这篇内容整理自流量李渔关于抖音推流机制的讲解。它要回答的问题是：抖音的流量到底是怎么分配的，为什么改版之后很多老经验突然失灵，普通博主又该怎么顺势调整自己的内容方向。

原讲解按推流逻辑、算法的本质、双塔召回模型、深度学习模型、普通博主的机会和认知差距依次展开，并在最后给出知识小结表格。下面按原有顺序整理，只保留与推流机制直接相关的部分。

抖音双塔推流逻辑

作品推流逻辑

旧推送机制

旧版算法的底层是概率博弈，内容好坏基本靠“赌”，这也是抖音长期被称为“玄学”的原因。它的运行特点可以从三个角度理解。

• 核心指标：完播率权重极高，直接导致创作方向畸形，博眼球、埋钩子、做短内容成为主流做法。
• 马太效应：强者恒强，爆款视频会持续获得流量；新人即使内容优质，也会因为缺乏历史数据，极易在第一轮就被淘汰。
• 典型玩法：用数量博概率，比如一天更新几十条内容，或者花大量时间研究各种起号方式。

这套机制最大的弊端在于：用户刷完视频之后“没有获得感”，感觉时间被浪费了。

新推送机制

改版之后，算法升级了深度学习模型，底层推流机制完全改变，整体思路变成行为预测，获得感为王。

• 核心指标：完播率权重下降，收藏、复访、长效观众等指标权重提升，鼓励创作“高获得感”内容。
• 去马太效应：现象级爆火视频的门槛变高，但小博主、新号通过优质内容获得流量的机会变大。
• 典型结果：像讲师这样的小号，即使只有几篇内容，也能获得几十上百万的精准曝光。

算法的本质

算法不是人，它无法理解内容的好坏，只能通过“匹配”和“筛选”来验证内容是否值得推荐。

• 匹配依据：特征关联。算法通过对相似群体的行为预测，来判断内容与用户能否产生关联。
• 举例说明：你和小明都喜欢长头发、微胖的美女，算法就会预测你也可能喜欢小明喜欢的瓜子脸美女，于是推送给你。算法不关心“美女”是什么，只关心你们之间的行为相似度。

旧算法的弊端是泛化能力差，只能通过固化标签做预测，最终导致推荐结果趋同化。

双塔召回模型

双塔的特征关联匹配

在模型结构上，系统会构建两个平行的神经网络，各自负责一类信息。

• 内容塔：存储所有发布作品的表征，例如内容长短、视觉因素等。
• 用户塔：收集用户的表征，例如所在地、历史点击、收藏习惯等。

匹配原理：算法通过关联两个塔的特征来完成推荐。你的内容在内容塔中的特征越明显，算法在用户塔中定位你的速度就越快。

通俗比喻：可以把算法当成婚姻介绍所，你的作品是“新郎”，用户是“新娘”。系统根据双方特征进行匹配，如果新娘们都很喜欢你，系统就会推荐更多新娘给你。

价值模型重构

价值模型的改动核心，是从“单一要素评定”变为“多目的综合评定”。

• 过去：只强调完播率，导致内容越来越短、越来越博眼球，用户没有获得感。
• 现在：加强收藏、复访、长效观众等指标的权重，鼓励创作高获得感内容。

讲师的长篇干货内容就是典型例子。按旧模式，这类内容的播放量会很差，但因为收藏、复访指标完成得好，所以能持续获得推流，达到几十万播放。

深度学习模型

算法升级的核心是变得更精准、更智能，具备强大的联想和推理能力。

• 过去：只能通过死板标签预测，你喜欢美女，就只给你推美女。
• 现在：能通过你细微的行为进行深层推理，例如你多停留了几秒。算法会发现你不只看美女，还喜欢“穿黑丝的美女”，然后尝试推送来验证判断。

能力对比：人类大脑通常只能处理两三层的逻辑，现在的算法可以推导到十几层甚至几十层的隐藏网络。以人类推理为例，下雨 → 天冷 → 吃火锅的人多，算法可以在此基础上继续推导十几层。

实时分析：算法每天实时分析千万人在上亿视频上的数据，推导出隐藏的相关性，从而实现精准推流。

普通博主的机会

机会变多的原因：新作品发布后，算法能根据作品表征，推送比以前更精准的人群去验证数据，不再需要经历过去那种“泛流量”筛选。

由此带来的结果是：优质内容即使很垂直、很小众，也比以前更有机会跑出好数据，流量不再只集中于少数几个作品上。

抖音作为超级杠杆：算法更精准之后，能帮助创作者更好地圈定人群、穿透圈层。讲师用一个小号，本人未出镜，通过四五条垂类视频，持续获得近100万精准曝光，其中包含大量高净值意向客户。这在以前只有头部大IP才能做到。

人与人之间的认知差距

认知差距被拉大：很多人沉迷于碎片化信息，正在丧失认知迭代的能力。

现象：能看完讲师这条长视频的人很少，因为大部分人难以进行长时间的深度思考。

结论：能坚持看到这里的人，具备极强的深度思考能力和学习能力，更容易在抖音拿到结果。

底层逻辑的重要性：很多卖课讲师只教技巧，比如做钩子、念稿子、凹人设，但真正能深入讲底层核心逻辑的人很少。做抖音没有结果，往往不是因为不懂技巧，而是从来没有考虑过最底层、最核心的东西。

知识小结

知识点速览

改版前后对比

关键数据