我們讀了 25 個 Meta 演算法專利，然後改寫了發文引擎
TL;DR
網路上 90% 的「Threads 演算法攻略」都是猜的。
我們換了一個方式：直接去美國專利局（USPTO）讀 Meta 提交的演算法專利。不是一兩個，是 25 個以上。
讀完之後，我們把可驗證的機制提煉成 7 個具體策略，寫進 MindThread 的自動發文引擎。這篇是完整的研究筆記。
為什麼讀專利，不讀攻略文
社群上流傳的演算法「秘訣」有三個問題：
第一，來源不可追溯。 大部分人說「Meta 演算法會 X」，但你追問出處，得到的回答是「我測試出來的」或「業界共識」。
第二，倖存者偏差。 某個帳號爆了一篇文，帳號主就把那篇的特徵當成演算法規則。問題是，他可能只是運氣好。
第三，過時。 演算法每季都在改，去年有效的策略今年可能是降權因子。
專利不一樣。專利是 Meta 的工程師寫給美國專利局審查員的技術文件。它不會吹噓，不會賣課，不會為了流量誇大。它只描述「這個系統怎麼運作」。
當然，專利有專利的限制——有專利不代表有部署，有部署不代表用在 Threads。但至少，它是 Meta 內部工程師認為值得保護的技術思路。
我們讀了哪些專利
以下是我們精讀的核心專利，按照它們在內容分發管線（Content Distribution Pipeline）中的位置分類：
第一階段：內容品質評分
| 專利 | 標題 | 關鍵發現 |
|---|---|---|
| US20190095961A1 | Predicting quality of a content item along a graduated scale | 品質不是二元（好/壞），而是 1-5 分的連續量表。點擊率高但品質低的內容（clickbait）會被降分 |
| US10229219B2 | Systems and methods for demotion of content items in a feed | 三種降權信號：域名信號、關鍵字信號（留言中出現「fake」「scam」等）、舉報信號 |
| US10356024B2 | Moderating content in online forum | Shadow moderation——被降權的內容對發布者仍然可見，你可能被限流但完全不知道 |
對我們的意義： AI 生成的內容最容易觸發的就是品質降分。為什麼？因為 AI 超愛寫 clickbait 開頭。「震驚！99% 的人不知道」「3 個方法讓你財務自由」——這些在 Meta 的品質模型裡就是 low-signal 的典型特徵。
第二階段：初始分發
| 專利 | 標題 | 關鍵發現 |
|---|---|---|
| US8402094B2 | Providing a newsfeed based on user affinity for entities | 內容先推給 Affinity Score 最高的使用者——也就是跟你互動最多的人 |
| US9110953B2 | Filtering content in a social networking service | Time Decay——內容權重隨時間指數衰減，發文時機直接影響初始曝光 |
| US9378529B2 | Arranging stories based on expected value scoring | 排名公式：Expected Value = P(互動) × 互動價值。留言 > 分享 > 按讚 > 觀看 |
對我們的意義： 初始分發決定一切。你的內容先被推給跟你最親近的一批人，他們的反應決定了演算法是否把你推給更多人。所以：
- 發文時機要對。 你的核心受眾不在線的時候發文 = 初始互動慘淡 = 演算法判定內容不好 = 不擴散。
- 引導的互動類型很重要。 留言的「互動價值」遠高於按讚。引導讀者留言比引導他們按讚有效得多。
第三階段：擴散判定
| 專利 | 標題 | 關鍵發現 |
|---|---|---|
| US10558714B2 | Topic ranking of content items for topic-based feeds | 內容按主題分群。ML 模型預測使用者對哪些主題集群最感興趣 |
| US9424612B1 | Systems and methods for managing user reputations | 創作者在每個主題類別有獨立的信譽分數（Reputation Score） |
| US10152544B1 | Viral content propagation analyzer | 偵測快速擴散模式，分析互動串聯（cascade）的大小、成長率、使用者多樣性 |
| US10803068B2 | Systems and methods for recommendation of topical authorities | 識別「主題權威」帳號，推薦給對該主題感興趣的使用者 |
對我們的意義： 這是最有價值的一組專利。它們告訴我們：
- 帳號有主題標籤。 Meta 會根據你的歷史內容把你歸類到特定的主題集群。你在「財務規劃」集群有高信譽，突然跳去發「美食推薦」，你的信譽分為零，流量當然崩盤。
- 一致性就是一切。 不是「什麼都發」才能觸及更多人，而是「在你的領域裡挖深」才能建立主題權威。
- 初始擴散的「品質」很重要。 不只是互動數量，還有互動者的多樣性和質量。
第四階段：行為信號回饋
| 專利 | 標題 | 關鍵發現 |
|---|---|---|
| US10204166B2 | Ranking content items based on session information | 客戶端即時追蹤：滑動速度、停留時間、暫停偵測。這些信號會即時修改排名 |
| US10909454B2 | Multi-task neural network for feed ranking | 多任務神經網路同時預測 like/comment/share 機率，不同互動有不同權重 |
| US9152675B2 | Selection and ranking of comments | 留言也有品質排名：留言者信譽 + 留言受歡迎度 + 留言者與發文者的親密度 |
對我們的意義：
- 「Stop the scroll」不是行銷術語，是演算法信號。 如果使用者滑到你的貼文時暫停了，那就是一個正面信號。如果快速滑過，那就是負面信號。
- 你的回覆品質也被打分。 如果你在自己貼文下的回覆都是「謝謝支持」「感恩」這種空洞內容，那些回覆的品質分很低，不會幫你的貼文加分。反過來，高品質的對話式回覆（有內容、有延伸討論）會提升整篇貼文的分數。
第五階段：外部連結處理
| 專利 | 標題 | 關鍵發現 |
|---|---|---|
| US10268763B2 | Ranking external content on online social networks | 外部連結有多因素評分：域名互動率、文字相似度、社交關聯度、作者品質等 10+ 個信號 |
| EP2977948A1 | Ranking external content on online social networks | 上述專利的歐洲申請（已撤回） |
對我們的意義： 「發外連就會被限流」這句話是錯的——至少從專利層面來看，Meta 的系統不是一刀切懲罰所有外部連結。但要注意：這個專利描述的是搜尋排名場景，不一定直接適用於 Feed 排名。
從專利到引擎：我們做了什麼改動
讀完專利之後，我們把可操作的結論寫進了 MindThread 的自動發文引擎。以下是 7 個具體改動：
改動 1：擴充 Anti-Clickbait 黑名單
依據： US20190095961A1 品質分數專利
原本引擎已經禁止了「你知道嗎」「大家好」等 8 種開頭。基於專利中對 clickbait 的定義（「click-through rate 高但實際品質低」），我們新增了 15+ 種 AI 最常產出的 low-signal 模式：
- 聳動式：「震驚」「99% 的人」「不看後悔」「必看」「重磅」「揭秘」
- 數字清單式：「N 個方法讓你」「N 個秘密」「N 招教你」
- 誇大承諾式：「這個方法改變了我的人生」「學會這個就夠了」
- 空洞共鳴式：「你有沒有想過」「你是不是也」「有沒有人跟我一樣」
改動 2：主題集群鎖定（Topic Cluster Lock）
依據： US10558714B2 主題分群 + US9424612B1 創作者信譽
這是最有影響力的改動。我們在引擎裡加了一個 build_topic_cluster() 模組，它會：
- 讀取帳號最近的歷史貼文
- 從高互動貼文中提取重複出現的關鍵詞
- 建立這個帳號的「核心主題關鍵詞」列表
- 注入 AI prompt，強制新生成的內容必須與至少 2 個核心關鍵詞相關
效果：每個帳號都被鎖定在自己的主題領域裡。專寫財經的不會突然跳去寫美食，專寫職場的不會突然寫科技趨勢。
改動 3：深度要求注入
依據： US20190095961A1 品質分數 + US10204166B2 停留時間
AI 生成內容最大的問題不是文法，是「空洞」——表面流暢但沒有實質內容。這種內容使用者一滑就過，停留時間極短，品質分很低。
我們在 prompt 裡加了強制深度要求：
- 必須包含至少一個具體案例、數據、或個人經歷
- 禁止泛泛而談的空洞正確廢話
- 要求寫「只有你能寫的東西」
改動 4：互動引導品質升級
依據： US9378529B2 Expected Value 公式 + US9152675B2 留言品質
留言的「互動價值」遠高於按讚。但不是所有留言引導都有效。
我們把引擎的互動結尾從空洞型升級為高品質型：
- 禁止：「你覺得呢？」「認同的按讚」「有共鳴嗎？」
- 改用：「你遇過最離譜的案例是？」「A 還是 B 你選哪個？」「你第一次碰到這種情況是怎麼處理的？」
目標不是「更多留言」，而是「更長的留言」——因為留言本身也有品質分數。
改動 5：發文時段最佳化
依據： US9110953B2 Time Decay
Time Decay 是指數衰減——貼文發出後的前幾個小時是黃金期。如果你的核心受眾不在線，初始互動就會很差。
目前每個帳號已有手動設定的 schedule_times，未來會根據 insights 數據自動調整。
改動 6：Auto-Reply 去商業感
依據： US20180012139A1 留言意圖分類
Meta 有留言意圖分類系統，會把留言分為「對話型」「商業型」「垃圾型」。被判定為商業推銷的留言會被降權。
我們在自動回覆的 prompt 裡加了：
- 禁止「歡迎私訊」「追蹤我」「了解更多」「免費諮詢」等推銷語句
- 回覆要像朋友聊天，不像客服回覆
- 分享觀點和經驗，而不是提供「解決方案」
改動 7：表現提示進化
依據： US10558714B2 主題排名 + US10803068B2 主題權威
原本 build_performance_hint() 只告訴 AI「你表現最好的主題方向」。現在它會：
- 分析高互動貼文的文字頻率
- 提取帳號的核心主題關鍵詞
- 告訴 AI：「你的主題集群是 X、Y、Z，偏離主題 = 流量歸零」
誠實聲明：專利的限制
我們不想變成另一個「演算法大師」。以下是我們研究的限制：
1. 專利 ≠ 實際部署。 Meta 有幾千個專利。有專利不代表目前的 Threads 演算法用了這個技術。
2. 搜尋排名 ≠ Feed 排名。 我們研究的專利中，有多個其實是「搜尋結果排名」而不是「動態牆排名」。兩者有概念相通之處，但不能直接等號。
3. Facebook ≠ Threads。 這些專利大多是 Facebook News Feed 的。Threads 作為獨立產品，可能用了完全不同的排名系統。
4. 我們的改動還沒有足夠的數據驗證。 這些改動剛上線，還需要時間觀察效果。
但即便有這些限制，直接讀專利仍然比讀「攻略文」更接近真相。至少我們知道 Meta 的工程師在想什麼。
給自動化工具開發者的建議
如果你也在做社群自動化工具，以下是我們的建議：
- AI 生成的內容需要「去 AI 感」。 不只是語法——要去掉 AI 最愛的 clickbait 模式、數字清單模式、空洞共鳴模式。
- 帳號需要主題一致性。 不要讓 AI 什麼都寫。每個帳號鎖定 2-3 個核心主題，持續深挖。
- 互動引導要具體。 「你覺得呢？」不是互動引導，是逃避思考。好的互動引導是一個讓人忍不住想回答的具體問題。
- 回覆品質也是排名因子。 你的自動回覆如果全是「謝謝」「感恩」，那不如不回。
- 讀專利，不要讀攻略。 一手資料永遠比二手解讀可靠。
專利索引
本文引用的所有 Meta 專利（可在 Google Patents 搜尋專利號查閱全文）：
品質評分： US20190095961A1, US10229219B2, US10356024B2
初始分發： US8402094B2, US9110953B2, US9378529B2
擴散判定： US10558714B2, US9424612B1, US10152544B1, US10803068B2
行為信號： US10204166B2, US10909454B2, US9152675B2
外部連結： US10268763B2, EP2977948A1
其他參考： US7669123B2, US8171128B2, US7827208B2, US8768863B2, US10037538B2, US10356135B2, US10783197B2, US10643148B2, US9323850B1
這篇文章是 Ultra Lab 技術部落格的一部分。我們用一人團隊 + AI 自動化經營 20+ 個 Threads 帳號，每天發 50+ 篇貼文。MindThread 是我們開發的 Threads 自動化平台，這些引擎改動會反映在所有使用 MindThread 的帳號上。