读完 100 条推文，我给我的 X 时间线画了张像

我很少认真看自己的首页。多数时候只是往下滑，看到有趣的停一下，然后继续滑。直到我想验证一个问题：推荐算法到底把我当成一个什么样的人？

于是我让 ego 浏览器把首页「为你推荐」时间线连续滚动采集了一遍，按推文链接去重，取前 100 条，做了一次很粗糙但足够说明问题的盘点。它用的是已经登录的本地浏览器，所以看到的就是我平时看到的那条时间线。

一、先交代方法，否则数字没有意义

这次采集只做了四件事：

1. 打开已登录的 X 首页，确认当前是「为你推荐」而不是「正在关注」。
2. 连续向下滚动，每次读取当前 DOM 里的 article，按推文 URL 去重。
3. 收集到 100 条后停止，保留可见文本，不展开「显示更多」。
4. 用一组关键词做粗分类，并统计账号出现次数与推广标记。

这不是一份严谨的内容分析。它更像一次快速体检：能看出大致结构，但不能当作长期兴趣的定论。

二、内容构成：八成自然内容，近两成推广

100 条里有 19 条带推广或广告标记，其余 81 条是自然内容。推广比例接近五分之一，这解释了为什么时间线里总有一些看起来和日常兴趣无关的插入项。

这个比例只代表这一次采样。X 的广告投放会随账号、地区、时间和竞价变化，不能直接外推成长期水平。

三、主题分布：AI 是默认背景音

按关键词粗分类后，结果非常集中：AI 与编程工具出现在约三分之一的推文里，产品与商业话题紧随其后。

比「AI 很多」更值得注意的是这些内容的角度。它们很少停留在模型参数或榜单比较，更多在讨论：

• 某个 Agent 工具能不能真的接入日常工作流；
• 多个 Agent 如何分工，主 Agent 调度、子 Agent 干活；
• AI 编程之后，代码审查和交付质量怎么办；
• 开源项目如何被复刻、移植或二次开发；
• 新产品是否只是套壳，还是改变了使用方式。

换句话说，时间线关心的不是「AI 有多强」，而是「AI 能不能用、怎么用、用完谁来负责」。

四、谁在反复出现

100 条里，单独一个账号最多出现了 7 次。重复出现不代表我主动关注了对方，推荐流本身也会反复推同一批高互动账号。

这张表说明时间线有明显的「头部账号效应」：少数账号占据了相当一部分曝光。它也让「画像」变得更复杂——你看到的内容，一部分是你选择的，另一部分是平台替你选择的。

五、这张像到底像什么

把主题、账号和表达方式放在一起，我会这样描述这条时间线：

拆开看是三层：

第一层是工具层。 Claude Code、Codex、Cursor、DeepSeek Harness 这类东西反复出现。关注点不是「哪个模型跑分高」，而是「哪个工具能少打断我」。

第二层是产品层。 新功能、新产品、新公司出现得很密集。时间线像一个持续更新的产品雷达，判断标准通常是「这个东西解决了什么具体问题」。

第三层是开发者生态。 开源、插件、复刻、二次开发的内容不少。你对「别人做了什么、我能不能改」的兴趣，明显高于纯消费型内容。

生活、娱乐和社会新闻不是没有，但它们更像背景噪音，而不是主线。

六、这个画像不能说明什么

这是整篇文章最重要的部分。上面的结论有几个明确的边界：

因此，它能说明「这两天的推荐流长什么样」，不能说明「我是一个什么样的人」。更不能拿来推断政治立场、消费能力或性格。推荐流是平台和用户共同作用的结果，把其中任何一部分单独归因给人，都不准确。

七、如果认真做，下一步该怎么做

这次更像一次手工抽样。如果要把它变成可复用的观察，我会改进四件事：

1. 同时采集「正在关注」，和推荐流做对照，区分「我选的」与「平台推的」。
2. 拉长时间窗，按周或按月采样，观察主题是否稳定。
3. 人工标注一小批样本，用人工结果校准关键词分类的误差。
4. 记录交互而不是只记录曝光，比如停留时长、展开、点赞，这些比「出现过」更接近真实兴趣。

写在最后

我原本以为自己的时间线会很杂。结果它比想象中集中：AI、工具、产品，几乎构成了全部底色。

但这次盘点最大的收获不是「原来我喜欢 AI」，而是意识到推荐流是一面被调整过的镜子。它既照出你，也照出平台希望你成为的样子。偶尔停下来数一数，至少能知道镜子里的哪些部分是自己走进去的。

工具与资料

• 采集工具：ego 浏览器 — 本地已登录浏览器，滚动读取 DOM，不调用 X API
• 数据来源：X 首页「为你推荐」时间线
• 文中提到的工具：Claude Code · Codex · Cursor
• 产品发布：Product Hunt · GitHub