🔍Já checaram o código da X, e o pânico do 'limite de 4 posts' era falso
Assim que o código saiu, veio o pânico. Espalhou-se um post afirmando que a X pune quem publica mais de 4 vezes por dia, que existiria um gatilho automático cortando o alcance de quem posta demais. --- O Benjamin De Kraker resolveu checar. Pegou o código de verdade, mandou o Claude (a IA da Anthropic) ler linha por linha e conferir a alegação. Resultado: "na maior parte, besteira". Não existe gatilho de 4 por dia. O que existe é um desconto gradual: dentro de uma mesma leva de posts, cada post a mais perde um pouquinho de força. Postar muito satura, mas não tem castigo de tranco. --- Ficam duas lições. A primeira: quando algo vira código aberto, dá pra checar boato em vez de repetir. A segunda: usar IA pra ler código e desmentir post viral é um uso prático que qualquer pessoa pode fazer hoje.
I had Claude clone this repo and dig through the actual code to fact-check this post's claims. Result: Mostly crap. There is a continuous per-position decay within a feed response, but no "4/day" tripwire. In other words, the more you post per day, the more "saturated" it gets. But nothing in the code says four. More details: [ claims that are FALSE ] - "media gets 2x signal weight"... no multiplier exists. has_media is just a model feature - "replies weighted by WHO replies" ... single ReplyWeight in ranking_scorer.rs. who-replied is a UI facepile, not a scorer - "long-form 4000-char heavier weight"... zero hits for length/article/char_count anywhere - "consistent cadence > volume" ... zero hits for cadence/regularity/posting_frequency - "self-reply in first 30 min = ranking gold"... no self-reply logic. SelfTweetFilter literally removes your own posts [ claims that are UNSUPPORTED (invented) ] - recycled-template classifier ... doesn't exist - originality / AI-roundup classifier ... doesn't exist - engagement-bait closer detector ... doesn't exist - motivational-fluff penalty ... doesn't exist - text+media interaction term ... doesn't exist real classifiers in grox/classifiers/content/: spam, safety_ptos, reply_ranking, banger_initial_screen. That's it. [ claims that are PARTIALLY true but distorted ] - "4+ posts/day dilution" → real mechanism is AuthorDiversityScorer: continuous per-position decay within ONE feed response. no "4/day" tripwire - "OON discovery 3x'd" → OonWeightFactor exists in ranking_scorer.rs:225. the actual number lives in an external feature-switch service NOT in the repo. "3x" is made up - "engagement pods reweighted" → MutualFollowJaccardHydrator exists but emits stats, isn't wired into any scorer - "model reads full thread context" → conversation_id is tracked, ranker attends over user history + candidate. no explicit full-thread feature [ score ] 0/14 cleanly true. 4 partially true. 10 false or invented. Thank you for coming to my Ted Talk
— @BenjaminDEKR View on X
O código aberto do algoritmo de recomendação da X (antigo Twitter) desmentiu uma das teorias mais repetidas nas últimas semanas: não existe um gatilho automático que limita o alcance de contas que publicam mais de quatro vezes ao dia. Análise técnica detalhada revelou que o sistema utiliza um mecanismo de decay contínuo por posição dentro da resposta do feed, sem thresholds rígidos de penalização por volume absoluto.
O que o código realmente mostra
Benjamin De Kraker utilizou o Claude, modelo de IA da Anthropic, para realizar engenharia reversa do repositório leaked da X. O objetivo: validar alegações virais sobre o funcionamento do `ranking_scorer.rs` e dos módulos de classificação de conteúdo.
A investigação apontou que a suposta regra de "4 posts/dia" é uma distorção do `AuthorDiversityScorer`. O sistema aplica um decaimento gradual por posição quando múltiplos posts do mesmo autor aparecem em uma mesma leva de feed — quanto mais itens consecutivos, menor o peso de cada novo candidato. Não existe, contudo, um contador diário que desencadeia supressão automática de alcance.
Outras alegações falsas identificadas incluem: - Multiplicador de 2x para mídia (`has_media` é apenas uma feature binária do modelo, sem peso multiplicativo aplicado) - Priorização por identidade de quem responde (existe apenas um `ReplyWeight` genérico, não scoring baseado em "quem respondeu") - Peso extra para textos longos (zero ocorrências de `char_count`, `length` ou `article` no código de ranking) - Lógica de self-reply em 30 minutos (`SelfTweetFilter` literalmente remove posts próprios do pipeline de ranqueamento, não os promove)
Classificadores reais versus inventados
A análise mapeou a arquitetura real de machine learning da plataforma. Enquanto boatos sugeriam detectores sofisticados para "templates reciclados", "originality", "engagement-bait" ou "motivational-fluff penalty", o repositório revela apenas quatro classificadores operacionais em `grox/classifiers/content/`: spam, safety_ptos, reply_ranking e banger_initial_screen.
Mecanismos como `MutualFollowJaccardHydrator` existem, mas emitem estatísticas não conectadas a scorers de ranking. O `OonWeightFactor` (relacionado à descoberta de conteúdo fora da rede) está presente em `ranking_scorer.rs:225`, mas seu valor multiplicativo reside em serviços externos de feature-switch, não no código auditado — tornando a alegação de "3x" sem fundamento técnico verificável.
Implicações para builders e devs brasileiros
O caso demonstra dois pontos práticos para desenvolvedores. Primeiro: a transparência algorítmica via código aberto permite verificação factual de claims sobre growth hacking, substituindo especulação por análise de repositório. Segundo: o uso de LLMs para auditoria de código Rust em larga escala representa uma nova prática de due diligence técnica acessível a qualquer equipe de produto.
Para profissionais de plataformas digitais, a lição é técnica: algoritmos de feed modernos operam com scoring contínuo e features distribuídas, não com regras rígidas do tipo "se X, então shadowban". O entendimento preciso desses sistemas — baseado em código-fonte, não em folklore de marketing — é essencial para arquitetar estratégias de distribuição e engenharia de recomendação eficazes.