账号增长公式

流量公式与阶段权重 把「流量从哪里来」写成了一个公式，社媒账号是里面的第 9 个自变量。这一篇单独开一个篇章，研究出海账号：X、LinkedIn、Reddit、YouTube、Threads、Bluesky 上的个人号和产品号，怎么从 0 做起来。

为什么现在要把账号单拎出来：

• 账号是放大器，不只是一个渠道。 2026 年 5 个 Product Hunt 发布的复盘里，7 天注册数相差 6.3 倍，差距主要来自创始人本来就有的受众。发布、外联、社区这些脉冲型渠道，打出去的力度都乘了一个「你自己有多少人听」
• 账号是攒得下来的资产。 一篇帖子两天就没人看了，但它带来的关注者会留下，下一篇帖子从更高的起点出发。这是公式里少有的、靠自己就能复利的项
• AI 推荐也看站外提及。 你在 X、Reddit、LinkedIn 上说过的话，会被搜索和 AI 抓到。账号做得好，「AI 推荐」这个自变量也跟着涨

但也别高估它。TrustMRR 上近 5,000 家公司的数据，创始人 X 粉丝数和收入的相关系数只有约 0.26，公司年龄和收入的相关系数是 0.48（第三方对公开数据的分析）。有几家年收入过百万美元的公司，创始人粉丝不到 100。账号能让你早几个月起步，但决定不了产品能不能活。

做法还是建模的老规矩：先读论文和源码，把已经验证过的规律摆出来；再搭公式、跑模拟；然后列自变量、定阶段权重；最后用自己的数据去估。最后一节是这个篇章后面每一篇的目录。

相关的几篇：

• 流量公式与阶段权重：账号在整个流量公式里的位置
• 怎么找社区：Reddit、HN 账号的门槛和规则
• 冷外联：找「放大器」，和本篇的「借流量」是一回事
• 工具产品看数据：UTM 和自述归因

一、几条已经被验证的规律

1. 关注是订阅，不是交朋友

Kwak 等人 2010 年爬下了整个 Twitter：4,170 万用户、14.7 亿条关注关系。结论是 Twitter 更像一个新闻媒体，而不是社交网络：

• 只有 22.1% 的关注关系是互相关注的，Flickr 是 68%，Yahoo! 360 是 84%
• 粉丝数的分布不是干净的幂律
• 85% 以上的热门话题是新闻

别人关注你，是因为想看你的内容，不是因为你关注了他。所以「互关换粉」换来的是一群不看你内容的人，对后面要说的互动预测只有坏处。

但互相关注少，也意味着它稀缺、有价值。2026 年 7 月 X 在排序里加了一个参数：互相关注的人在你原创帖下回复，权重额外 +15（见下一条）。在你的圈子里有一批真正互相看、互相回的人，比一万个僵尸粉值钱。

2. 推荐系统预测的是「这个人看到后会怎么做」

这是理解所有平台的钥匙。三家公开过的系统：

X（2026 年开源的 For You 排序）。 xAI 在 2026 年 1 月放出了现在线上用的推荐代码（xai-org/x-algorithm，本文核对的是 2026-10-09 的版本）。流程是：

候选：圈内（你关注的人最近的帖子） + 圈外（检索模型、SimClusters 兴趣簇、热门帖）
过滤：去重、超过 48 小时的帖子、拉黑和静音的、已经看过的……
打分：Phoenix 模型（基于 Grok）预测你对这条帖子做每个动作的概率
      最终分 = Σ 权重 × P(动作)
调整：圈外帖子打折；曝光量很低的新作者往上提

home-mixer/params/param.rs 里的默认权重：

两点要注意。第一，X 在 README 和代码注释里专门写了：权重乘的是「这个用户做这个动作的预测概率」，不是互动次数，所以「1 个举报抵消 468 个赞」这种读法是错的。第二，网上流传最广的「作者回复评论 = 150 倍点赞」「回复 = 27 倍点赞」来自 2023 年开源的旧版（twitter/the-algorithm-ml），现在的代码里已经不是这组数。

对做号的含义：

• 一条帖子能活的时间是 48 小时，这是过滤规则写死的
• 回复、引用、私信分享、复制链接是强信号，点赞很弱。 能让人想回、想转给朋友的内容，比让人点个赞的内容值钱一个数量级
• 负反馈的权重很大。 让一部分人点「不感兴趣」或静音你的内容（标题党、刷屏、离题），代价比少几个赞大得多
• 圈外有折扣、新作者有扶持。 小号的帖子有机会被推到圈外，但要靠被推到的那批人的反应

另外，代码里有一个 user-cred-v2：在关注图和互动图上跑 PageRank，给每个账号算一个可信分，用于反垃圾和可见性过滤。被谁关注、和谁互动，会影响你这个号的分。

YouTube。 Covington 等人 2016 年的论文：先从几百万个视频里召回几百个候选，再按每次展示的预期观看时长排序，而不是点击率，因为按点击率排会把标题党推上去。新视频会先给一小批人看，看他们点不点、看不看完，再决定要不要扩大（这部分是创作者工具厂商的总结，C 级）。

TikTok / 字节。 Monolith 论文（2022）讲的是实时在线训练：用户的反馈几分钟内就进模型。论文没说这就是 TikTok 的线上系统，但方向一致：新内容很快就会被打分，前几百次曝光的反应决定后面有没有量。

LinkedIn。 2025 年 1 月 LinkedIn 发过一篇 360Brew 论文：一个 1,500 亿参数的大模型，把用户资料、行为、帖子都写成文字，用一个模型做 30 多种排序任务。论文后来从 arXiv 撤回了，LinkedIn 也没确认线上用的就是它。很多营销博客说「LinkedIn 会读你的个人资料，判断你在这个话题上有没有资格」，方向可信，具体数字没有一手来源。

合起来： 所有平台的分发都是一个预测问题，「这个人看到这条，会不会停下、会不会回、会不会觉得被骚扰」。做号就是让模型对你的预测越来越准、越来越好：话题集中（模型知道该推给谁）、内容让人想回应、不制造负反馈。

3. 富者愈富，但谁会富是不可预测的

粉丝数的分布高度不均，经典解释是优先连接（preferential attachment）：粉丝越多，被看到的机会越多，涨粉越快。平台把热门账号推荐给新用户，又加强了这个效应。

但 Salganik、Dodds、Watts 2006 年在《Science》上的 MusicLab 实验说明了另一面。14,341 个参与者在一个人造音乐市场里下载陌生歌曲，被随机分到 8 个互相独立的「世界」：

• 能看到别人下载数的世界，不平等更大，结果也更不可预测，同一首歌在不同世界里排名差别很大
• 质量只决定了一部分：最好的歌很少惨败，最差的歌很少大火，中间的什么结果都可能

对做号的含义：单篇帖子的结果是一次抽奖。 内容质量决定的是你的奖池，不是你这一期中不中。所以要多发、要看中位数和长期趋势，不要因为一篇爆了或者一篇扑了就改方向。

4. 大部分传播只有一层，规模取决于最大的那次广播

Goel、Watts、Goldstein 2012 年看了 7 个在线平台的传播数据：绝大多数传播都很小，在离源头一步之内就结束了，一层层接力转下去的情况极少。Goel 等人 2016 年又看了 Twitter 上 10 亿次传播事件，发现大的传播事件结构各不相同，一条内容能传多远，主要看过程中被哪个大账号「广播」了一次。

对做号的含义：小号的一条帖子想传出去，靠的不是粉丝一层层转，而是被一个比你大得多的账号转发、引用或回复。这和 冷外联 里说的「找放大器」是同一件事。

5. 普通的影响者更划算

Bakshy、Hofman、Mason、Watts 2011 年跟踪了 160 万 Twitter 用户两个月里的 7,400 万次传播：

• 最大的传播通常来自过去就有影响力、粉丝多的人
• 但预测「哪个人、哪条链接」会火，非常不准
• 在很多合理的成本假设下，最划算的是大量普通影响者（影响力一般甚至低于平均的人），而不是少数大 V

对做号的含义：与其只盯着几个十万粉的大号，不如在你的领域里和几十个几百到几千粉的同行持续互动。他们更容易回你，加起来覆盖的人不少，而且互相关注以后，还能吃到第 2 条里的互关加权。

6. 弱关系有用，但不是越弱越好

Rajkumar 等人 2022 年在《Science》上发表了 LinkedIn 的随机实验：5 年里改变 2,000 多万人「你可能认识的人」推荐，产生了 20 亿条新关系、60 万份新工作。结论支持格兰诺维特的「弱关系的力量」，但修正了两点：

• 关系强度和效果是倒 U 型：中等弱的关系最有用，太弱的反而没用
• 在数字化程度高的行业，弱关系更有用

对做号的含义：最有价值的互动对象不是完全陌生的大号，也不是天天聊的熟人，而是相邻圈子里有几个共同关注的人。这些人能把你带进一个新的圈子，又不至于对你毫无兴趣。

7. 帖子的寿命以小时计

SEISMIC 模型（Zhao 等人，KDD 2015）用 2011 年 16.6 万条较热门的推文拟合转发过程：

• 一条推文平均 75% 的转发发生在头 6 小时
• 转发间隔在头 5 分钟内大致不变，之后按幂律衰减
• 只看发布后 5 分钟的数据，就能挑出最终转发量前 100 里的 60%

加上 X 现在 48 小时的过滤规则，单篇帖子是一个衰减极快的脉冲：在 流量公式 的写法里，残留系数 λ 按天算接近 0。一个账号的价值来自很多个脉冲留下来的关注者，而不是任何一篇帖子。

8. 停更有代价，多发有回报，但会递减

Buffer 的两组数据（大样本，方法公开，但是厂商自己平台上的用户，B 级）：

• Instagram，10 万多个账号的 200 万条帖子：每周发 3–5 条，涨粉速度是每周 1–2 条的 2 倍多；6–9 条约 3.7 倍；10 条以上约 5.5 倍。超过 5 条以后边际递减
• 2026 年报告，Facebook、Instagram、X 约 16.1 万个账号的 480 万个「账号-周」：用每个账号和自己比的方法，发现频率和涨粉正相关；停更的那一周，涨粉低于这个账号自己的基线。每周 10 条以上的账号，比停更周每周多涨约 32 个粉

Buffer 的数据科学家把多发比作「多买彩票」，正好对应第 3 条：单篇是抽奖，多发是多抽几次。

9. 平台在向账号收费

Buffer 分析了 7.1 万个 X 账号在 2024 年 8 月到 2025 年 8 月发的 1,880 万条帖子：

• Premium 账号的曝光中位数约是普通账号的 10 倍；普通账号每条帖子的曝光中位数不到 100
• 2025 年 3 月以后，普通账号带外链的帖子，互动率中位数是 0

马斯克 2026 年 7 月 29 日说 X 已经「一年多没有压制带链接的帖子了」，X 也在测试应用内浏览器，让点链接的人不离开 X。开源代码里确实没有显式的链接惩罚；但外链的权重只有 0.2，用户点出去以后不回来互动，效果上还是吃亏。官方说法和第三方数据对不上，这一条要用自己的数据测。

在模型里，Premium 和链接规则都是平台参数：不是你能优化的东西，而是会随时被改的外部条件。

10. 平台大小和受众

几组数字口径差别很大（月活 / 日活、移动端 / 网页端、自报 / 第三方），只用来看量级。

二、公式

1. 一个账号的状态方程

设 F(t) 是第 t 周的粉丝数。每周的变化来自两部分：自己发帖，和去别人那里回复。

F(t+1) = F(t) · (1 − δ)
       + Σ帖子 i  D_i(F) · c_post          ← 发帖：被推给圈外的人，一部分关注你
       + Σ回复 j  R_j · c_reply            ← 回复：在大号评论区借到的曝光

D_i(F) = (D0 + k · F) · ε_i                ε_i 服从重尾分布（对数正态）

这个式子的形状和 Bass 模型一样：

• D0 和 R 是外部推力（Bass 的 p），和你有多少粉无关
• k · F 是内生拉力（Bass 的 q），粉丝越多推得越远

两者相等的地方是交叉点：

F* = D0 / k

粉丝少于 F* 时，你主要靠平台的新人扶持和去别人那里借流量；多于 F* 以后，自己的粉丝基础开始成为主力，账号进入复利。

2. 账号到产品的转化

账号的终点不是粉丝数，是产品的用户。在 流量公式 里，账号同时乘在三个地方：

账号带来的到站 = Σ帖子 曝光 × 点链接率 + 主页访问 × 点主页链接率          ← 直接流量
脉冲渠道的效果 × (1 + α · F)                                              ← 放大发布、外联、社区
品牌搜索 / 直接访问 / AI 提及 ↑                                            ← 归因里看不到的部分

第三项最容易被低估。很多人在 X 上看到你，过几天去 Google 搜你的名字，GA4 记成了「自然搜索」。所以量账号的效果，一定要配合注册时的「你从哪知道我们的」（见第六节）。

3. 一个能跑的模拟

下面的脚本按上面的状态方程，模拟一个新号一年 52 周的涨粉，每种策略跑 3,000 次，看结果的分布。参数全是假设，用来看形状，不是预测。

import math, random

WEEKS = 52
D0 = 40          # 粉丝为 0 时，推荐系统给一条帖子的圈外曝光中位数
K = 0.3          # 每多 1 个粉丝，圈外曝光中位数多 0.3（粉丝互动 → 被推给更多人）
SIGMA = 2.0      # 单帖曝光的离散度（对数正态），越大越像抽奖
REPLY_MED = 30   # 一条回复从大号评论区借到的曝光中位数，和自己的粉丝数无关
REPLY_SIGMA = 1.2
CF_POST = 0.002  # 圈外曝光 → 关注，每千次 2 个
CF_REPLY = 0.004 # 回复曝光 → 关注，每千次 4 个（看到好回复的人更会点主页）
CHURN = 0.003    # 每周掉粉比例

def ln(med, s):
    return med * random.lognormvariate(0, s)

def run(posts, replies, pause=()):
    F, from_post, from_reply = 0.0, 0.0, 0.0
    for w in range(WEEKS):
        F *= 1 - CHURN
        if w in pause:
            continue
        gp = sum(ln(D0 + K * F, SIGMA) for _ in range(posts)) * CF_POST
        gr = sum(ln(REPLY_MED, REPLY_SIGMA) for _ in range(replies)) * CF_REPLY
        F += gp + gr
        if w == WEEKS - 1:
            from_post, from_reply = gp, gr
    return F, from_reply / max(from_post + from_reply, 1e-9)

def summary(name, n=3000, **kw):
    random.seed(7)
    rs = [run(**kw) for _ in range(n)]
    xs = sorted(r[0] for r in rs)
    share = sorted(r[1] for r in rs)[n // 2]
    p = lambda q: xs[int(q * (n - 1))]
    print(f"{name:<24} P10 {p(.1):>6.0f}  中位数 {p(.5):>6.0f}  P90 {p(.9):>6.0f}  "
          f"P90/P10 {p(.9)/p(.1):>4.1f}  第 52 周新粉来自回复 {share:.0%}")

summary("A 每周 3 帖", posts=3, replies=0)
summary("B 每周 3 帖 + 50 条回复", posts=3, replies=50)
summary("C 每周 7 帖 + 50 条回复", posts=7, replies=50)
summary("D 同 B，第 20–27 周停更", posts=3, replies=50, pause=range(19, 27))
summary("E 每周 14 帖", posts=14, replies=0)

mean_factor = math.exp(SIGMA ** 2 / 2)
print(f"\n单帖曝光的均值是中位数的 {mean_factor:.1f} 倍：少数爆帖贡献了大部分曝光")
print(f"粉丝带来的曝光超过冷启动曝光的交叉点：F* = D0 / K ≈ {D0 / K:.0f} 个粉丝")

输出：

A 每周 3 帖                 P10     61  中位数     99  P90    190  P90/P10  3.1  第 52 周新粉来自回复 0%
B 每周 3 帖 + 50 条回复        P10    782  中位数    902  P90   1174  P90/P10  1.5  第 52 周新粉来自回复 73%
C 每周 7 帖 + 50 条回复        P10   1275  中位数   1673  P90   2588  P90/P10  2.0  第 52 周新粉来自回复 30%
D 同 B，第 20–27 周停更        P10    635  中位数    723  P90    941  P90/P10  1.5  第 52 周新粉来自回复 76%
E 每周 14 帖                P10   1169  中位数   2031  P90   4505  P90/P10  3.9  第 52 周新粉来自回复 0%

单帖曝光的均值是中位数的 7.4 倍：少数爆帖贡献了大部分曝光
粉丝带来的曝光超过冷启动曝光的交叉点：F* = D0 / K ≈ 133 个粉丝

能看出几件事：

• 只发帖、发得少（A），一年后中位数不到 100 粉。 这就是大多数「坚持发了一年没人看」的号
• 回复是保底（B）。 同样每周 3 帖，加上每周 50 条认真的回复，中位数涨到 900，而且结果很稳（P90/P10 只有 1.5）。一年后新粉仍有七成来自回复，因为每周 3 帖太少，自己的复利没转起来
• 发帖是上限（C、E）。 多发帖，中位数和上限都更高，但结果更分散：每周 14 帖的号，运气好的是运气差的 3.9 倍。这就是 MusicLab：多发是多抽奖
• 停更 8 周（D），年底少了约 20%，不只是那 8 周没涨，后面的复利也少了一截
• 交叉点在一两百粉。 在这之前，你的粉丝基础几乎不影响一条帖子能被多少人看到

模型没包括的东西：发得太多时单帖质量下降（Buffer 的递减）、同一作者连发的降权、负反馈、话题漂移导致的转化率下降、平台参数的突然变化（比如 Premium）。这些以后用真实数据补上。

三、自变量清单

做一个号能控制的变量。「形状」沿用 流量公式 的四种。

有一个变量不在表里，但乘在所有项上：你有没有东西可说。 做产品的人最大的素材库是自己的产品和数据，下一节的阶段表会反复用到。

四、阶段和权重

1. 账号的三个阶段

和产品阶段一样，用结果分：

粉丝数的边界只是量级，不同平台、不同领域差别很大，以 F* 和「能不能重复」为准。

2. 每个阶段时间怎么分（先验）

3. 和产品阶段的关系

所以账号要比产品早开始。产品还在 S0 的时候就开始 A0 的回复，等产品要发布时，账号刚好越过交叉点。

五、硬规则

平台规则会变，下面是 2026 年 10 月能查到的，用前去官方页面再核对一遍。

X

• 所有通过 API 自动化的账号，要在资料里打开「Automated」标签（X Developer Guidelines，A）
• 禁止：多个账号发相同内容、刷互动、操纵趋势、批量发帖、自动回复不相干的人、批量私信、未经邀请的 @（官方，A）
• API 从 2026 年 2 月起默认按量付费；发一条帖子约 0.015 美元，带 URL 的约 0.20 美元；关注、点赞、引用的接口 4 月 16 日起只对企业合同开放；2 月 23 日起，自动回复只能回给 @ 了你或引用了你的帖子（第三方核对 docs.x.com，B/C，以官方为准）
• 新号前 30 天风控更严，X 产品负责人 2026 年 2 月说过「如果不是真人在点屏幕，这个号多半会被封」（第三方转述，C）

Reddit：见 怎么找社区。账号要提前一个月养，新号别在资料里放链接，自我推广不超过一成。

LinkedIn：个人号的分发远好于公司主页；带外链的帖子分发更少，「链接放第一条评论」的办法据说也开始被识别（全是第三方说法，C）。

通用的几条

• 不买粉、不进互赞群。 买来的粉不会互动，会拉低每条帖子的互动概率；互赞群是平台明确打击的操纵行为
• 一稿不多发。 同一个意思按每个平台的风格重写，X 短、LinkedIn 讲经历、Reddit 先回答问题
• AI 写的内容要自己过一遍。 模型预测的是「这个人会不会停下来」，千篇一律的内容停不下来，还会招来「不感兴趣」

六、怎么量

1. 每周一张表

2. 怎么从表里估参数

• A0（十几周以内）：不估参数，比效率。 每小时回复换来多少粉、每小时发帖换来多少粉，哪个高就多做哪个
• A1（20 周以上）：拟合状态方程。 用每周新增粉丝对「回复数」「帖子数 × 当时粉丝数」做回归，能粗估 c_reply · R̄ 和 c_post · k。如果帖子项的系数越来越大，说明你越过了交叉点
• 每个号和自己比。 Buffer 的做法：拿这个账号的历史基线做对照，看某个改动（换格式、加频率、停更）之后偏离了多少。不同账号之间直接比没有意义
• 一次只改一个变量，至少跑 3–4 周。 单篇是抽奖，几篇的结果说明不了问题

3. 衰减要单独看

同一种内容形式，每个月算一次「每千次曝光的新粉」和「中位数曝光」。投入不变、连续两个月下降，说明这个形式在衰减（读者看腻了，或者平台改了规则），该准备下一个系列了。

七、以 CraftSail 为例：账号配置（计划）

CraftSail 是面向独立开发者和小团队的 AI / 开发者趋势数据门户。按上面的框架：

A0 阶段每周的安排：

• 每个工作日在 AI、开发者工具话题下认真回复 10 条，优先找几百到几千粉的同行（规律 5、6）
• 每周 3 条帖子，素材来自 CraftSail 自己的数据：本周涨得最快的开源项目、AI 工具的趋势图。数据图用原生图片发，链接放在回复里，两种放法各测几周（规律 9 的冲突要自己测）
• 每周五填一次第六节的表

这些都是计划，跑出数据以后会写回这个篇章。

八、这个篇章的目录

后面每一篇研究一个平台或一个变量，按 流量公式 第六节的卡片格式写，最后汇总成账号模型的参数。

九、证据的可信度

要特别小心一类 C 级数据：「X 算法的秘密」这一类文章，大多还在引 2023 年的旧权重，或者把权重当成互动次数的换算。有源码的平台，直接读源码。

参考资料

网络和传播

• Kwak, Lee, Park & Moon (2010). What is Twitter, a Social Network or a News Media? WWW ’10
• Salganik, Dodds & Watts (2006). Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market. Science
• Bakshy, Hofman, Mason & Watts (2011). Everyone’s an Influencer: Quantifying Influence on Twitter. WSDM ’11
• Goel, Watts & Goldstein (2012). The Structure of Online Diffusion Networks
• Goel, Anderson, Hofman & Watts (2016). The Structural Virality of Online Diffusion. Management Science
• Rajkumar et al. (2022). A Causal Test of the Strength of Weak Ties. Science
• Zhao et al. (2015). SEISMIC: A Self-Exciting Point Process Model for Predicting Tweet Popularity. KDD ’15
• A meritocratic network formation model for the rise of social media influencers. Nature Communications (2021)

推荐系统

• xai-org/x-algorithm（X 的 For You 排序源码），权重在 home-mixer/params/param.rs
• twitter/the-algorithm-ml（2023 年旧版）
• Covington, Adams & Sargin (2016). Deep Neural Networks for YouTube Recommendations. RecSys ’16
• Liu et al. (2022). Monolith: Real Time Recommendation System With Collisionless Embedding Table
• Firooz et al. (2025). 360Brew: A Decoder-only Foundation Model for Personalized Ranking and Recommendation（已撤回）
• 360Brew and the LinkedIn Algorithm: What We Know, What’s Confirmed

平台数据

• Buffer: The State of Social Media Engagement in 2026（5,200 万条帖子）
• Buffer: How Often Should You Post on Instagram（200 万条帖子）
• Buffer: Does X Premium Really Boost Your Reach?（1,880 万条帖子）
• Buffer: Do Posts with Links Affect Content Performance on X?
• Musk Says X Hasn’t Penalized Link Posts “For Over a Year”
• CNBC: Bluesky was launched as a Twitter rival — but it’s far less popular（2026-06）
• TrustMRR 数据：粉丝数和收入的相关性
• Product Hunt Launch Data: 5 Founders, 8 Questions（2026）

规则

• X Developer Guidelines
• X API Pricing 2026（第三方整理）
• X API tiers in 2026: what automation survives
• The Reddit Survival Guide (2026): Karma, CQS, Shadowbans