的觸及都會被壓。 --- ## R2. Clickbait `[發前自查]` 檢查首句和整體語氣,比對以下模式。 觸發條件: - 「你絕對不會相信」「99%的人都不知道」等聳動句式 - 過量驚嘆號 - 故意不講重點,只逼人點開 - 首句承諾的東西,正文沒有兌現 --- ## R3. 首句與正文不一致 `[發前自查]` 比對首句的主題承諾和正文的實際內容,判斷是否一致。 Meta 2025 年對 Facebook 的 spammy content 公告明確打擊: - 與內容不符的 caption - 分心式長 caption - 為了騙互動而設計的說法 雖然公告不是專講 Threads,但代表 Meta 整體推薦系統對「文字承諾和實際內容不一致」的容忍度在下降。 **規則**:hook 可以強,但不能詐。首句說「大多數人搞錯了 X」,正文就真的要證明哪裡錯。 --- ## R4. 明顯搬運 / 低品質原創 `[發前自查]` 評估原創性。若貼文與用戶近期貼文相似度 70%+,警告。 會被判搬運的情況: - 轉發別人內容卻沒有實質新價值 - 帶有其他平台浮水印 - 高相似度重發(同一篇換幾個字再發) - 加 logo、字幕、背景音樂、換句話說,不算高品質原創轉化 **真正的原創至少要有一種**: - 你自己的分析 - 你自己的結論 - 你自己的經驗或實測 - 你自己的框架整理 --- ## R5. 連續同主題 `[發前自查]` 比對近 3-5 篇貼文的主題,判斷是否觸發 diversity enforcement。 Meta 的 diversity enforcement 機制會壓制連續相同主題的內容。核心不是叫你不講同個領域,而是不要在太短時間內發「看起來幾乎一樣」的內容。 - 同領域可以 - 同角度不行 - 同結論換包裝也不行 --- ## R6. 低品質外部連結 `[發前自查]` 偵測貼文是否包含外部連結,評估連結品質。 Meta 官方長期對以下連結有負面態度: - 廣告過多的頁面 - 載入慢的頁面 - 看起來像 SEO 垃圾頁的連結 - 整篇貼文像只是連結的前導廣告 **規則**:能不靠連結就講清楚的,先在貼文內講清楚。真的要放,優先高信譽來源。 --- ## R7. 敏感主題的聳動表述 `[發前自查]` 偵測貼文是否涉及政治、健康、財務議題,若有則檢查表述方式。 | 主題類型 | 風險 | 注意事項 | |----------|------|----------| | 政治 / 社會議題 | 個人化分發限制 | 不是所有人都會被推到,更吃受眾匹配 | | 健康聲明 | 嚴格審查 | 避免武斷、誇大、像保證結果 | | 財務聲明 | 嚴格審查 | 避免未經證實的回報承諾 | | 性暗示 / 血腥 / 邊緣仇恨 | 推薦限制 | 即使沒被刪,也可能降分發 | 政治 / civic content 的處理(Meta 2025-01-07 公開說明):改為更個人化,這類內容更吃「受眾本來就對此有興趣」的信號。語氣需要:主題明確、受眾明確、語氣克制、觀點有根據。 --- ## R8. 負面回饋觸發 `[發前自查]` 評估貼文是否容易引發 `Not interested` 等負面回饋。 Meta 已公開提供 `Interested / Not interested / Hidden Words / reset recommendations` 等控制工具,系統把使用者的顯性偏好當推薦訓練資料。 **最該怕的不是沒互動,而是讓不對的人快速按 Not interested。** 容易引發負面回饋的寫法: - 首句太聳動,但正文很空 - 題目像在講 A,內容卻在講 B - 同樣論點一直重講 - 跟受眾期待嚴重不符 --- ## R9. 主題混雜 `[發前自查]` 判斷貼文是否只圍繞一個核心主題。 Threads 官方 2025 年已明說,帶 topic 的貼文通常會拿到更多 views。這背後不只是「加標籤」,而是系統更容易判定這篇到底在講什麼。 - 一篇文只打一個主題中心 - 前兩句就讓人和系統知道主題是什麼 - 不要一篇文前半講 SEO,後半又跳去創業心法 --- ## R10. AI 內容未標示 `[發前自查]` 檢查是否使用 AI 生成的寫實內容(圖片/影片),若有則提醒標示。 Meta 有標示/誠實要求,欺騙性高的風險最大。可發布不等於可被推薦。 --- ## R11. 圖文不一致 `[發前自查]` 檢查圖片/影片與文字是否在講同一件事。 若圖片、影片、首句、正文各講各的,可能換到短停留,但很容易帶來負面回饋。 圖片應該做三種事之一: - 視覺化一個重點 - 提供案例證據 - 提高可理解度 --- ## R12. 軟性降權(不是一踩就死,但累積會有問題) `[發前自查]` 作為次級掃描項,命中 2 項以上才提醒。 - 內容太像為演算法寫,不像為人寫 - 太多泛用廢話,讀完沒有新資訊 - 留言區品質很差,全部都是短句灌水(發後追蹤用) - 連續幾篇都講幾乎一樣的東西 - 被動瀏覽比例偏高(發後追蹤用,代表第一行沒有抓住人) --- # 二、信號區(動態參考) > 以下不是硬規則,是發前自查用來評估「這篇文的演算法潛力如何」、發後追蹤用來追蹤「哪些信號在你的帳號上真的有效」的參考依據。 > 表述方式:「根據你的數據,這個信號在你的帳號上表現如何」,不是「你應該這樣做」。 --- ## S1. 私訊分享(最強互動信號) `[發前自查]` 評估貼文的私訊分享潛力;`[發後追蹤]` 追蹤實際 shares 數據與預估的偏差。 ### 為什麼最強 Threads/Instagram 近年的公開說法都在往同一方向收斂:`sends / shares` 是超強信號。Mosseri 2025 年確認:私訊分享的權重是按讚的 3-5 倍。 私訊分享之所以重要,不是因為分享動作本身,而是因為使用者願意拿自己的社交關係去背書你的內容。 ### 最容易被私訊分享的內容特徵 - 幫人講出他說不清的觀點 - 幫人省時間的整理 - 反直覺但有根據的結論 - 可以拿去當談資的框架 ### 評估角度 不要只追求「好像很有道理」,要追求「我想立刻丟給某個朋友看」。問:這篇文讀完,讀者腦中會浮現一個想傳給的人嗎? --- ## S2. 深度留言(強互動信號) `[發前自查]` 評估貼文的深度留言觸發潛力;`[發後追蹤]` 追蹤留言品質(5+ 個詞留言比例)。 ### 核心機制 Meta 長期重視 `meaningful social interactions`。單字、表情、複製貼上式留言的價值遠低於有內容的回覆。留言品質比留言數量更重要。 ### 歷史數據參考 MSI 歷史計分(2018 年洩露,CNN / Washington Post 確認):有意義留言(5+ 個詞或含圖片影片)= 30 分,Like = 1 分。2020 修正後留言權重沒降,代表 Meta 長期認為留言是最真實的互動信號。 **一則 5+ 個詞的留言,歷史上值 30 個 Like。** ### 最好引發的留言類型 - 「我不同意,因為...」 - 「我遇過更極端的版本...」 - 「如果換成某個情境呢?」 ### 最差的留言類型(不算有效互動) - 「你覺得呢?」(這是你在討留言) - 「留言告訴我」(這是 comment bait,紅線) - 「+1」 ### 評估角度 結尾不要討讚,要設計「讓人想補充、反駁、套用自己案例」的句子。 --- ## S3. 停留時間 `[發前自查]` 評估貼文的停留時間潛力(結構節奏、資訊密度)。 ### 核心機制 Meta 明確重視 `watch time / time spent / reading time`。不是單看字數長短,而是看使用者有沒有持續投入注意力。長文不是問題,無效長文才是問題。 ### 最有效的做法 - 前 1-2 句讓人停下來 - 中間有節點讓人想繼續讀 - 每一段都在推進,不要重複同一句話換句話說 ### 評估角度 檢查每一段是否有新資訊增量。如果某段只是把上一段換句話說,標記出來。 --- ## S4. 互動者身份(關係信號) `[發後追蹤]` 追蹤互動者組成(核心粉絲 vs 路人),評估帳號的關係健康度。 ### 核心機制 Facebook Papers 和多份專利都指向:平台不只看某篇文互動多不多,而是看誰在互動。核心粉絲、歷史上常和你互動的人,信號通常比路人更強。 ### 評估角度 你不是要討所有人的喜歡。你要先讓「最懂你的人」願意回。寫法上要更敢於有立場,不要把邊界磨平。 --- ## S5. 按讚(弱信號) `[發後追蹤]` 追蹤按讚數據,但不作為核心指標。 歷史內部資料顯示,Like 一直都不是最有價值的互動。高讚低留言的文,不一定是好文。若內容只會讓人快速點讚,通常不夠支撐第二輪分發。 ### 歷史數據參考 MSI 計分中的互動價值排序: | 互動類型 | 歷史分數 | 備註 | |----------|----------|------| | Like | 1 | 基準線 | | Reaction emoji | 5 | 怒怒後來被降為 0 | | Reshare(不加文字) | 5 → 1.5(2020修正) | 2020 大幅下調,防低品質轉發擴散 | | RSVP 活動 | 15 | -- | | 有意義留言(5+ 個詞) | 30 | 最高權重,2020 修正後沒降 | **可保留的方向**:有意義留言 >> 私訊分享 >> 分享 > 按讚。有內容的互動 >> 無內容互動。 --- ## S6. 圖文組合效果 `[發前自查]` 評估是否建議加圖,以及用什麼類型的圖。 Buffer 2026 跨平台 52M+ 貼文分析:Threads 上圖片貼文的中位互動率比純文字高約 60%,比含連結的貼文高 37%。 不是每篇都要硬塞圖,但如果有適合的圖(截圖、數據表、示意圖),加上去。圖片的作用是增加停留時間和理解度,不是裝飾。 --- ## S7. 語意鄰域一致性 `[發前自查]` 檢查貼文主題是否在用戶的語意鄰域內;[選題] 用來判斷主題拓展是否需要橋接。 ### 核心機制 Threads 用 AI 把帳號歸類到內容「neighbourhoods」,基於反覆使用的關鍵詞和主題。 ### 規則 - 每篇文的關鍵詞選擇要持續強化帳號的語意鄰域,而不是偶爾跳去完全無關的主題 - 如果要拓展新主題,用橋接方式(從已知主題延伸到新主題),不要硬跳 --- ## S8. Trust Graph(2026 重點信號) `[發後追蹤]` 長期追蹤帳號的信任累積趨勢;`[發前自查]` 評估貼文是否符合帳號一致性。 ### 核心機制 Mosseri 2025 年底年終公開信:Meta 從 Social Graph(看你認識誰)→ Interest Graph(看演算法猜你喜歡什麼)→ 現在進入 Trust Graph(看誰值得被信任)。 AI 內容氾濫的時代,能持續展現「真人、有立場、有歷史紀錄」的帳號會越來越被優待。 ### 實戰意義 - 持續用一致的人設和主題發文,比追熱點更重要 - 歷史貼文紀錄就是信任資產,不要為了短期流量破壞一致性 - 跨平台行為也會影響理解:同一個人設、同一群受眾、同一套主題宇宙,比每個平台各講各的更容易累積信號 --- ## S9. 可發布 vs 可被推薦 `[發前自查]` 在遇到邊緣內容時提醒用戶此區別。 Meta 有一整套 `Recommendation Guidelines`。有些內容不一定違規、不一定會被刪,但可能不會被大規模推薦。 | 內容類型 | 推薦狀態 | 寫文提醒 | |----------|----------|----------| | 一般知識、案例、觀點 | 容易被推薦 | 主題清楚、原創、有互動價值即可 | | 政治、社會議題 | 可能受個人化限制 | 更吃受眾匹配,不要預設能廣泛分發 | | 健康、財務聲明 | 容易被更嚴格看待 | 避免武斷、誇大、像保證結果 | | 性暗示、血腥、邊緣仇恨 | 常見推薦限制 | 即使沒刪,也可能降分發 | | AI 寫實內容未標示 | 有標示/誠實要求 | 欺騙性高的風險最大 | **不要只問「會不會違規」,要問「這種內容就算過審,系統會不會想把它推薦給陌生人」。** --- ## S10. 小帳號初始曝光 `[發後追蹤]` 追蹤帳號成長階段,評估是否仍在初始加成期。 小帳號常有初始曝光加成,但前提是內容至少過基本品質線。低品質內容不會因為是小帳號就一路被推。 --- ## S11. Discovery Surface(內容是在哪裡被看見) `[發前自查]` 評估這篇文比較像哪一種分發路徑;`[發後追蹤]` 在有資料時回寫實際來源面。 Threads 近年的創作者 Insights 方向很明確:不是只有「有沒有 views」,而是「views 是從哪裡來」。 ### 為什麼要拆來源面 同樣是 1,000 views,來源不同,代表內容機制完全不同: - 從 **Threads feed** 來:通常代表主題語意和帳號信任都還可以 - 從 **Instagram / Facebook** 來:更像跨 app 興趣圖譜有接到 - 從 **Profile** 來:更偏 follower-fit / 已有信任 - 從 **Topic feed** 來:更代表主題標記和主題辨識清楚 ### 來源類別 - `threads`: 來自 Threads app 內主要分發的佔比或觀察 - `instagram`: 來自 Instagram surface 的佔比或觀察 - `facebook`: 來自 Facebook surface 的佔比或觀察 - `profile`: 來自個人檔案頁的佔比或觀察 - `topic_feed`: 來自主題 feed / topic graph 的佔比或觀察 - `other`: 其他來源或目前無法歸類的來源 ### 判讀方式 - 沒有 discovery data 時,不要假裝精準,只能說「未知」 - 若 profile 佔比高、陌生來源弱,代表這篇更偏 follower-fit - 若 topic_feed / Threads source 明顯,代表主題辨識和語意鄰域更強 - 若 Instagram / Facebook 有量,代表內容有跨 surface 的延展性 --- ## S12. Topic Graph Strength(主題圖譜強度) `[發前自查]` 評估這篇文是否容易被系統正確歸類;`[發後追蹤]` 回頭驗證主題清晰度和分發結果。 Threads 官方 2025 年已明說:帶 topic 的貼文通常拿到更多 views。真正的重點不是「有沒有 tag」,而是系統能不能很快判斷這篇到底在講什麼。 ### 評估維度 - 是否有明確使用 topic tag - 用了幾個 topic tag - tag、首句、正文是否在講同一件事 - 這篇是否明顯只打一個主題中心 - 這篇主題是否和帳號長期主題 / bio 語意一致 ### 高分特徵 - 首句兩句內就能知道主題 - 全文只推一個中心問題 - topic tag 和正文高度一致 - 主題和帳號既有信任圖譜相容 ### 低分特徵 - 前半講 A,後半跳 B - tag 很熱,但正文其實不是在講那個 - 帳號平常講 SEO,突然講完全不相干主題,卻沒有上下文 ### 判讀方式 - topic graph 強,不代表一定爆;但 topic graph 弱,分發通常先吃虧 - 若 topic graph 弱但 follower 表現還不錯,通常代表「老粉懂,新人不懂」 - 若 topic graph 強且 topic_feed / stranger views 也高,通常是可放大的正信號 --- ## S13. Originality / Spam Risk Spectrum(原創性與垃圾訊號光譜) `[發前自查]` 不只抓硬紅線,也要抓會慢慢壓低帳號分發品質的弱垃圾訊號;`[發後追蹤]` 用實際資料回頭校正。 Meta 2025 年對 spammy content 的公開說法很清楚:不是只有違規才有問題,低價值、錯配、像在鑽系統漏洞的內容,也會在推薦層被壓。 ### 弱風險維度 - 文案承諾和正文 / 圖像內容不一致的風險 - topic tag / hashtag 用太多、像在硬蹭流量的風險 - 與近幾篇內容過於相似的風險 - 只換幾個字重發的風險 - 整篇像在討低價值互動、沒有實質新資訊的風險 - 互動型態看起來不自然的風險 ### 不是每個風險都等於違規 - 這些維度多數不是「一命中就死」 - 真正危險的是:多個弱風險同時累積,讓系統把你歸到低品質分發桶 ### 判讀方式 - 文案/正文 mismatch 高:通常停留和負面回饋都會差 - 重複群風險高:容易讓系統覺得你最近都在講一樣的東西 - 低價值互動風險高:可能按讚還行,但分享和深留言撐不起來 - 互動型態異常:要優先檢查是不是 CTA 寫法、留言型態或題文落差造成 --- ## S14. Topic Freshness Budget(話題新鮮度 / 題材疲勞) `[發前自查]` 用歷史貼文與語意相近題材評估這個主題還剩多少新鮮度;`[發後追蹤]` 用實際表現回頭校正 fatigue 判讀。 這不是只看「是不是同一關鍵字」。真正會壓觸及的,通常是連續或反覆發布**語意很近、切角也很近**的內容。就算分開幾天發,只要系統看起來像在重複餵同一題材,新鮮度還是會下降。 ### 核心原則 - 同領域可以一直講 - 同語意群可以重複出現 - 但同語意群 + 同切角 + 同承諾句型,會快速消耗新鮮度 ### 判讀維度 - 這篇文目前落在哪個語意群 - 最近一段時間內,語意明顯相近的貼文數量 - 近 7-30 天該語意群的出現密度 - 距離上一篇高相似語意貼文多久 - 以歷史資料推估的題材新鮮度 - 題材疲勞風險(Low / Medium / High) ### 怎麼判 - 不是只比 topic tag,要比**主張、案例、承諾、結論**是否相近 - 最近 5-10 篇若有多篇都能放進同一語意群,freshness 要降 - 距離上一篇相似文越近,風險通常越高 - 若同主題但切角明顯不同、受眾收益不同,新鮮度不一定低 ### 判讀方式 - 新鮮度低,不代表內容差;代表「這題你最近已經講很多次」 - 疲勞風險高時,爆文概率通常會一起下降,因為系統更傾向把它看成重複供給 - 若語意相近文歷史上會一篇強、一篇弱、一篇再弱,通常就是典型 fatigue 走勢 - 若相同語意群但每次切角都大幅不同,可降低 fatigue 判定 ### 實戰提醒 - 題材新鮮度是**帳號內部相對值**,不是平台全局熱度 - 這個信號要從歷史貼文角度看,不要只看當下這篇寫得好不好 - 對小帳號尤其重要,因為探索分發更容易被「最近都在講一樣的東西」卡住 --- # 三、發文後策略 > 以下服務發後追蹤,用於指導發文後的行為。 --- ## P1. 前 3 小時策略 ### 第一小時:不要放生 第一小時是演算法判斷這篇文值不值得給第二輪分發的關鍵窗口。 你該做的不是狂刷新數字,而是: - 快速回第一波高品質留言 - 把有價值的留言接成第二層對話 - 觀察是不是有人誤解主題,必要時用留言補清楚 ### 優先接哪種留言 優先回: - 願意講自己案例的人 - 願意反駁你的人 - 願意延伸問題的人 不用優先回: - 純表情 - 「同意」 - 沒內容的稱讚 ### 怎樣算好的回覆 好回覆不是禮貌,而是能把留言區再推進一步。 最好的回覆形式: - 「你這個例子剛好能證明另一個盲點...」 - 「我同意一半,因為...」 - 「如果換成 B 情境,結論會變成...」 --- ## P2. 留言區是第二內容層 `[發後追蹤]` 評估留言區品質時使用。 Meta 的留言排序專利顯示,留言和回覆本身也會被算興趣分數,不是單純按時間排序。 你的前 3 則回覆,最好做到: - 補一個案例 - 接一個反對意見 - 延伸出新角度 不要只回「真的」「沒錯」「哈哈」。 --- ## P3. 你自己回留言也算信號 `[發後追蹤]` 追蹤用戶回覆留言的頻率和品質。 Meta 內容排序不是發出去就結束,留言區本身也是持續被評估的互動場。 你的回覆應該: - 擴充原文 - 接住不同意見 - 製造第二輪回覆 --- ## P4. 舊文不是死文 `[發後追蹤]` 識別有潛力的舊文,建議回頭補強留言。 內容收到新互動後,有機會重新回到候選池。值得偶爾回頭補強有潛力的舊文留言,不要只盯最新一篇。 --- # 四、帳號層級策略(長期追蹤) --- ## A1. 穩定發文比爆量發文安全 帳號信譽是累積的。突然爆量、連發、主題高度重複,容易被多樣性系統和品質系統一起壓。 --- ## A2. 跨平台行為影響 Meta 越來越用整體行為理解創作者與受眾的關係。同一個人設、同一群受眾、同一套主題宇宙,會比每個平台各講各的更容易累積信號。 --- # 五、發前自查掃描流程速查 > 每篇貼文發出前的檢查順序。 ### 第一輪:紅線掃描(命中即警告) 1. **R1** Engagement bait 5 種類型逐句比對 2. **R2** Clickbait 句式檢查 3. **R3** 首句與正文一致性 4. **R4** 原創性 / 搬運判定 5. **R5** 連續同主題(比對近期貼文) 6. **R6** 外部連結品質 7. **R7** 敏感主題表述 8. **R10** AI 內容未標示 9. **R11** 圖文一致性 ### 第二輪:負面回饋預判 10. **R8** 負面回饋觸發風險 11. **R9** 主題混雜度 12. **R12** 軟性降權項累計 ### 第三輪:信號評估(動態參考,用顧問語氣) 13. **S1** 私訊分享潛力 14. **S2** 深度留言觸發潛力 15. **S3** 停留時間潛力 16. **S6** 圖文組合建議 17. **S7** 語意鄰域一致性 18. **S8** Trust Graph / 帳號一致性 19. **S9** 可推薦性評估 --- # 六、最值得追求的 4 種文 vs 最容易失敗的 4 種文 `[發前自查]` 第三輪信號評估時參考,用來評估貼文屬於哪個象限。 ### 值得追求 | 類型 | 特徵 | 演算法對齊原因 | |------|------|----------------| | 可轉傳文 | 讀者一看就知道要轉給誰 | 觸發私訊分享(S1) | | 可討論文 | 不是人人同意,但人人看得懂 | 觸發深度留言(S2) | | 可套用文 | 讀者能立刻對照自己情境 | 觸發自我表達式留言(S2) | | 可收藏文 | 有框架、有拆解、有整理 | 高停留時間 + 實用價值分享(S1+S3) | ### 容易失敗 | 類型 | 特徵 | 演算法風險 | |------|------|------------| | 假深刻文 | 句子漂亮,但讀完沒有資訊增量 | 低停留、高 scroll past | | 假爭議文 | 只會挑釁,不會論證 | 負面回饋(R8) | | 假原創文 | 本質是轉述別人,換自己口氣 | 低原創性(R4) | | 假互動文 | 靠 CTA 硬拉留言 | Engagement bait(R1) | --- # 七、寫文底線(跨模組通用) `[發前自查]` 作為最終檢查項。 不管結構怎麼變,以下底線不能破: - 首句必須讓目標受眾停下來(不是所有人,是對的人) - 正文不能背叛首句的承諾 - 收尾不要討互動,而是留一個讓人自然想補充或反駁的口 - 每一段都在推進,不要原地踏步換句話說 ### 真正的北極星不是讚數,是這 4 件事 - 這篇文有沒有讓對的人停下來? - 這篇文有沒有讓人願意寫完整一句話? - 這篇文有沒有讓人想把它丟進私訊? - 這篇文有沒有讓留言區變成第二內容場? --- # 八、證據索引 > 以下為知識庫各項目的原始證據來源,供需要查證時使用。 ### 官方規則 / 官方聲明 - Meta, `Recommendation Guidelines`, 2020-08-11 https://about.fb.com/news/2020/08/recommendation-guidelines/ - Meta, `Incorporating More Feedback Into News Feed Ranking`, 2021-04-22 https://about.fb.com/news/2021/04/incorporating-more-feedback-into-news-feed-ranking/ - Meta, `Reshape Your Instagram With a Recommendations Reset`, 2024-11-19 https://about.fb.com/news/2024/11/introducing-recommendations-reset-instagram/ - Meta, `More Speech and Fewer Mistakes`, 2025-01-07 https://about.fb.com/news/2025/01/meta-more-speech-fewer-mistakes/ - Meta, `New Threads Features for a More Personalized Experience That You Control`, 2025-03 https://about.fb.com/news/2025/03/new-threads-features-more-personalized-experience-you-control/ - Meta, `Cracking Down on Spammy Content on Facebook`, 2025-04 https://about.fb.com/news/2025/04/cracking-down-spammy-content-facebook/ - Meta, `Control Your Threads Feed With New Dear Algo Feature`, 2026-02-11 https://about.fb.com/news/2026/02/threads-dear-algo/ ### 洩露 / 訴訟 / 媒體確認文件 - Facebook Papers / Frances Haugen 洩露文件,2021 - Haugen 相關報導與國會證詞:CNN / Washington Post / U.S. Senate hearing materials - New York Attorney General multistate lawsuit against Meta, 2023-10 https://ag.ny.gov/press-release/2023/attorney-general-james-and-multistate-coalition-sue-meta-harming-youth ### 專利 - `US9378529B2` Expected value scoring - `US9286575B2` Adaptive ranking model - `US10909454B2`, `US11657253B1` Multi-task neural network ranking - `US10635732B2` Content reselection / second-chance dynamics - `US10733254B2` Click-based interest tiers - `US9959412B2` Content quality evaluation - `US20190095544A1` Behavioral quality signals - `US10120945B2` Human rater quality criteria - `US9582812B2` Pairwise quality prediction - `US10540359B2` Small account boosting - `US10063513B2` Temporal relevance - `US9336553B2` Diversity enforcement - `US9152675B2` Comment/reply ranking - `US10404817B2` Time spent measurement ### KOL / 社群觀察 只作補充,不作核心證據。若 KOL 觀察和官方規則相反,優先相信官方。