X abre o algoritmo de recomendação, e o ponto mais implacável é: zero recursos manuais. O sistema tradicional de recomendações precisa mobilizar um grupo de pessoas para escrever projetos de recursos, como "bucket de atividade do usuário", "quantile de fãs do autor", "coeficiente de atenuação pós-popularidade", mudar um teste de funcionalidades por três meses, e ele pode ser revertido quando for online. X deixou o Transformador Grok aprender de ponta a ponta e matou esse conjunto. Por que isso é importante? A engenharia de características é a maior dívida técnica do sistema de recomendação. As características das pessoas escritas por outras pessoas devem ser mantidas, as pessoas partirão e o conhecimento será perdido. Já vi muitas empresas onde apenas uma pessoa entende a lógica central das funcionalidades, e essa pessoa sai, e todo o sistema vira uma caixa preta. Modelos podem descobrir padrões que os humanos não teriam pensado. Você acha que "tempo de postagem" é importante, e a modelo pode achar que "a terceira palavra é um emoji" é mais importante. A capacidade indutiva do cérebro humano é uma piada diante de centenas de milhões de dados. O comportamento muda, e o modelo se adapta automaticamente. Não precisa esperar o PM aumentar a demanda, não há agendamento, nem testes A/B por um ano. Os usuários mudam, assim como o modelo. Há outro detalhe ao qual muitas pessoas não prestam atenção: elas prevêem 15 comportamentos ao mesmo tempo. Curtidos, retweets e respostas são sinais positivos, e o peso é positivo. Bloqueio, silenciamento e denúncia são sinais negativos, e o peso é negativo. Pontuação final = probabilidade positiva × peso positivo + probabilidade negativa × peso negativo Não se trata de maximizar a taxa de cliques, mas sim de maximizar "os usuários não odeiam". Isso é verdadeira otimização da experiência do usuário, não enganar você para clicar e se arrepender. Outro destaque da engenharia: Isolamento de Candidatos. Ao raciocinar, as postagens selecionadas não podem se ver, apenas o contexto do usuário. A vantagem é que a pontuação é estável, pode ser armazenada em cache e não muda por causa de outras postagens no mesmo lote. Essa arquitetura usa torres gêmeas para recall, Transformer para arranjo fino, regras para filtragem e responsabilidades claras. Rust escreve partes sensíveis a desempenho, Python escreve modelos, e a seleção técnica também é muito pragmática....