新号发作品没流量？从推荐算法原理到冷启动实操：抖音、小红书、视频号新账号起量的完整复盘方法

本文由 莫潇羽@复源AI社区（bbs.fuyuan7.com）撰写，转载请注明出处。

快速摘要

新账号发作品播放量低，绝大多数时候不是“被限流”，也不是“账号权重低”，而是推荐系统还不知道该把你的内容交给谁。抖音在2025年通过“安全与信任中心”公开的算法原理显示，推荐的核心是预估“某个用户看到这条内容后，会产生哪些行为、概率多大”，再乘以不同行为的价值权重，算出推荐优先级；它不是简单地给内容和人贴标签再配对。对新号来说，系统手里关于你的历史数据几乎为零，第一批观众的匹配必然宽泛、不精准，反馈数据自然偏弱。破局的关键不是刷量、不是互赞群，而是用连续、垂直、结构清晰的内容，让系统尽快“看懂”你的观众是谁；同时学会读后台的停留时长、完播、快划、收藏、评论等信号，逐条复盘，而不是盯着点赞数焦虑。抖音、小红书、视频号三个平台的分发逻辑各有侧重，策略也要分开做。

一句话版本：流量不是“给”出来的，是系统“找人”找出来的，你要做的是让它更快找对人。

想看完整拆解，往下翻。

一、先算清一笔账：同样的选题，为什么别人火了你没火

我在复源AI社区里带学员做内容，被问得最多的问题，几乎都是一个模子刻出来的：

“老师，我照着一条爆款的思路拍的，选题一样，文案也差不多，我甚至拍得比他还用心，为什么他几万点赞，我连三位数播放都破不了？”

这个问题背后，其实藏着一个很常见的误解：把“内容”当成了决定流量的唯一变量。

内容当然重要，而且是最重要的。可是一条作品发出去之后能走多远，至少还取决于另外两件事：它第一时间被推给了哪些人，以及这些人看到之后做了什么。前者由推荐系统决定，后者由观众决定，而观众的反应又会反过来影响系统下一步把它推给谁。

你可以把它想成一个滚雪球的过程。雪球能滚多大，一看雪本身黏不黏（内容质量），二看起步那段坡道的雪厚不厚（初始观众和你的内容是否匹配）。同样一团雪，放在积雪很厚的坡上一推就越滚越大；放在只有薄薄一层霜的地面上，推半天也只是原地打转。

1.1 “抄爆款”为什么常常抄不出爆款

我自己早年也干过这种事：看到一条数据好的视频，拆它的开头、拆它的节奏，然后照着做一条。结果往往是数据平平。后来复盘才想明白，爆款之所以是爆款，一部分原因在内容之外：

看这张表你就明白了：你抄的是“菜谱”，但人家开的是一家有回头客的店，你是在马路边新支了一个摊。 菜一样，第一天进门的人不一样，口碑自然起不来那么快。

这并不意味着新号没机会。恰恰相反，几乎所有主流平台都有意识地给新内容留出曝光空间，因为一个只给老面孔流量的平台，迟早会失去新鲜内容。关键是你得理解系统怎么“找人”，才知道自己该往哪里使劲。

1.2 别急着下结论：低播放不等于被限流

很多新手看到播放量低，第一反应是“我是不是被限流了”“是不是账号被降权了”。我的建议是：先别自己吓自己。

真正的违规处罚，平台一般会有明确提示，比如作品被标注“仅自己可见”、收到站内通知，或者在创作者后台的账号状态里能看到。如果这些都没有，那么低播放大概率只是一个正常现象：系统试着推了一小批人，这批人反馈一般，于是没有继续扩大。

还有一个容易被忽略的事实：“账号权重”“养号”这些说法，本身就是行业里流传的民间概念，平台官方并不认可这种说法。 早在几年前就有行业媒体在报道里明确提到过这一点。这不是说账号的历史表现毫无作用（后面会讲，历史数据确实会影响推荐模型的判断），而是说并不存在一个神秘的“分数”，你刷几天视频它就涨、发错一条它就跌。把精力花在“养号玄学”上，不如花在研究观众身上。

我（莫潇羽）的个人习惯：一条作品发出去，48小时内不急着下判断；一周之后再回头看完整数据，结论会冷静很多。

二、推荐算法到底在算什么：从平台公开的原理说起

讲新号起量之前，得先把“算法”这件事拆开看看。过去很多关于算法的说法都是从业者凭经验猜的，好在近两年几大平台陆续公开了一部分原理，我们终于可以站在比较可靠的信息上来讨论了。

2.1 抖音公开了什么

2025年3月30日，抖音在中国网络媒体论坛上宣布上线“抖音安全与信任中心”网站（95152.douyin.com），首次面向社会公开推荐算法原理、社区规范和治理体系。同年4月，抖音又在北京办了一场开放日，算法工程师在现场做了更细的讲解。

从公开内容看，有几点对创作者特别有用。

第一，推荐的本质是“预估用户行为”。 系统并不是先判断“这条内容好不好”，而是在预测“这个具体的用户刷到这条内容后，会不会停下来看、会不会看完、会不会点赞收藏评论转发”。

第二，不是简单的贴标签配对。 很多人以为算法的逻辑是：内容打上“美食”标签，用户打上“爱吃”标签，两者一配就推。抖音方面在公开场合专门澄清过，这种理解是一种误解，实际是利用神经网络对用户行为做预估。

第三，有一个简化的“推荐优先级”计算思路。 抖音官方把核心逻辑概括成一个乘法关系。为了方便在网页和金山文档里正常显示，我用纯文本写出来：

推荐优先级 = 预估行为概率 × 行为价值权重

展开来看（对多种行为求和）：
推荐优先级 = Σ（ P(行为ᵢ) × W(行为ᵢ) ）

其中：
P(行为ᵢ) ：系统预估“这个用户”对“这条内容”做出某种行为的概率
            比如：看完、点赞、收藏、评论、转发、关注、复访……
W(行为ᵢ) ：平台给这种行为设定的价值权重
Σ        ：把各种行为的得分加在一起

这个式子是我按公开说明整理的示意写法，不是平台的真实代码，但思路是一致的：同一条内容，推给不同的人，算出来的优先级完全不同。 一条讲咖啡拉花的视频，推给一个经常看咖啡内容的人，“看完”和“收藏”的概率都高，优先级就高；推给一个只看球赛的人，大概率秒划，优先级就低。

第四，多目标体系。 平台公开提到，推荐不只看单一指标，而是把点赞、收藏、重复观看等多种行为都纳入目标，比如把收藏率纳入目标是为了让知识类内容能找到真正需要的人，还会增强“收藏加复访”“关注加追更”“打开加搜索”这类组合行为的预估，去捕捉用户更长期的需求。官方举过的一个例子是，2024年一条长达450分钟解读《红楼梦》的视频，最终拿到了超过3亿播放。超长视频能跑出来，说明“短平快才有流量”这个老观念早就不完全成立了。

2.2 把公式翻译成大白话

公式看着唬人，翻译过来其实就三句话：

• 系统关心的是“人”，不是“作品”本身。 同一条作品，它要不停地问：推给这个人合不合适？
• 不同行为的分量不一样。 一个收藏、一条认真的评论，通常比一个随手的赞更能说明“这个人真的需要这条内容”。
• 预估靠的是数据。 系统对一个用户、一类内容、一个创作者了解得越多，预估就越准。

第三句是理解新号困境的钥匙。新号为什么难？因为系统对你几乎一无所知，预估自然不准。 它不知道你的内容适合什么人，只能先“撒一把”，看看反应，再慢慢调整。

2.3 一条作品发出去之后经历了什么

结合平台公开的审核与推荐说明，以及业内的普遍认知，我画了一张简化流程图，帮你建立一个整体印象：

flowchart TD
    A[作品上传] --> B[机器审核]
    B -->|疑似风险| C[人工复审]
    B -->|通过| D[内容理解：画面/文字/音频/字幕]
    C -->|通过| D
    C -->|不通过| X[不予推荐或处置]
    D --> E[小范围试推：寻找可能感兴趣的人]
    E --> F{这批人的反馈如何？}
    F -->|停留、看完、互动较好| G[扩大到更多相似人群]
    F -->|快速划走、反馈弱| H[推荐逐渐放缓]
    G --> F
    H --> I[长尾：被搜索、被关注者、被相似兴趣用户零星看到]

这里有两个细节值得单独说一下。

一个是审核。抖音公开的治理体系显示，平台采用机器审核加人工审核协同，有初审、复审、三审的流程，所有发布的内容都会经过评估，而且流量越高的内容被评估的次数越多、标准越严。这意味着，你的作品越往上走，越不能有合规上的瑕疵。很多人前面数据很好、突然停住，其实是在更高一级的审核里出了问题，比如画面里露出了不该露的联系方式，或者用了未经授权的音乐素材。

另一个是“扩大”不是一次性的。很多教程喜欢把流量池讲成“第一级多少人、第二级多少人”的固定台阶，说得有板有眼。我的看法是：分层扩散这个大方向是对的，但具体台阶的人数，平台从没公开过，网上那些精确数字多半是经验估算，看看就好，别当成规则背。 你真正需要知道的是：每一次扩大，都建立在上一批观众的真实反馈之上。

2.4 平台为什么不会“硬推”谁

还有一个经常被问到的问题：“是不是有些人背后有关系，平台在硬推他？”

抖音在公开材料里专门回应过类似疑问，大意是：创作者走红最主要的原因是用户的选择，推荐算法只能预估用户的点赞、转发等行为，而真正让用户产生这些行为的是内容本身；同时平台重视用户体验，不会硬把内容塞给用户。

你可以对这种官方说法保留自己的判断，但从机制上讲它是说得通的：一个推荐系统如果长期把用户不喜欢的东西硬塞过去，用户就会流失，这对平台是实打实的损失。 所以，与其琢磨“谁在被扶持”，不如琢磨“我的观众到底想要什么”。

三、新号的冷启动：系统不是在“考验”你，而是在“找人”

先解释一个词。冷启动，原本是推荐系统领域的术语，指的是“系统对一个新用户或一条新内容没有任何历史数据时，如何开始做推荐”。放到创作者身上，就是你的新账号、新作品刚出现时，系统还不认识你的那个阶段。

3.1 系统面对新号时的两难

站在推荐系统的角度想一想，它面对一个新账号的新作品，处境其实挺尴尬：

• 如果完全不推，平台上就不会有新面孔，内容生态会慢慢变得陈旧，老创作者也会因为缺少竞争而懈怠。
• 如果大推特推，万一这条内容质量不行，大量用户会觉得体验变差。

所以几乎所有平台都会采取一种折中办法：先给一小批曝光，让真实用户的反应来投票。 在推荐系统的技术语境里，这叫“探索”与“利用”的平衡。“利用”是把流量交给已经被验证过的内容，稳；“探索”是把一部分流量拿出来试新东西，有风险但能发现新机会。新号的作品，主要吃的就是“探索”这一部分。

小红书技术团队在分享推荐架构时也提过类似的思路：他们发现，扶持新发布、低曝光的笔记，可以增强作者的发布意愿；并且即便一条笔记的初始数据一般，只要系统捕捉到它有价值的中长尾信号，依然会推荐给需要的人，跟发布时间早晚没有必然关系。这对新手来说是个好消息：“发出去三天没动静就等于死了”并不绝对。

3.2 为什么新号的第一批观众“不太对口”

这是整个问题的核心。

系统对一条新作品的理解，来自两个方向：一是内容本身，画面、字幕、标题、配音、话题标签，系统能从中提取出“这大概是讲什么的”；二是创作者的历史，这个账号过去发的东西，被什么样的人喜欢过。

老账号两条腿都能走路。新账号只有第一条腿，而且如果你的内容表达本身就模糊，比如封面看不出主题、前几秒全是寒暄、标题写得云里雾里，那这条腿也是瘸的。

于是系统只能把你的作品推给一批“看起来可能感兴趣、但其实不太确定”的人。这批人里，有的会停下来，有的会秒划，有的会看完但什么也不做。反馈弱，往往不是你的内容一无是处，而是这批人本来就不是你的目标观众。

我给学员打过一个比方，自己想的，很好记：新号发作品，像是一个刚开张的书店把新书摆在火车站候车厅里。 来往的人很多，可大部分人是赶车的，扫一眼就走了，偶尔有几个人停下来翻两页。你不能因为大部分人没停下，就断定这本书写得不好；你应该想办法让它出现在书店里、出现在读书会上，出现在真正想读它的人面前。

3.3 历史数据到底有没有用

前面说过，“账号权重”是民间说法，但这里要说句公道话：创作者的历史表现，确实会影响推荐模型的判断。 原因很简单，模型做预估需要特征，“这个创作者过去的内容通常被什么人喜欢、被看完的比例如何”，就是很有用的特征之一。

抖音生态策略负责人在2025年创作者大会上讲过一段很坦诚的话，大意是：稳定的流量对头部创作者非常友好，但在一定程度上意味着新作者的成长速度在变慢。这说明平台自己也意识到了新老创作者之间的不平衡。

他们给出的调整方向挺有意思：借助“懂行”用户的判断来筛选优质内容。 也就是让在某个领域真正有经验的用户，通过他们的点赞、评论、收藏等行为来帮助平台识别好内容。据公开披露，每天有近1亿用户在各自懂行的领域里起到这种作用；同时，抖音也调整了基础推荐机制，让优质内容之间能更多地比拼内容本身。

这对新手意味着什么？我的理解是两点：

1. 垂直领域的新号，机会反而可能更大。 你在一个细分领域里讲得专业、讲得扎实，那些懂行的人会用行为替你“投票”，这比在泛娱乐赛道里跟千军万马拼开头三秒要稳。
2. 历史数据是可以“积累”的，但积累的不是分数，是系统对你的理解。 你连续发同一个方向的内容，系统就能越来越清楚地知道“谁会喜欢你”。今天东一榔头、明天西一棒子，系统永远摸不准。

3.4 用一张表看懂新号与成熟号的差别