一句话说清
推荐算法优化什么指标，你就被塑造成什么。
为什么值得懂
算法在学你，同时也在教你：什么样的表达才有回响。这篇接着《自媒体与平台》读——那篇讲平台的生意，这篇拆机器本身：它优化什么、怎么改行为、茧房的证据有多硬、监管在争什么。这样你才分得清「我的选择」和「系统递给我的选项」。
零基础讲解
一、目标函数：把「你想要什么」换成可测量的代理指标。 平台优化不了「用户满意」，只能优化测得到的量：点击率、停留时长、完播率、互动、留存。这些是代理指标，不是目标。代理一和目标错位，系统就精准优化错位的那部分——标题越写越勾人，前三秒越来越激烈。指标一旦成为目标，就不再是好指标。
二、一条内容是怎么被选中的。 分两步：召回，从海量内容里筛出候选；排序，按预测的互动概率排队。模型吃的是你的行为数据：看过什么、停了多久、在哪里划走。信息检索里的老问题是「哪条最相关」，个性化之后变成「哪条最可能让你有反应」：相关性从内容属性变成对你行为的预测。
三、它是序贯决策，不是一次性选择。 推荐回答的不是「你喜欢什么」，而是「下一步推什么能让你留得更久」。张力在这里：点击与互动立刻能测到，留存与满意度要很久才显现，两者方向常相反。强化学习把这两者叫即时奖励与延迟奖励，而要可优化的系统天然偏向能立刻测到的那个。
四、算法与创作者：分发规则就是创作规则。 推荐规则决定谁被看见、谁拿到收入。跟着指标做（悬念标题、前三秒、追热点）短期最有效；但只靠指标活着的账号，规则一改就归零。稳一点的做法是把算法当渠道，把品牌与直接连接（订阅、社群）当资产——这是重复博弈，不是一锤子买卖。
五、信息茧房：证据没有传说中那么硬。 「算法把人锁进茧房」是最流行的批评，帕里泽在《过滤泡》第四章「你的循环」里讲透了这条逻辑。但主流观点是茧房效应被高估了——杜布瓦与布兰克 2018 年对多国调查数据的分析发现，多数人的媒体接触比想象中多元，做实回音室的主要是政治兴趣与使用习惯。巴克希等人 2015 年对脸书曝光数据的研究也显示，算法让跨立场内容的曝光略降，但用户自己的点击选择影响更大。有争议的不是「有没有收窄」，而是「收窄多少、算在谁头上」。
六、监管在争什么：透明、可解释、可申诉。 透明：欧盟《数字服务法》第 27 条要求平台说明推荐系统的主要参数。可解释：中国《个人信息保护法》第二十四条把「要求说明」写成个人权利。可申诉：同一条要求提供不针对个人特征的选项或便捷的拒绝方式，《互联网信息服务算法推荐管理规定》第十六条、第十七条要求给出关闭推荐的路子，《数字服务法》第 20 条要求建立内部投诉处理机制。争点在落点：一派主张公开细节，另一派认为公开即被规避，更可行的是强制审计与结果问责。
边界条件：算法不是唯一的变量。 如果算法是决定性的，平台一改参数，茧房与使用时长都该同步变化；但这类效应常常很小，方向也不一致。因为内容不只由算法分配：有多少人在生产什么、朋友转给你什么、你主动搜什么，这三样和算法一起决定你看到的世界。「刷得停不下来」也不全是算法的账——无限下滑取消了停止信号，但按下去的手是你的。判断一条算法批评站不站得住，先看它有没有交代对照。
一个例子
A 和 B 做同一题材。A 把结论藏到最后、标题写成悬念，点击率翻倍，系统更愿意推；B 把结论写进标题，点击率一般，收藏与回访却更高。一次规则调整后，A 的流量打回原形，B 靠邮件列表与社群活了下来。同一套算法，对 A 是主人，对 B 是渠道——差别在把哪个指标当成目标。
常见误解
- 以为算法「比你更懂你」：它优化的只是点击与停留，不是你的长期利益。
- 以为信息茧房已被证实：证据支持「选择性接触存在」，不支持「完全封闭」。
- 以为关掉推荐就脱离了算法：热搜榜、搜索排序、通知推送同样是分发规则。
- 以为创作者只能被算法牵着走：指标是约束条件，不是唯一解。
应用场景
- 生活：把「刷」换成「搜」，一周至少一次用搜索而非推荐找信息。
- 职场：做投放或内容前先写下要优化的指标，再问它会被怎样钻空子。
- 写作与创作：把「平台指标」和「你想被记住的东西」写成两栏，问哪一栏三年后还在。
关联知识点
- 自媒体与平台（media-platforms，先读那篇，看平台靠什么赚钱）
- 信息检索（information-retrieval，相关性排序这个老问题的源头）
- 强化学习（reinforcement-learning，把推荐看成要设计奖励的序贯决策）
- 舆论（public-opinion，分发规则怎样塑造公共讨论）