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

# W11-A evolução do algoritmo do Twitter e da gestão das fontes de informação

Um tema recorrente neste ano é melhorar a eficiência com que filtro minha rede de fontes de informação.

Na semana passada, examinei por alto o algoritmo de recomendação do Twitter. Também criei duas tarefas agendadas com o Cowork da Claude.

O algoritmo de recomendação do Twitter passou por uma reconstrução completa nos últimos anos. A plataforma também é uma das poucas redes sociais a abrir seu repositório central — Musk diz que é a única. É um bom material para estudar sistemas avançados de busca, publicidade e recomendação.

A comparação entre o primeiro repositório aberto ([twitter/the-algorithm](https://github.com/twitter/the-algorithm)) e o novo, baseado em grandes modelos ([xai-org/x-algorithm](https://github.com/xai-org/x-algorithm)), mostra claramente a evolução da arquitetura. Um conjunto complexo de microsserviços, muito dependente de atributos projetados manualmente e regras heurísticas, deu lugar a uma arquitetura enxuta de aprendizado profundo de ponta a ponta, baseada em Transformer (Grok).

A tabela compara a composição e as características técnicas dos dois repositórios e ajuda a perceber a direção dessa evolução.

| Dimensão                          | Versão de 2023 (The-Algorithm)                            | Versão de 2025 (X-Algorithm)                                                |
| --------------------------------- | --------------------------------------------------------- | --------------------------------------------------------------------------- |
| **Pilha tecnológica**             | Scala / Java (ecossistema JVM)                            | Rust / Python (ecossistema de IA)                                           |
| **Engenharia de atributos**       | Milhares de atributos estatísticos projetados manualmente | **Nenhum atributo manual**, aprendizado a partir de sequências de interação |
| **Modelo central**                | Heavy Ranker (rede neural de 48M)                         | **Transformer baseado em Grok**                                             |
| **Armazenamento In-Network**      | Timeline Cache / Fanout Service                           | **Thunder** (armazenamento em memória de alto desempenho em Rust)           |
| **Estrutura do pipeline**         | Product Mixer (Scala)                                     | **Candidate Pipeline Crate** (Rust)                                         |
| **Lógica de recuperação**         | Índice de busca (Lucene) + travessia de grafos            | Modelo vetorial de duas torres (Two-Tower)                                  |
| **Eficiência de desenvolvimento** | Pipelines de atributos complexos e manutenção cara        | Composição modular (Composable), lógica simples                             |

Mesmo depois de estudar o algoritmo do Twitter, ainda não consegui aplicar esse conhecimento diretamente; continuo no nível de escrever prompts. Usei o Cowork para criar duas tarefas agendadas conforme meu modo de pensar: uma acompanha o mercado, a outra a tecnologia. Depois de várias iterações, a versão atual se aproxima do padrão que procuro. Abaixo estão as instruções e exemplos recentes, como referência.

Acompanhamento dos mercados globais e das principais classes de ativos:

{% content-ref url="/pages/XrTX8s93PmoYQd91wckq" %}
[Boletim diário de mercado](/pt-br/2026/w11-twitters-algorithmic-evolution-and-the-iteration-of-source-management/daily-market-briefing.md)
{% endcontent-ref %}

Acompanhamento de instituições, comunidades e veículos relevantes de tecnologia:

{% content-ref url="/pages/bgNcpgPAhszoKVvoxC7l" %}
[As 20 principais informações de tecnologia da semana](/pt-br/2026/w11-twitters-algorithmic-evolution-and-the-iteration-of-source-management/weekly-tech-top20.md)
{% endcontent-ref %}

Boletins e assistentes não substituem completamente minhas andanças aleatórias pelas comunidades. Falta um pouco de acaso e de diversão.

Um exemplo é um texto de que gostei muito e encontrei na semana passada, [Temporal: a jornada de nove anos para corrigir o tempo em JavaScript](https://bloomberg.github.io/js-blog/post/temporal/). Ele é da equipe de JS da Bloomberg, que começou a publicar um blog técnico neste mês, mas parece ter muita experiência acumulada no setor.

O artigo apresenta o Temporal, a maior extensão da linguagem JS desde o ES2015, e reconstrói o longo caminho até sua padronização. O Temporal corrige de forma sistemática os problemas históricos de trinta anos da API Date e redesenha um conjunto completo de tipos temporais. Vários mecanismos de JS compartilham uma biblioteca de implementação em Rust, temporal\_rs, para reduzir custos e aumentar a consistência. Esta parece ser a primeira solução de infraestrutura adotada por vários mecanismos de JS, no nível do padrão da linguagem, que tem uma implementação em Rust como núcleo.