اگر امروز برای تولید محتوا در لینکدین به شهود و «حس» تکیه می‌کنید، احتمالاً بخش بزرگی از پتانسیل بازدید خود را از دست می‌دهید. داده‌ها نشان می‌دهند که دسترسی به مخاطب در شبکه‌های اجتماعی، به‌جای هنر، بیشتر شبیه به یک فرمول ریاضی است.
بر اساس اعلام سرژ بولایف (Serge Bulaev)، توسعه‌دهنده این پروژه، در ۶ جولای ۲۰۲۶ مجموعه‌ای از مهارت‌های تخصصی برای Claude Code و Codex منتشر شد که بر پایه تحلیل ۴۰۰ پست استثنایی در لینکدین طراحی شده‌اند. این اقدام، فرآیند رشد در شبکه‌های اجتماعی را از یک تخمین ذهنی به یک جریان کاری مهندسی تکرارپذیر تبدیل می‌کند. این ابزارها تلاشی برای مقابله با محتوای تکراری و بی‌روحِ تولیدشده توسط هوش مصنوعی است که امروزه اغلب به عنوان «slop» یا محتوای بی‌ارزش شناخته می‌شوند؛ در حالی که تقاضا برای ابزارهایی که بتوانند الگوهای انسانیِ پربازدید را بدون از دست دادن اصالت بازسازی کنند، افزایش یافته است. همان‌طور که در پوشش پیشین ما از محیط‌های پژوهشی مانند Claude Science دیدیم، قدرت واقعی عامل‌های هوش مصنوعی (AI Agents) — یعنی برنامه‌هایی که می‌توانند به‌طور مستقل هدف را بفهمند و ابزارها را اجرا کنند — در تمرکز بر قواعد بسیار خاص یا همان اکتشافات تجربی (Heuristics) یک پلتفرم نهفته است.
زمینه پژوهش
بولایف برای این پژوهش ۴۰۰ پستی را بررسی کرد که عملکردی بسیار بالاتر از میانگین نویسنده‌های خود داشتند تا اثر «تعداد فالوور بالا» حذف شود و یک پست معمولی از یک حساب بزرگ با یک پست واقعاً ویروسی از یک حساب کوچک اشتباه گرفته نشود. این داده‌ها ۱۰ حوزه تخصصی مختلف شامل: بنیان‌گذاران، بازاریابی، مهندسی، فروش، منابع انسانی (HR)، امور مالی، طراحی، داده، محصول و برندهای شخصی را پوشش می‌دادند.
او برای هر پست، سه مورد اصلی را ردیابی کرد: «قلاب» (Hook) — یعنی همان ۲۱۰ کاراکتر اول پیش از دکمه «مشاهده بیشتر» — ساختار کلی متن، و توزیع دقیق تعاملات بین کامنت‌ها، بازنشرها (Reposts)، لایک‌ها و ذخیره‌ها. این تحلیل دقیق به او اجازه داد تا نقشه‌برداری کند که هر فرمول خاص، کدام «ارز» تعاملی را به دست می‌آورد.
جزئیات قلاب‌ها و تعاملات
یافته‌های او به ۱۶ فرمول قلاب منجر شد که در دو دسته کلی قرار می‌گیرند:
الگوهای رهبری فکری (Thought-Leadership): شامل ۱۰ ساختار بلندمدت با نرخ تعامل تاییدشده در سال‌های ۲۰۲۵-۲۰۲۶. این الگوها عبارت‌اند از:
- آنافورا (Anaphora): تکرار کلمات در ابتدای جملات (۴,۲۴۰ تعامل).
- سند مرگ (Obituary): ادعای اینکه «عصر X به پایان رسیده است» (۳,۸۲۲ تعامل).
- ضد جریان + مدارک تاریخی: (۳,۰۸۳ تعامل).
- دفتر حسابات با دقت عجیب: استفاده از ارقام دقیق به‌جای اعداد رُند (مثلاً «۴۲۱۷.۳۸ دلار» به‌جای «حدود ۴ هزار دلار») که منجر به ۹.۴ برابر افزایش تعامل نسبت به حالت عادی شد.
- وارونه‌سازی پولی در برابر رایگان: (۱۹.۶۴ برابر افزایش نسبت به baseline).
- تغییر مسیر سال‌به‌سال (YoY Pivot): (۳.۷۴ برابر افزایش).
- تیزر شکاف کنجکاوی: (۴.۲۵ برابر افزایش).
- سایر الگوها: اعتراف با لنگر زمانی، متا-اثبات (Self-Proving Meta) و دروازه کامنت (Comment-Gate) با بازه ۱,۰۰۰ تا ۳,۰۰۰ تعامل.
شروع‌های احساسی (Emotional Openers): ۶ قلاب کوتاه‌تر و با резоنانس بالا، شامل:
- «اجازه برای نقص» (مثلاً: شما اجازه دارید محصولی زشت منتشر کنید).
- شروع سرد احساسی (Emotional Cold-Open).
- وارونه‌سازی «طعمه و جایگزینی» (Bait-and-Switch).
- قدردانی نام‌برده (Named Gratitude).
- توضیح برای کودکان (Explain-to-Kids).
- تواضع با حذف جایگاه (Status-Strip Humility).
نکته کلیدی این است که هر فرمول هدف خاصی دارد؛ فرمول‌های «دروازه کامنت» دسترسی کلی را محدود می‌کنند اما لیست مخاطبان را می‌سازند؛ «قدردانی نام‌برده» باعث افزایش بازنشرها می‌شود و «توضیح برای کودکان» منجر به افزایش تعداد ذخیره‌ها می‌گردد. در این سیستم، ابتدا هدف کاربر تعیین شده و سپس موضوع محتوا بر اساس آن فرمول محدود می‌شود.
پیاده‌سازی فنی
پیاده‌سازی فنی این پروژه در قالب یک بسته ۱۰ مهارتی در مخزن GitHub با نام sergebulaev/linkedin-skills (تحت لایسنس MIT و با حدود ۳۰۰ ستاره) منتشر شده است. ابزارهای اصلی این بسته عبارت‌اند از:
- Post Writer: نویسنده‌ای که مستقیماً بر پایه ۱۶ فرمول تاییدشده ساخته شده است.
- Humanizer: ابزاری برای پاک‌سازی اثرات متنی و تکیه‌کلام‌های رایج مدل‌های زبانی از پیش‌نویس‌ها.
- Pre-publish Audit: بررسی محتوا بر اساس قواعد فعلی الگوریتم پیش از انتشار.
- Reverse-Engineering Tools: شامل استخراج‌کننده قلاب برای پست‌های ویروسی و تحلیل‌گر تعاملات.
- Management Tools: برنامه‌ریز محتوا، بهینه‌ساز پروفایل، پیش‌نویس‌کننده پاسخ به کامنت‌ها و مانیتور رشته‌توییت‌ها (Threads).
تست فشار و شکست عامل
بولایف برای سنجش کیفیت، یک «تست فشار» (Pressure Test) — مشابه TDD برای مهارت‌ها — طراحی کرد؛ به‌گونه‌ای که به عامل (Agent) پیش‌نویسی پر از تکیه‌کلام‌های رایج هوش مصنوعی می‌داد و دستور می‌کرد که یک بنیان‌گذار نیاز دارد این متن تا ۴ دقیقه دیگر منتشر شود. نتایج این تست سه یافته مهم داشت:
۱. نشت قضاوت‌های مبهم: دستوراتی مانند «لحن کاربر را حفظ کن» در ۲۵٪ موارد منجر به انتشار عیناً محتوای بی‌کیفیت (AI-slop) شد. اما استفاده از «مسدودکننده‌های شکست خودکار» (Auto-fail blockers) که به صورت لیست‌های شماره‌دار و صریح بودند، نرخ موفقیت را به ۱۰۰٪ رساند. این چالش با پدیده‌ی Reward Hacking یا دست‌کاری سیستم پاداش که منجر به تورم نمرات در بنچ‌مارک‌ها می‌شود، شباهت دارد؛ جایی که مدل به‌جای حل مسئله، تنها روی بهینه‌سازی معیارهای ظاهری تمرکز می‌کند.
۲. شکاف‌های شمارشی: مدل‌ها دستورات شماره‌دار را با دقت بالایی اجرا می‌کنند. یکی از ابزارهای Humanizer نتوانست جمله «نظر شما چیست؟ نظراتتان را پایین بنویسید» را حذف کند، صرفاً به این دلیل که قواعد پاک‌سازی فاقد بخشی برای «بسترهای مرده» (Dead-closer) بود.
۳. اعتبار ممنوعیت‌ها: برخلاف برخی توصیه‌های رایج، لیست‌های «هرگز X را نکن» در مدل‌های قدرتمند به‌اندازه دستورات مثبت مؤثر بودند، به شرطی که این ممنوعیت‌ها عینی و قابل بررسی باشند.
این تغییر رویکرد نشان می‌دهد آینده تولید محتوای عامل‌محور در محدودیت‌های سخت، صریح و قابل‌سنجش است، نه توصیه‌های کیفی و کلی. برای متخصصان، این بدان معنای این است که ابزارهای هوش مصنوعی از تولید ساده متن به سمت «توزیع استراتژیک» حرکت می‌کنند.
گسترش پلتفرم
در نهایت، معماری‌های دقیقی برای سایر پلتفرم‌ها نیز وجود دارد که هر کدام محدودیت‌های بومی خود را دارند. برای مثال، مهارت X (توییتر) ایموجی‌ها را دو کاراکتر محاسبه می‌کند تا با محدودیت ۲۸۰ کاراکتر سازگار باشد، در حالی که Humanizer تیک‌تاک تضمین می‌کند جملات به‌گونه‌ای باشند که بتوان آن‌ها را در یک نفس بلند بیان کرد. این رویکرد در حالی است که برخی پلتفرم‌ها کنترل الگوریتم‌های توصیه‌گر را مجدداً به کاربران بازگردانده‌اند تا تعاملات انسانی واقعی‌تر جایگزین توصیه‌های صرفاً ماشینی شوند. نسخه‌های مشابهی برای اینستاگرام، یوتیوب، تردز و فیس‌بوک نیز توسعه یافته است.
گام بعدی شما
- اگر از Claude Code استفاده می‌کنید، بسته مهارت‌های بولایف را با دستور
npx skills add sergebulaev/linkedin-skillsیا از طریق/plugin marketplace add sergebulaev/linkedin-skillsنصب کنید. - پیش‌نویس‌های فعلی خود را با ابزار Humanizer این مجموعه بسنجید تا اثر «رباتیک بودن» متن حذف شود.
- برای پست بعدی خود، به‌جای اعداد رُند، از اعداد دقیق (مثلاً ۹.۴٪ به‌جای ۱۰٪) استفاده کنید تا نرخ اعتماد مخاطب را بالا ببرید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو