> 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/fr/2026/w11-twitters-algorithmic-evolution-and-the-iteration-of-source-management.md).

# W11-Évolution de l'algorithme Twitter et de ma gestion des sources

Cette année, un thème revient régulièrement : améliorer l'efficacité du filtrage de mon réseau de sources.

La semaine dernière, j'ai examiné rapidement l'algorithme de recommandation de Twitter. J'ai également créé deux tâches planifiées avec Cowork, de Claude.

L'algorithme de recommandation de Twitter a été entièrement remanié ces dernières années. Twitter est aussi l'un des rares réseaux sociaux à publier le code de son système central ; selon Musk, c'est le seul. C'est une bonne ressource pour étudier les techniques avancées de recherche, de publicité et de recommandation.

La comparaison du premier dépôt ouvert, [twitter/the-algorithm](https://github.com/twitter/the-algorithm), avec le récent dépôt fondé sur les grands modèles, [xai-org/x-algorithm](https://github.com/xai-org/x-algorithm), montre clairement l'évolution. L'architecture passe de microservices complexes fortement dépendants de caractéristiques conçues à la main et de règles heuristiques à une architecture minimale d'apprentissage profond de bout en bout, fondée sur un Transformer, Grok.

Voici une comparaison de la composition et des caractéristiques techniques des deux dépôts, qui permet de saisir cette direction.

| Dimension                           | Version 2023 (The-Algorithm)                                    | Version 2025 (X-Algorithm)                                                             |
| ----------------------------------- | --------------------------------------------------------------- | -------------------------------------------------------------------------------------- |
| **Pile technique**                  | Scala / Java (écosystème JVM)                                   | Rust / Python (écosystème IA)                                                          |
| **Ingénierie des caractéristiques** | Des milliers de caractéristiques statistiques conçues à la main | **Aucune caractéristique manuelle**, apprentissage à partir des séquences d'engagement |
| **Modèle central**                  | Heavy Ranker (réseau neuronal de 48 M de paramètres)            | **Transformer fondé sur Grok**                                                         |
| **Stockage In-Network**             | Timeline Cache / Fanout Service                                 | **Thunder** (stockage en mémoire haute performance en Rust)                            |
| **Framework de pipeline**           | Product Mixer (Scala)                                           | **Candidate Pipeline Crate** (Rust)                                                    |
| **Logique de recherche**            | Index de recherche (Lucene) + parcours de graphe                | Modèle vectoriel à deux tours (Two-Tower)                                              |
| **Efficacité du développement**     | Pipeline de caractéristiques complexe et coûteux à maintenir    | Composition modulaire (Composable), logique simple                                     |

Même après cette lecture, je ne sais pas appliquer directement ces connaissances ; je reste au niveau de l'écriture de prompts. Avec Cowork, j'ai créé deux tâches planifiées suivant mon cadre de réflexion : l'une pour les marchés, l'autre pour la technologie. Après plusieurs itérations, la version actuelle correspond à peu près au goût que je recherche. Voici les instructions et des exemples récents, pour référence.

Suivi des marchés mondiaux et des grandes classes d'actifs :

{% content-ref url="/pages/PCY1uzyG6VxN3EfNlCGi" %}
[Bulletin quotidien des marchés](/fr/2026/w11-twitters-algorithmic-evolution-and-the-iteration-of-source-management/daily-market-briefing.md)
{% endcontent-ref %}

Suivi des principaux organismes, communautés et médias technologiques :

{% content-ref url="/pages/0cpW2ln2xkD6q6aidue9" %}
[Top 20 technologique de la semaine](/fr/2026/w11-twitters-algorithmic-evolution-and-the-iteration-of-source-management/weekly-tech-top20.md)
{% endcontent-ref %}

Les bulletins et les assistants ne remplacent pas complètement les promenades au hasard dans les communautés. Il leur manque un peu de hasard, et un peu de plaisir.

La semaine dernière, par exemple, j'ai découvert un billet que j'ai beaucoup aimé : [Temporal : neuf ans pour remettre le temps en ordre dans JavaScript](https://bloomberg.github.io/js-blog/post/temporal/). Il vient de l'équipe JS de Bloomberg, qui a commencé à publier des billets techniques ce mois-ci mais semble disposer d'une expérience très solide.

L'article raconte Temporal, l'extension la plus importante du langage JS depuis ES2015, et retrace son long parcours de normalisation. Temporal corrige systématiquement les problèmes accumulés par l'API Date en trente ans et redéfinit un ensemble complet de types temporels. Plusieurs moteurs JS partagent une bibliothèque d'implémentation Rust, temporal\_rs, pour réduire les coûts et améliorer la cohérence. Ce serait la première infrastructure de ce type au niveau du standard du langage JS, reposant sur une implémentation Rust commune à plusieurs moteurs.