中文 AI 圈不是靠转发增长的

最近我认真想一个问题：如果我也想把 X 做起来，应该学谁？

我原本以为答案会是一份名单：中文 AI 大 V、英文源头账号、AI 编程作者、出海 SaaS 创作者、独立开发者。把他们每天发什么拆出来，照着发一段时间，应该就能找到感觉。

抓完 165 个账号、2192 条公开帖子后，我发现这个想法太粗了。

真正的问题不是“谁最火”，而是这些流量从哪里来，又有什么部分是普通创作者能复制的。

这篇文章就是我被数据纠正直觉的过程。

我是怎么看的

为了不靠感觉，我从自己的关注列表出发，又补充了一批中文 AI 圈、AI 编程、Agent、独立开发、出海 SaaS、设计增长和英文源头账号。最后形成 179 个候选账号，其中 165 个进入抓取样本。

我看的不是“谁粉丝最多”，而是几个更接近增长的问题：

1. 他们最近到底在发什么，频次是什么节奏？
2. 哪些内容拿到了明显更高的浏览？
3. 哪些内容其实在转同一个源头，哪些表达真的能被普通创作者复制？

这次样本规模如下：

先说明限制：这不是 X 官方 API 的全量数据，而是一次登录态下公开页面的可见快照。它适合研究内容结构，不适合做严肃排行榜。X 页面会混入转帖、引用、置顶帖，也会因为加载失败导致少量账号拿不到帖子。所以我单独做了原创/转帖校正，避免把别人原帖的千万浏览误算到转发者身上。

一旦把“原帖”和“转帖”分开，很多看上去很热闹的增长幻觉就消失了。

AI 内容是一条链

一开始我以为目标很简单：看中文 AI 圈的大号。

但抓完第一轮我发现，如果只看中文 AI 大 V，会漏掉真正影响传播的上游和下游。

X 上的 AI 内容大概沿着这条链流动：

1. 英文源头：OpenAI、Anthropic、xAI、Google DeepMind、Karpathy、Simon Willison、swyx、Ethan Mollick 等。
2. 产品和公司号：Vercel、Raycast、Zed、Dia、Obsidian、Cursor、Ollama、Hugging Face 等。
3. 技术解释者：把源头事件解释成开发者能理解的判断。
4. 中文本地化账号：把英文事件转译成中文语境里的工具、机会和行动建议。
5. 独立开发和出海账号：把 AI 叙事接到赚钱、增长、SEO、SaaS、Build in Public。
6. 设计和作品展示账号：把 AI 能力变成看得见的界面、动画、产品和审美。

如果只看中文 AI 资讯号，最后很容易学成“热点搬运”。但如果要长期增长，就要先判断自己能在这条链上提供什么增量。

别学最大号

下面这张表看起来很诱人，但也最容易误导人。

第一眼看，英文源头、官方号、设计增长账号的最高浏览非常夸张。但这里面有大量“位置红利”：产品发布、模型更新、加入大公司、官方声明、招聘、融资、重大安全事件。

比如 xAI 发 Grok Build，是事件源头；OpenAI 发一句极短的发布预告，是品牌源头；Karpathy 更新加入 Anthropic，是身份事件；Benji Taylor 加入 X 负责设计，也是身份事件。

这些内容的流量很高，但普通创作者不能直接复制。你不能通过模仿 OpenAI 的语气变成 OpenAI，也不能通过模仿 Karpathy 的个人更新获得 Karpathy 的身份信用。

真正值得复制的是另一层东西：源头事件出现之后，谁能最快解释它，谁能真的试用它，谁能把它和普通人的工作、产品、代码、增长联系起来。

所以这张表真正告诉我的不是“去学最大号”，而是：源头账号提供事件原料，中文账号争夺解释权，实践者争夺验证权。长期增长来自你能反复占据哪一种权利。

爆款先给承诺

我把 1926 条原创样本按主题粗分，结果是这样：

如果只看最高浏览，AI 编程、AIGC、模型发布最容易爆。但如果看中位数，它们并没有高到离谱。大多数内容仍然是几千浏览，真正爆的是少数承诺特别清楚的内容。

我看到的高流量内容，大概有六种结构。

源头发布：给入口

典型是 xAI 的 Grok Build，样本最高 7279 万浏览。

Visiter

这类内容的结构很直接：某能力开放了，谁可以用，能做什么，入口在哪里，最好再配一张图或一段视频证明。

普通个人账号不能复制“官方发布”这个位置，但可以复制它的二次内容形式：第一时间试用，给出截图、失败点、适用场景和本地化解释。

对我来说，这类内容不是“我要转发”，而是“我要抢二次解释权”。

强判断：改框架

@steipete 有一条 790 万浏览的短帖，大意是：不要再只 prompt coding agents，而要设计能反过来 prompt agents 的 loops。

Visiter

它不是教程，也不是资讯。它高流量的原因是把很多人模糊感受到的变化压缩成一句判断。

这类内容通常满足三个条件：

1. 说的是一个正在发生的变化。
2. 句子短，容易被转述。
3. 不是空洞口号，而是能立刻引出一套方法论。

这对中文创作者很重要。很多中文 AI 内容太像“工具说明书”，有用，但没有记忆点。工具说明书能收藏，却不一定让人记住你。

技术长文：造概念

@trq212 的 Claude Code 动态工作流文章样本有 290 万浏览。它不是简单说“Claude Code 更新了”，而是给了一个新概念：为每个任务生成自己的 harness。

Visiter

这类长文的结构通常是：

先给一个新概念
解释它解决什么旧问题
展示机制或例子
说明为什么这会改变工作流
最后给读者一个可以复用的说法

高流量技术长文不是越长越好，而是要让读者读完之后多一个概念工具。比如“prompt agents”变成“design loops”，“写代码”变成“为任务生成 harness”。

身份事件：自带流量

Karpathy 加入 Anthropic 的个人更新样本有 2749 万浏览。Benji Taylor 加入 X 负责设计的置顶帖有 2871 万浏览。

这类内容不是靠写作技巧，而是靠身份事件：

我加入了某个关键组织
我为什么相信这个方向
我接下来要做什么
我邀请谁一起参与

普通人当然没有这种新闻性，但可以学它的“身份叙事”：我是谁，我正在转向什么，我为什么把时间押在这里。

如果我想在 X 上发展，不能只发工具笔记，也要持续建立一个别人能理解的身份：我到底是 AI 编程实践者、工具构建者、中文技术解释者，还是独立开发者。

资源清单：壁垒在筛选

样本里有一条被多个账号转发的中文帖子：推荐 10 个研究 AI 赚钱的 X 博主。它在三个样本账号里重复出现。

资源清单的优点是收藏动机强，缺点是同质化也快。真正有壁垒的不是列名字，而是解释“为什么看这批人、每个人适合学什么、不适合学什么，以及我自己的判断标准”。

作品展示：先给结果

设计增长类样本里，高流量经常来自作品、界面、动效、招聘或产品愿景。比如设计负责人加入 X、AI 生成界面、产品交互演示、工具更新视频。

这类内容有一个特点：首屏不需要读者相信你，先让读者看到东西。纯文字解释“AI 很强”已经很难打动人，真正有传播力的是结果、耗时对比、失败细节和可复现的一小段过程。

热点可以重合

我把重复出现的 status URL 单独拉出来看，重合主要来自三类：英文源头大事件、中文圈互推清单、开发者工具生态里的互相引用。

这种重合本身很正常。大家都盯着同一批英文源头，也都在追 Claude Code、OpenAI、xAI、LlamaIndex、Agent 工作流这些高关注主题。问题不是“能不能写同一个热点”，而是你写完之后有没有增量。

我的判断是：热点可以重合，结论不能重合。同一条新闻，资讯号会说“发布了什么”；解释者会说“这说明什么”；验证者会说“我试了，实际是这样”；应用者会说“我把它用在了这个具体工作里”。

如果只是转发，读者记住的是源头。如果你能给出自己的判断、实验或场景，读者才会开始记住你。

低频很难被记住

这次抓取里，有 134 个账号拿到了带时间戳的帖子。用可见样本粗略估算，发帖频次差异很大：

对普通创作者来说，低频高权重很难一开始就做到。没有足够身份信用之前，低频通常等于消失。

但高频也不能理解成灌水。比较可行的节奏应该是：

每天 3-5 条短内容维持存在感
每周 1-2 条可收藏内容建立价值
每月 1-2 篇长文或 thread 建立认知资产
遇到大事件时快速做二次解释

这里的关键不是“每天必须发几条”，而是不要把 X 当成只发成品的地方。X 更像一个公开思考流：短帖负责让别人持续看见你，长文负责让别人重新理解你。

长文要给框架

我原本以为 X 上所谓高流量长文，关键是“写得长”。抓完样本后发现不是。高流量长文的关键是给读者一个新的解释框架。

我看到的长文和 thread，大致有三种有效结构。这里不能只放一张表，否则会丢掉真正可操作的写法。

反常识 + 证据

适合技术观点、趋势判断和方法论文章。它的核心不是“我有一个想法”，而是“读者原本以为 X，但我用证据说明 Y 更接近事实”。

大家以为 X
我观察到 Y
为什么这个差异重要
证据 1、2、3
这个判断适用于什么场景
它不适用于什么场景

这类文章的标题不能太温和。比如不是“Claude Code 的一些使用心得”，而是“你不应该再 prompt coding agents，你应该设计 loops”。强标题不是标题党，前提是正文能给证据和边界。

结果 + 拆解

适合 AI 编程、独立开发、出海产品和 Build in Public。读者先看到结果，才会愿意看过程。

我做出了什么结果
以前怎么做
现在用 AI 怎么做
具体流程是什么
哪里失败了
哪些经验可以复用
下一步要验证什么

这类内容的第一屏最好有截图、数据、视频、仓库、用户反馈、收入或耗时对比。没有结果，文章很容易变成方法论自嗨。

信息源 + 策略

也就是我现在这篇文章。它适合把一个模糊目标变成可执行地图。

我为什么要研究这个问题
我怎么采样
我看到了什么结构
哪些结论和直觉不同
这些结论如何改变我的行动

这种文章的价值不在于“我发现了某个大 V 很厉害”，而在于把样本、判断和行动策略连起来。读者看完之后，不只是知道几个账号，而是知道自己应该怎么观察、怎么选择位置、怎么开始做。

简单压缩成表格，是这样：

我的定位

看完这批样本，我不想把自己定位成“AI 资讯号”。

资讯号很累，而且中文 AI 圈已经有很多人做得很好。我的优势不在于第一时间知道所有新闻，而在于我能把 AI 编程、工具链、Agent 工作流、产品构建和真实项目经验连起来。

更适合我的定位可能是：

AI 编程和 Agent 工作流的中文实践者。
用真实项目验证工具，用长文沉淀方法，用短帖记录过程。

对应到内容栏目，我会这样拆：

这套定位的重点不是“我知道所有 AI 新闻”，而是“我能用真实项目验证这些工具，并把经验讲清楚”。

关键结论

如果只记三件事，我会记这三件。

第一，X 增长不是只靠热点，而是靠你在信息链里的位置。普通人最可行的位置通常不是源头，而是解释者、验证者和应用者。

第二，中文 AI 圈内容重合是正常的。真正的差异来自：你有没有自己的实验、自己的判断、自己的使用场景。

第三，短帖负责进入信息流，长文负责建立心智。只写长文很慢，只写短帖很散。更合理的是短帖记录过程，长文沉淀框架。

下一步怎么做

我准备先用 30 天验证一个简单节奏：

每天 3 条短帖：
1 条工具/模型更新的个人判断
1 条真实项目里的 AI 工作流记录
1 条引用或回复别人的高质量讨论

每周 1 篇长帖：
围绕一个具体问题，给出实验、截图、结论和边界。

每月 1 篇博客：
把 X 上跑出来的内容沉淀成系统文章。

如果这个节奏有效，X 不再只是信息消费平台，而会变成我的公开实验室：我在那里验证想法，在博客里沉淀方法，在项目里证明结果。

这次研究只是第一版地图。真正的增长，还是要回到每天具体发什么、怎么回复、怎么验证、怎么复盘。

但至少现在我知道，自己不应该盲目模仿某个“大 V”。我应该先选定自己在这条信息链里的位置。