别只顾着发项目,加密创始人如何玩转推特?

深潮Publié le 2025-08-10Dernière mise à jour le 2025-08-11

真实>套路。

撰文:Kunal

编译:Luffy,Foresight News

过去一年,我一直沉浸在加密推特(现在的 X 平台)中。在此,我想分享我认为对打造个人品牌品牌有用的一些想法。

TLDR:

  • 保持真实:在这个充斥着 AI 生成内容的世界,真实最有力量

  • 保持一致性:每天活跃,推特平台会奖励积极用户,打造个人品牌需要很长时间

  • 善用数据:将互动量和曝光量作为反馈循环,在有效的内容上加大投入,摒弃无效内容

基础操作

  • 立即开始发帖:每天至少 1 条推文,推特喜欢活跃用户,这能确保你的内容在走红时获得更多推送

  • 开通高级订阅会员(这还用说吗,非高级会员在推特上就像 NPC 一样):最好是高级加强版,这样你可以撰写长文(比如本文),还能获得回复率提升

  • 清晰的个人简介:包括当前职位、1-2 个过往职位和专业领域

  • 头像:要么是精美的头像照,要么是 NFT,并且在不同平台保持一致

  • 关注数与粉丝数的比例(关注的人要比粉丝少)

  • 头像和封面图要在视觉上协调美观

  • 如果你的项目有 Twitter 认证标识:为项目申请 Twitter 附属徽章(对品牌建设有好处,虽不会直接提升算法推荐)

  • 置顶一条关于你正在打造的项目的推文

  • 发帖内容不止于加密货币:偶尔分享你的喜好、日常观察等,不要把自己变成广告牌

  • 团队魅力:鼓励整个团队发帖并互动,让你的团队和品牌账号放大你最优质的帖文

  • 团队的品牌一致性:让你的项目在视觉上具有辨识度,比如相似的头像 / 视觉元素

Nillion 的眼罩标识

  • 加入活跃的 NFT 社区:积累声望,使用热门 NFT 作为头像,参与社区互动

  • 将表现好的推文在 6-8 小时后转发(出现在新的时区)

  • 视频内容:如果你能创作短视频内容,这在加密推特上是个捷径;这里满是文字,视频内容的门槛很低。

  • 在会议上分享你的推特账号:这能帮助你获得一些新粉丝,跳出当前的圈子

  • 找到你的细分领域:你希望因某一项擅长的事被记住。

保持一致性

打造个人品牌需要时间。受众增长初期通常很缓慢,后期会加速。

不要成为 「推销员」

  • 不要只发布关于自己项目的内容,不要变成广告牌,首先你要像个真实的人。

  • 一个值得参考的比例是 4:1,在推特上,尤其是加密货币领域这种 「狂热」 群体中,每发 1 条推广内容,就要搭配 4 条有价值或有趣的内容。

  • 推广时,要讲究技巧。没人在乎你在打造什么,他们在乎的是 「能用它做什么」,它能为他们带来什么价值?苹果推销 iPod 时,不会说 「512MB 内存」,而是说 「把 1000 首歌装进口袋」。

几个基础的算法技巧

  • 不要用标签(拜托,现在不是 2012 年了)

  • 第一条推文千万不要放链接,推特会大幅降低这类内容的优先级。如果需要,放在线程的第二条推文中。

  • 尝试推特平台的新功能 :直播、文章、长文等。推特会优先推荐新格式的内容

成长框架(0 到 10 万粉丝)

这部分内容引用自推特用户@alexonchain

Level 1(0→100 粉丝):搭建基础

核心逻辑:冷启动阶段,先靠 「强关系 + 个人基础建设」 破冰。

关键动作:

  • 撬动身边人脉(朋友、熟人),把 「0 粉丝」 这个尴尬数据打破,先有第一批 「种子用户」;

  • 把个人资料(头像、简介、背景等)清晰化,让人一眼知道 「你是谁、能提供啥价值」;

  • 别想着 「走捷径、搞大规模」,先参与小社群、输出价值、积累弱连接(比如在兴趣圈子里活跃),耐心等第一批粉丝攒起来。

Level 2(100→1000 粉丝):扩大社交圈

核心逻辑:从 「强关系」(朋友)拓展到 「弱关系」(同好、小博主),靠 「真实活跃 + 差异化」 圈粉。

关键动作:

  • 保持 「真实、有趣、有料」 的状态,别装!平台上大家更愿意关注 「活生生的人」,不是刻板的 「人设」;

  • 主动连接真正能支持你的人(比如同领域小博主、目标受众),别乱蹭,找 「价值观 / 兴趣匹配」 的;

  • 去互动那些领域内的中小博主(不是头部大 V,而是和你粉丝量接近、内容优质的),互相借力;

  • 找到自己的 「差异化」(比如别人写干货,你用故事讲干货;别人严肃,你幽默),慢慢让内容有记忆点。

Level 3(1000→10k 粉丝):用内容破圈

核心逻辑:基础盘稳了,开始靠 「优质内容 + 更大范围连接」 突破。

关键动作:

  • 把精力往 「高质量、独特内容」 倾斜(比如深度干货、独家视角),让现有粉丝当 「传播燃料」(他们觉得好,会主动转发);

  • 从 「互动中小博主」 升级到 「碰瓷大账号」(比如在大 V 评论区输出有价值观点、合作互动),借大 V 流量池曝光;

  • 继续疯狂 「攒关系」,别停!不管是同领域创作者、潜在受众,多互动、多连接,关系网越密,传播路径越多;

  • 内容、互动保持 「一致性」,别今天发美食、明天发科技,让粉丝对你的 「定位」 越来越清晰。

Level 4(10k→100k 粉丝):定义个人风格

核心逻辑:粉丝量变大后,「聚焦 + 拒绝水互动 + 创新内容形式」 才是长久之计。

关键动作:

  • all in「你真正感兴趣 + 数据验证有效的内容」(兴趣驱动才能持久,数据验证说明受众买单),别为了流量乱追热点、丢了自己;

  • 拒绝 「低质量互动」(比如为凑数乱评论、买僵尸粉),这些会稀释你的 「个人特色」,让粉丝觉得你 「很水」;

  • 创新内容形式(比如别人写图文,你做播客;别人搞直播,你做互动游戏),把 「独特内容」 变成个人品牌的 「护城河」。

Level 5(100k + 粉丝):保持初心与迭代

核心逻辑:粉丝量到顶流后,「别飘 + 持续创新 + 回馈粉丝」 是留存关键。

关键动作:

  • 记住 「粉丝为啥关注你」(比如你一开始靠 「讲职场干货 + 真诚」 吸粉,别后来变成纯广告号),别丢了最初的 「价值锚点」;

  • 永远别停在 「舒适区」,持续升级内容(比如从 「职场干货」 到 「职场资源对接」「行业趋势预判」),保持 「领域内最优质」 的竞争力;

  • 别当 「高高在上的博主」,尽可能多和粉丝互动(比如翻牌评论、搞粉丝问答),让他们觉得 「你没变、还重视我们」,粘性才会高。

我该发些什么内容?

  • 记录你打造公司的历程:公开建设

  • 与用户交流 / 征求建议:例如 ,「你最喜欢的钱包体验是什么」,用你的推特做调研和用户反馈

  • 创建定期系列:每周更新 / 本周完成了什么?重复能创造价值

  • 讨论你对行业的愿景,而不仅仅是你的项目,展现思想领导力

  • 你的内容要么有教育意义,要么能带来娱乐性,两者都能传递价值

好的,技巧很棒,但我该从哪里开始?

一些内容灵感

来源:@alexonchain

更多内容灵感

本部分内容引用自推特用@ishverduzco

你是谁?

  • 你的故事是什么?

  • 你是如何走到今天的?

  • 你的爱好是什么?

  • 你有什么痴迷的事物?

  • 你的性格是怎样的?

  • 你在网上的兴趣爱好是什么?

  • 你最喜欢的创作者有哪些?

  • 你普通的一天是怎样过的?

你在做什么工作?

  • 你的公司是什么?

  • 你在打造什么?

  • 它为什么重要?

  • 和你的团队一起工作是什么感觉?

  • 有没有机会公开赞美你的团队?

  • 有什么即将发布的产品或公司公告吗?

  • 最近有没有达成什么里程碑,或者即将达成什么?

  • 客户对你的产品有什么评价?

  • 你的公司历程是怎样的?

你擅长什么?

  • 有什么事你比大多数人做得好?

  • 你是如何变得擅长这件事的?

  • 你为什么会被它吸引?

  • 你能向新手解释你所知道的吗?

  • 你对当前趋势有什么大胆的看法吗?

  • 在你的细分领域,你观察到了哪些别人没注意到的东西?

  • 关于你的工作,你被问到最多的问题是什么?

  • 关于你的工作,有什么误解吗?

积极回复

  • 在打造账号的初期,回复优于发帖。当你与他人的推文互动时,你会更频繁地出现在他们的时间线上

  • 使用推特列表与优质账号互动,减少噪音,每天积极回复他们

  • 回复热门的推文,热门推文下的回复也能获得大量曝光

  • 为你喜欢的顶级账号开启通知(可选,我个人讨厌通知)

  • 一定要回复你推文中的评论,推特喜欢对话,会优化滚动体验

  • 加入小团体(Telegram 聊天群),在群里分享你的推文,获得初始互动量助推

  • 每天留出时间回复,用推特列表减少噪音

  • 浏览时,收藏优质推文,作为自己创作内容的参考

数据分析

将数据分析作为反馈循环,重复使用并重新整理表现好的内容,摒弃表现差的内容

优化曝光量:更多曝光→更多个人主页访问→新粉丝

工具

  • Typefully:用于撰写草稿和排期

  • ChatGPT:用于获取推文灵感,或润色文字;但是用 AI 获取推文的框架,不要用它直接写内容

Lectures associées

Trois ans plus tard : Retour sur mon jugement de 2023 concernant ChatGPT

Trois ans après ses prédictions sur ChatGPT en mars 2023, Wang Jianshuo revient sur ses vingt affirmations initiales, évaluées en mai 2026 par des agents IA. Sur les vingt points, la majorité des tendances de fond étaient correctes : l'essor du RAG comme architecture dominante pour l'injection de connaissances, le rôle central de l'interface utilisateur en langage naturel (LUI), l'émergence de protocoles pour un "réseau d'agents", et le rattrapage technologique rapide des modèles chinois. Des erreurs notables portent sur des chiffres précis, comme les 100 billions de paramètres supposés de GPT-4 (en réalité environ 1,8 billion) ou une estimation trop basse des coûts de formation des grands modèles. Certaines prévisions se sont révélées trop absolues ("l'IA ne fera jamais de mathématiques pures") ou ont négligé les disparités (aucune vague de chômage massif, mais un impact sévère sur les jeunes diplômés). L'analyse révèle que les intuitions sur les mécanismes et les directions se sont avérées bien plus fiables que les prédictions numériques ou temporelles, souvent trop optimistes à court terme. La prudence dans les formulations et la reconnaissance des incertitudes se sont montrées précieuses avec le recul. Ce bilan offre des leçons pour les futurs pronostics : privilégier les tendances aux chiffres, anticiper les effets distributifs et accepter que certaines questions demandent plus de trois ans pour être tranchées.

marsbitIl y a 2 h

Trois ans plus tard : Retour sur mon jugement de 2023 concernant ChatGPT

marsbitIl y a 2 h

Trois ans plus tard : un retour sur mes prédictions de 2023 concernant ChatGPT

Trois ans après ses prédictions sur le ChatGPT en mars 2023, Wang Jianshuo revient sur ses 20 affirmations initiales. Évaluées en mai 2026 par des agents IA, la plupart de ses intuitions sur les grandes tendances se sont révélées justes : le RAG est devenu l'architecture standard pour intégrer des connaissances, l'Interface Utilisateur en Langage Naturel (LUI) a créé un nouvel écosystème, et les modèles chinois ont presque rattrapé les leaders mondiaux. Des concepts comme les réseaux d'agents et la nature limitée du test de Turing se sont également matérialisés. Cependant, les prévisions quantitatives et les affirmations trop absolues ont souvent échoué. Le paramétrage supposé du GPT-4 (100T) était inexact, et les coûts de développement des modèles ont dépassé les estimations. Il a sous-estimé la vitesse de personnalisation des IA et l'impact distribué sur l'emploi des jeunes. La capture de valeur a surtout bénéficié à la couche matérielle (comme Nvidia), et non aux seules applications. Les leçons clés sont que les mécanismes et les directions sont plus fiables que les chiffres précis, que l'optimisme à court terme doit être tempéré, et que les nuances ("peut-être", "pour l'instant") rendent les prédictions plus robustes. Cette rétrospective souligne l'importance de distinguer les tendances confirmées des questions toujours ouvertes.

链捕手Il y a 5 h

Trois ans plus tard : un retour sur mes prédictions de 2023 concernant ChatGPT

链捕手Il y a 5 h

Du Token à la main-d'œuvre machine : l'IA passe d'outil à « travailleur »

Alors que l'IA écrit du code, traite des tickets clients et révise des documents juridiques, elle ne se contente plus d'être un outil mais devient une source directe de travail. La commercialisation de l'IA évolue ainsi d'un marché de « jetons » (tokens) ou d'heures de GPU vers un nouveau marché : celui de la « main-d'œuvre machine ». Dans ce marché, le jeton n'est qu'une unité de mesure, le GPU un intrant, et le modèle un outil de production. L'objet véritablement tarifé et échangé est le travail économique accompli directement par le logiciel. Le mécanisme de prix de l'IA devrait évoluer des jetons bruts vers des capacités de modèles standardisées, puis vers une main-d'œuvre sectorielle, et enfin vers un marché de résultats programmables. À l'avenir, les entreprises pourraient ne plus se soucier du modèle ou du GPU spécifique utilisé, mais uniquement du fait que la tâche soit livrée dans des délais, avec un taux de précision, une fiabilité et un coût conformes aux standards. Ce changement ne signifie pas un simple remplacement du travail humain. Alors que la machine assume des tâches standardisées et vérifiables, le rôle humain pourrait se déplacer vers la supervision, la responsabilité finale, la gestion du contexte et les jugements critiques. Dans certains cas, les 1% de jugement humain final pourraient gagner en valeur, car ils permettent de débloquer les 99% d'automatisation à grande échelle. Le marché évolue donc vers une couche où le « travail » lui-même devient l'unité stable, standardisée, vérifiable et négociable. La prochaine phase de concurrence ne portera pas seulement sur la puissance des modèles ou le prix du calcul, mais sur la capacité à standardiser, vérifier et tarifer le « travail » accompli, faisant de la main-d'œuvre machine une nouvelle ressource productive que l'on peut acheter, facturer et échanger.

marsbitIl y a 6 h

Du Token à la main-d'œuvre machine : l'IA passe d'outil à « travailleur »

marsbitIl y a 6 h

La réduction de 99% du prix de Xiaomi MiMo n'est pas un coup marketing ! Luo Fuli répond aux détracteurs sur X

Dans un article intitulé "La réduction de 99% du prix de MiMo de Xiaomi n'est pas du marketing ! Luo Fuli répond aux détracteurs sur X", Luo Fuli, responsable de MiMo, a publié un billet de blog technique de 5000 mots pour expliquer la baisse drastique des prix de l'API MiMo-V2.5. Contrairement aux interprétations initiales d'une guerre des prix ou d'une stratégie de perte, cette réduction de 99% concerne spécifiquement le coût des entrées en cache ("Input Cache Hit"), c'est-à-dire la relecture du contexte historique dans les conversations longues. Le billet détaille six piliers d'ingénierie ayant permis cette réduction : 1. **Architecture Hybride SWA** : Réduction du volume de la mémoire cache (KVCache) à 1/7 grâce à une attention par fenêtre glissante sur 60 des 70 couches du modèle. 2. **Gestion en double pool** : Allocation efficace de la mémoire pour matérialiser les gains théoriques du SWA, multipliant par 5 le nombre d'utilisateurs simultanés par GPU. 3. **Cache de préfixe optimisé** : Augmentation du taux de réussite du cache à 93-95% en moyenne, évitant de recalculer les contextes répétés. 4. **Système de cache distribué GCache** : Stockage des données sur les SSD des machines GPU existantes, réduisant les coûts de stockage additionnels à zéro. 5. **Système de routage LLM-Router** : Optimisation de l'acheminement des requêtes pour maximiser l'utilisation du cache et améliorer les performances. 6. **Prédiction Multi-Token (MTP)** : Accélération de la génération des réponses du modèle, réduisant également les coûts de sortie. Cette chaîne d'optimisations systémiques a réduit le temps GPU par requête d'un ordre de grandeur, permettant une baisse de prix de 99% tout en maintenant une marge positive. Luo Fuli souligne qu'il s'agit d'un accomplissement d'ingénierie validé en production, et non d'une simple manœuvre marketing, offrant une référence pour réduire les coûts dans le secteur de l'IA.

marsbitIl y a 8 h

La réduction de 99% du prix de Xiaomi MiMo n'est pas un coup marketing ! Luo Fuli répond aux détracteurs sur X

marsbitIl y a 8 h

Analyse rétrospective des opérations magistrales de Cathie Wood sur Circle

Cathy Wood (ARK) a réalisé une opération exemplaire sur l'action Circle, démontrant une maîtrise des mouvements de marché à court terme malgré son approche d'investissement habituellement tournée vers le très long terme. Elle a d'abord acquis près de 4,5 millions d'actions au prix d'introduction de 31 dollars, profitant ainsi de l'envolée initiale due à une faible offre flottante et une forte demande. Lorsque le titre a été propulsé à près de 300 dollars en juin 2025, porté par l'adoption du projet de loi sur les stablecoins (GENIUS Act), Wood a systématiquement vendu par tranches environ 1,7 million d'actions à un prix moyen d'environ 210 dollars, réalisant ainsi des plus-values substantielles. Cette décision était motivée à la fois par des règles internes de rééquilibrage de portefeuille et par l'anticipation de l'augmentation future de l'offre d'actions. Par la suite, face à la chute de l'action (jusqu'à -83% depuis son pic), Wood a racheté progressivement sa position initiale à des prix bien inférieurs (entre environ 50 et 130 dollars), portant son portefeuille à nouveau à environ 4,5 millions d'actions fin mars 2026. L'opération illustre trois principes clés : une conviction forte sur le modèle économique à long terme de Circle (stablecoin USDC), une exécution disciplinée par tranches sans chercher à prédire les sommets ou les creux, et le respect strict de règles de gestion des risques limitant le poids d'un titre dans le portefeuille.

marsbitIl y a 12 h

Analyse rétrospective des opérations magistrales de Cathie Wood sur Circle

marsbitIl y a 12 h

Trading

Spot
Futures
活动图片