> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/es/2026/w11-twitters-algorithmic-evolution-and-the-iteration-of-source-management.md).

# W11-La evolución del algoritmo de Twitter y de mi gestión de fuentes

Este año hay un tema al que vuelvo de forma constante: mejorar la eficiencia con la que filtro mi red de fuentes.

La semana pasada eché un vistazo al algoritmo de recomendación de Twitter. También creé dos tareas programadas con Cowork de Claude.

Twitter ha reconstruido por completo su algoritmo de recomendación en los últimos años. Además, es una de las pocas plataformas sociales que han abierto el código de su núcleo —según Musk, la única—, por lo que ofrece buen material para estudiar sistemas avanzados de búsqueda, publicidad y recomendación.

Al comparar el repositorio que abrió inicialmente ([twitter/the-algorithm](https://github.com/twitter/the-algorithm)) con el nuevo repositorio basado en grandes modelos ([xai-org/x-algorithm](https://github.com/xai-org/x-algorithm)), se aprecia con claridad la evolución de su arquitectura de recomendación. Ha pasado de complejos microservicios que dependían mucho de la ingeniería manual de características y de reglas heurísticas a una arquitectura mínima de aprendizaje profundo de extremo a extremo, basada en Transformer (Grok).

La siguiente tabla resume la composición y las características técnicas de ambos repositorios y permite ver la dirección de ese cambio.

| Dimensión                         | Versión de 2023 (The-Algorithm)                                   | Versión de 2025 (X-Algorithm)                                           |
| --------------------------------- | ----------------------------------------------------------------- | ----------------------------------------------------------------------- |
| **Tecnologías**                   | Scala / Java (ecosistema JVM)                                     | Rust / Python (ecosistema de IA)                                        |
| **Ingeniería de características** | Depende de miles de características estadísticas diseñadas a mano | **Cero características manuales**; aprende de secuencias de interacción |
| **Modelo principal**              | Heavy Ranker (red neuronal de 48M)                                | **Grok-based Transformer**                                              |
| **Almacenamiento In-Network**     | Timeline Cache / Fanout Service                                   | **Thunder** (almacenamiento en memoria de alto rendimiento en Rust)     |
| **Marco de procesamiento**        | Product Mixer (Scala)                                             | **Candidate Pipeline Crate** (Rust)                                     |
| **Lógica de recuperación**        | Índice de búsqueda (Lucene) + recorrido de grafos                 | Modelo vectorial de dos torres (Two-Tower)                              |
| **Eficiencia del desarrollo**     | Complejas cadenas de características, mantenimiento costoso       | Composición modular (Composable), lógica sencilla                       |

Después de leer sobre el algoritmo de recomendación de Twitter, sigo sin saber llevar lo aprendido a la práctica. Mi nivel llega a escribir prompts. Utilicé Cowork para crear dos tareas programadas según mi marco de pensamiento: una para seguir los mercados y otra para seguir la tecnología. Tras varias iteraciones, la versión actual se ajusta bastante al criterio que buscaba. Comparto las instrucciones concretas y los ejemplos recientes como referencia.

Seguimiento de los mercados mundiales y de las principales clases de activos:

{% content-ref url="/pages/C67yy9Zn9eMNsH1o0o9V" %}
[Informe diario de mercado](/es/2026/w11-twitters-algorithmic-evolution-and-the-iteration-of-source-management/daily-market-briefing.md)
{% endcontent-ref %}

Seguimiento de las principales instituciones, comunidades y medios tecnológicos:

{% content-ref url="/pages/pcltlxQs3bcH03mMDyIx" %}
[Las 20 noticias tecnológicas de la semana](/es/2026/w11-twitters-algorithmic-evolution-and-the-iteration-of-source-management/weekly-tech-top20.md)
{% endcontent-ref %}

Los informes y los asistentes no pueden sustituir por completo el paseo sin rumbo por distintas comunidades. Les falta algo de azar y, con ello, algo de diversión.

Por ejemplo, la semana pasada encontré una entrada que me gustó mucho: [Temporal: el viaje de 9 años para arreglar el tiempo en JavaScript](https://bloomberg.github.io/js-blog/post/temporal/). Es del equipo de JS de Bloomberg, que empezó a publicar su blog técnico este mes, aunque parece tener una larga experiencia en el sector.

El artículo trata sobre Temporal, la ampliación más importante del lenguaje JS desde ES2015, y reconstruye el largo proceso que llevó a su estandarización. Resuelve de forma sistemática los problemas acumulados durante treinta años por la API Date y rediseña un sistema completo de tipos temporales. Varios motores de JS comparten una biblioteca de implementación en Rust (temporal\_rs) para reducir los costes y mejorar la coherencia entre ellos. Creo que es la primera vez que JS adopta, en el nivel del estándar del lenguaje, una solución de infraestructura basada en una implementación en Rust y compartida por varios motores.