X abre el algoritmo de recomendación, y el punto más implacable es: cero funciones manuales. El sistema tradicional de recomendaciones necesita reunir a un grupo de personas para escribir proyectos de funcionalidades, como "cubo de actividad del usuario", "cuantil de fan del autor", "coeficiente de atenuación de la postpopularidad", cambiar una prueba de funcionalidad durante tres meses y puede que se revierta cuando se vuelva online. X permitió directamente que el Transformer Grok aprendiera de principio a fin, y mató este set. ¿Por qué es esto importante? La ingeniería de características es la mayor deuda técnica del sistema de recomendación. Las características de las personas escritas por otros deben mantenerse, la gente se irá y el conocimiento se perderá. He visto demasiadas empresas donde solo una persona entiende la lógica central de las características, y esa persona se va, y todo el sistema se convierte en una caja negra. Los modelos pueden descubrir patrones que los humanos no habrían imaginado. Piensas que el "tiempo de publicación" es importante, y el modelo puede descubrir que "la tercera palabra es un emoji" es más importante. La capacidad inductiva del cerebro humano es una broma frente a cientos de millones de datos. El comportamiento cambia y el modelo se adapta automáticamente. No hace falta esperar a que el PM suba la demanda, no hay horarios, ni pruebas A/B durante un año. Los usuarios cambian, y también el modelo. Hay otro detalle al que mucha gente no presta atención: predicen 15 comportamientos al mismo tiempo. Los likes, retuits y respuestas son señales positivas, y el peso es positivo. Bloquear, silenciar y reportar son señales negativas, y el peso es negativo. Puntuación final = probabilidad positiva × peso positivo + probabilidad negativa × peso negativo No se trata de maximizar la tasa de clics, sino de maximizar "los usuarios no lo odian". Esto es verdadera optimización de la experiencia de usuario, no engañarte para que hagas clic y te arrepientas. Otro punto destacado en ingeniería: Aislamiento de candidatos. Al razonar, las publicaciones seleccionadas no pueden verse entre sí, solo el contexto del usuario. La ventaja es que la puntuación es estable, puede almacenarse en caché y no cambia debido a otras publicaciones del mismo lote. Esta arquitectura utiliza torres gemelas para la recuperación, Transformer para la disposición fina, reglas para filtrado y responsabilidades claras. Rust escribe partes sensibles al rendimiento, Python escribe modelos y la selección técnica también es muy pragmática....