| 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 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:
- 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。
- 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。
- 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。
- 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:
- 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。
- 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。
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:
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:
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:
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:
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)
- R1 Engagement bait 5 種類型逐句比對
- R2 Clickbait 句式檢查
- R3 首句與正文一致性
- R4 原創性 / 搬運判定
- R5 連續同主題(比對近期貼文)
- R6 外部連結品質
- R7 敏感主題表述
- R10 AI 內容未標示
- R11 圖文一致性
第二輪:負面回饋預判
- R8 負面回饋觸發風險
- R9 主題混雜度
- R12 軟性降權項累計
第三輪:信號評估(動態參考,用顧問語氣)
- S1 私訊分享潛力
- S2 深度留言觸發潛力
- S3 停留時間潛力
- S6 圖文組合建議
- S7 語意鄰域一致性
- S8 Trust Graph / 帳號一致性
- 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
專利
US9378529B2 Expected value scoringUS9286575B2 Adaptive ranking modelUS10909454B2, US11657253B1 Multi-task neural network rankingUS10635732B2 Content reselection / second-chance dynamicsUS10733254B2 Click-based interest tiersUS9959412B2 Content quality evaluationUS20190095544A1 Behavioral quality signalsUS10120945B2 Human rater quality criteriaUS9582812B2 Pairwise quality predictionUS10540359B2 Small account boostingUS10063513B2 Temporal relevanceUS9336553B2 Diversity enforcementUS9152675B2 Comment/reply rankingUS10404817B2 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。
