别只顾着发项目,加密创始人如何玩转推特?

深潮Dipublikasikan tanggal 2025-08-10Terakhir diperbarui pada 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

Bacaan Terkait

Tiga Tahun Kemudian: Meninjau Kembali Penilaian Saya terhadap ChatGPT di Tahun 2023

Tiga tahun kemudian, pada Mei 2026, penulis meninjau kembali 20 prediksi tentang ChatGPT yang dibuatnya pada Maret 2023, menggunakan AI untuk mengevaluasi akurasinya berdasarkan data terbaru. Secara keseluruhan, arah dan mekanisme prediksi banyak yang tepat. Yang paling akurat adalah tentang RAG sebagai arsitektur standar, LUI (Antarmuka Pengguna Bahasa Alami) sebagai lapisan interaksi baru, munculnya "jaringan robot" (protokol untuk agen AI), dan kemampuan China mengejar ketertinggalan model AI besar. Prediksi bahwa ChatGPT bukan AGI namun langkah besar, tidak menyebabkan gelombang pengangguran massal, serta sifat uji Turing yang hanya mengukur persepsi juga pada dasarnya benar. Namun, prediksi dengan angka spesifik atau pernyataan mutlak sering meleset. Klaim bahwa GPT-4 memiliki 100 triliun parameter sepenuhnya salah. Pernyataan bahwa LLM "tidak mungkin" mengerjakan matematika murni terbantahkan dengan model penalaran yang memenangkan medali emas IMO. Estimasi biaya pelatihan model hanya $5-10 miliar juga jauh dari kenyataan, yang kini mencapai miliaran dolar untuk model terdepan. Beberapa prediksi keliru tentang distribusi dampak, seperti bahwa nilai akan berpindah ke lapisan aplikasi (nyatanya, penyedia chip seperti NVIDIA paling untung), atau bahwa AI akan "menghindari" masalah hak cipta (justru menimbulkan gugatan besar). Kesimpulan utama adalah: dalam memprediksi teknologi yang cepat berubah, mengidentifikasi arah dan mekanisme umumnya lebih bisa diandalkan daripada memberikan angka pasti atau pernyataan mutlak. Prediksi cenderung terlalu optimis tentang kecepatan perubahan jangka pendek, tetapi meremehkan besarnya perubahan jangka panjang. Penting juga untuk mempertimbangkan distribusi dampak, bukan hanya kesimpulan agregat. Pernyataan yang disertai batasan dan keraguan justru lebih tahan uji waktu. Beberapa pertanyaan mendasar masih belum terjawab setelah tiga tahun. Tinjauan ini berfungsi sebagai pelajaran untuk membuat prediksi yang lebih baik di tiga tahun mendatang.

marsbit5j yang lalu

Tiga Tahun Kemudian: Meninjau Kembali Penilaian Saya terhadap ChatGPT di Tahun 2023

marsbit5j yang lalu

Tiga Tahun Kemudian: Menilik Kembali Penilaian Saya terhadap ChatGPT pada 2023

Tiga tahun kemudian: Meninjau Kembali 20 Prediksi ChatGPT Saya pada 2023 Pada Maret 2023, penulis Wang Jianshuo membuat 20 prediksi intuitif tentang ChatGPT dan AI masa depan. Kini, di Mei 2026, sebuah sistem AI yang terdiri dari 41 agen menganalisis prediksi-prediksi tersebut berdasarkan data terkini. Hasilnya menunjukkan pola menarik. **Yang Terbukti Benar (Secara Umum):** * **RAG dan Arsitektur Pencarian (✅):** Solusi utama untuk pengetahuan dan halusinasi adalah dengan menambahkan "contekan" (RAG), bukan mengubah model. Arsitektur pencarian + LLM kini menjadi standar. * **LUI sebagai Benua Baru (🟢):** Antarmuka Pengguna Bahasa Alami (LUI) adalah lapisan interaksi baru yang besar, melahirkan industri agen dan protokol seperti MCP. * **Jaringan Robot dan Sistem Pengalamatan Baru (🟢):** Agen akan berkomunikasi otomatis dengan bahasa alami. Protokol seperti MCP dan ANP sedang mewujudkannya. * **Model Besar Tiongkok (🟢):** Model-model seperti DeepSeek dan Qwen telah mengejar ketertinggalan performa, meski dengan investasi lebih kecil. * **Tidak Ada Kesadaran, Tes Turing Hanya Ukur Penampilan (🟢):** AI tidak memiliki kesadaran. Tes Turing hanya mengukur ilusi kesadaran. * **Prediksi Lain yang Benar:** ChatGPT bukan AGI, tapi lompatan besar; gelombang pengangguran besar tidak terjadi; tahun besar untuk startup; momen "browser 1994" telah tiba. **Yang Kurang Tepat atau Salah:** * **Parameter GPT-4 (❌):** Prediksi 100 triliun parameter salah. Estimasi terbaru sekitar 1,8 triliun. * **Matematika di LLM (🟡):** Diagnosis bahwa matematika adalah kelemahan intrinsik dan memerlukan alat bantu benar. Namun, pernyataan "tidak mungkin" ditingkatkan terbukti salah, karena model kini bisa memenangkan medali emas Olimpiade Matematika Internasional (IMO). * **Penangkapan Nilai (🟡):** Aplikasi memang berkembang pesat, tetapi nilai terbesar justru ditangkap oleh lapisan komputasi (seperti Nvidia), bukan oleh pembuat model. * **Hak Cipta (🟡):** Konten AI sulit didaftarkan hak cipta, tetapi tidak serta-mata "menghindari" pelanggaran. Gugatan dan penyelesaian besar (misalnya, Anthropic $1,5 miliar) membuktikan risikonya. * **Biaya Model (🟡):** Prediksi "perang lokal" dengan biaya $5-10 miliar untuk model canggih terbukti salah. Biaya pelatihan model terdepan (seperti GPT-5) jauh lebih tinggi, sementara biaya kloning model terbuka justru bisa lebih murah. **Pola dan Pelajaran:** 1. **Arah dan mekanisme lebih dapat diandalkan daripada angka pasti dan pernyataan mutlak.** 2. **Cenderung terlalu optimis untuk jangka pendek (kecepatan), tetapi terlalu konservatif untuk jangka panjang (skala/dampak).** 3. **Kesalahan sering terjadi pada distribusi, bukan pada total.** Contoh: Tidak ada gelombang pengangguran masif, tetapi dampak berat dirasakan oleh lulusan baru. 4. **Pernyataan yang disertai batasan dan ruang ketidakpastian justru lebih tahan uji waktu.** 5. **Beberapa pertanyaan mendasar masih belum terjawab setelah tiga tahun.** Kesimpulannya, prediksi tentang arah besar dan mekanisme cenderung akurat, sementara prediksi spesifik tentang angka, kecepatan, dan distribusi dampak lebih sering meleset. Latihan ini lebih merupakan pelajaran dalam kerendahan hati dan penilaian yang bernuansa daripada sekadar penghitungan skor.

链捕手8j yang lalu

Tiga Tahun Kemudian: Menilik Kembali Penilaian Saya terhadap ChatGPT pada 2023

链捕手8j yang lalu

Peringatan Gelembung AI: Investasi AI Merupakan Pengembalian Negatif bagi Kebanyakan Raksasa Teknologi

Peringatan Gelembung AI: Investasi AI Membawa Pengembalian Negatif bagi Sebagian Besar Raksasa Teknologi Demam AI kini memasuki tahap pemeriksaan keuangan. Raksasa cloud seperti Microsoft, Alphabet, Amazon, Meta, dan Oracle berencana menginvestasikan ratusan miliar dolar ke pusat data AI dalam lima tahun ke depan. Namun, analisis terhadap proyeksi pendapatan dan pengeluaran modal (capex) hingga 2030 mengungkap masalah: tingkat pengembalian investasi implisit diperkirakan sangat negatif bagi semua perusahaan kecuali Amazon, bahkan dalam skenario optimis ekstrem. Ini menunjukkan bahwa jika tren saat ini berlanjut, boom AI bisa menjadi salah satu peristiwa perusakan nilai pemegang saham terbesar. Ada dua jalan keluar: pendapatan yang jauh melebihi ekspektasi saat ini, atau pengurangan rencana investasi. Jalan pertama tampaknya mustahil, karena membutuhkan tambahan pendapatan triliunan dolar. Jalan kedua—pemotongan investasi—akan berdampak luas, meruntuhkan harga saham perusahaan-perusahaan teknologi global dan dapat mendorong ekonomi AS ke resesi, mengingat 93% pertumbuhan PDB AS belakangan ini didorong oleh investasi teknologi. IPO perusahaan AI seperti OpenAI dan Anthropic tahun ini bisa menjadi mekanisme transfer risiko, memindahkan ketidakpastian dari pemilik awal kepada investor ritail dan dana pensiun. Sementara euphoria pemasaran mungkin bertahan hingga setelah IPO tahun 2026, tekanan matematika yang tak terelakkan mungkin memaksa raksasa cloud mengumumkan pemotongan investasi pada 2027 atau 2028, mirip dengan jeda tiga tahun antara peringatan "irrational exuberance" Alan Greenspan pada 1996 dan pecahnya gelembung dotcom pada 2000.

marsbit9j yang lalu

Peringatan Gelembung AI: Investasi AI Merupakan Pengembalian Negatif bagi Kebanyakan Raksasa Teknologi

marsbit9j yang lalu

Dari Token ke Tenaga Kerja Mesin: AI Sedang Berubah dari Alat Menjadi 'Pekerja'

Dari Token ke Tenaga Kerja Mesin: AI Berubah dari Alat Menjadi "Pekerja" AI mulai menulis kode, menangani tiket dukungan pelanggan, dan meninjau dokumen hukum. Artikel ini mengusulkan kerangka baru: komersialisasi AI sedang bergerak menuju "pasar tenaga kerja mesin". Dalam pasar ini, token hanyalah unit pengukuran, GPU adalah bahan baku, dan model adalah alat produksi. Objek yang benar-benar ditetapkan harganya dan diperdagangkan adalah kerja ekonomi yang diselesaikan langsung oleh perangkat lunak. Mekanisme penetapan harga AI akan berkembang dari token mentah, kemampuan model yang terstandarisasi, tenaga kerja yang terspesialisasi industri, hingga pasar hasil yang dapat diprogram. Di masa depan, perusahaan mungkin tidak lagi peduli model atau GPU mana yang menyelesaikan suatu tugas, tetapi lebih pada apakah tugas itu diselesaikan dalam batas latensi, akurasi, keandalan, dan biaya yang ditentukan. Implikasinya, dampak AI pada pasar tenaga kerja manusia tidak hanya sekadar penggantian. Saat mesin mengambil alih lebih banyak pekerjaan yang dapat distandardisasi dan diverifikasi, peran manusia mungkin bergeser ke pengawasan, penanggung jawab, manajemen konteks, dan keputusan akhir. Dalam beberapa kasus, penilaian manusia untuk 1% akhir justru menjadi lebih berharga karena dapat membuka kunci 99% otomatisasi skala besar. Pasar AI adalah pasar ekspansif. Ketika biaya kerja turun, permintaan tidak tetap. Jika interaksi dukungan pelanggan menjadi lebih murah, perusahaan dapat menawarkan layanan 24/7, menciptakan pasar interaksi pelanggan yang lebih besar. Persaingan tahap berikutnya di pasar AI mungkin bukan lagi sekadar pertarungan kemampuan model atau perang harga daya komputasi, tetapi tentang siapa yang dapat pertama kali menstandarisasi, memverifikasi, dan menetapkan harga "pekerjaan", akhirnya menjadikan tenaga kerja mesin sebagai faktor produksi baru yang dapat dibeli, diselesaikan, dan diperdagangkan.

marsbit9j yang lalu

Dari Token ke Tenaga Kerja Mesin: AI Sedang Berubah dari Alat Menjadi 'Pekerja'

marsbit9j yang lalu

Diskon 99% untuk MiMo Bukan Hanya Pemasaran! Luo Fuli Membantah Para Pengecam di X

**Ringkasan:** Xiaomi MiMo memotong harga API MiMo-V2.5 hingga **99%**, memicu spekulasi tentang perang harga atau strategi merugi. Luo Fuli, kepala MiMo, merespons dengan mempublikasikan blog teknis 5000 kata yang merinci **enam pilar teknikal** di balik potongan harga besar ini. Intinya, diskon 99% terutama untuk **Input (Cache Hit)** – bagian dimana pengguna membaca ulang konteks historis dalam percakapan panjang. Ini menjadi mungkin karena serangkaian optimasi teknikal yang mengubah biaya komputasi untuk bagian tersebut mendekati nol. **Enam Pilar Teknikal:** 1. **Arsitektur Hybrid SWA:** Menggunakan Sliding Window Attention di sebagian besar lapisan model, mengurangi volume **KVCache** (memori jangka pendek model) hingga **1/7**. 2. **Manajemen KVCache Dua Kolam:** Mengalokasikan memori secara terpisah untuk lapisan SWA dan Full Attention, benar-benar mewujudkan penghematan teoretis 1/7 dan meningkatkan jumlah pengguna yang dapat dilayani secara bersamaan. 3. **Prefix Cache yang Dioptimalkan:** Meningkatkan aturan pencocokan cache untuk arsitektur SWA, menghasilkan **tingkat keberhasilan cache 93-95%** untuk pembacaan ulang. Artinya, sebagian besar permintaan "baca ulang" tidak memerlukan komputasi GPU baru. 4. **Sistem Cache Terdistribusi GCache:** Menyimpan data cache di **SSD bawaan mesin GPU**, menghilangkan biaya penyimpanan cluster khusus dan memperpanjang masa hidup cache. 5. **Sistem Penjadwalan LLM-Router:** Mengarahkan permintaan secara cerdas berdasarkan kesamaan prefix dan panjang konteks, memprioritaskan permintaan yang menggunakan cache, meningkatkan efisiensi dan mengurangi latensi. 6. **Multi-Token Prediction (MTP):** Mengoptimalkan proses generasi output model, mempercepat pembuatan respons dan melengkapi pengurangan biaya di sisi input. **Kesimpulan:** Penurunan harga 99% bukanlah gimmick pemasaran atau strategi merugi, tetapi hasil dari **efisiensi sistemik rekayasa AI** yang telah divalidasi di lingkungan produksi. Rantai optimasi ini secara kumulatif mengurangi biaya komputasi per permintaan hingga lebih dari 95%, memungkinkan penurunan harga ekstrem sambil mempertahankan profitabilitas. Luo Fuli menekankan bahwa ini adalah masalah teknikal yang terwujud, bukan sekadar perang harga.

marsbit11j yang lalu

Diskon 99% untuk MiMo Bukan Hanya Pemasaran! Luo Fuli Membantah Para Pengecam di X

marsbit11j yang lalu

Trading

Spot
Futures
活动图片