LinkedInLinkedIn

你的 LinkedIn 觸及率為何在 2026 年下降(以及演算法現在看什麼)

团队: AiToolsForApps在 AI 协助下撰写14 分鐘閱讀

重點摘要

  • 觸及率是真的下降了,不是你的錯覺。 Metricool 的 2026 年 LinkedIn 研究(涵蓋 63,108 個帳號、673,658 則貼文)測得,每則貼文的平均曝光次數從 924.42 降至 831.96,年減 10%。
  • 2026 年 11 月 9 日,LinkedIn 說明了其 Profile Relevance 模型:利用 LLM 產生的 embeddings,衡量每則貼文與讀者專業背景(主題、地點、職位、公司、產業、年資與學歷)的契合程度。
  • 公開的目標是相關性,而不是數量。 在 LinkedIn 的實驗中,該模型使用者隱藏內容的次數減少 18.8%,並讓歷史紀錄很少的新會員之間的病毒式互動增加 17.7%。
  • 請留意 360Brew 的傳聞:它不是你動態消息的演算法。LinkedIn 工程副總裁 Tim Jurka 在 2026 年 4 月 14 日確認,那只是一項內部測試,且已經結束。
  • 真正能落實成工作的是:文件貼文(PDF 輪播)是留住讀者效果最好的格式,依 AuthoredUp 的資料,觸及率為平均值的 1.39 倍、互動率為 1.30 倍;而你的標題列與「關於」已成為排名的原料。

如果你這幾個月來發現,過去能有 4,000 次曝光的貼文,現在只剩 800 次,你並沒有多疑,也沒有被「懲罰」:LinkedIn 改變了它在展示貼文之前所問的問題。本文整理了該平台在 2026 年的官方說法、獨立研究的測量結果,以及這些對用 LinkedIn 銷售服務的人意味著什麼。最後你會看到,為什麼這會改變日常工作,以及 aiLinkedin 的定位,也就是 AiToolsForApps 的 LinkedIn 封面、標題列、輪播與貼文 AI 工具 工具組。

筆記型電腦螢幕上的貼文串,幾乎全部都暗下來,只有兩則凸顯出來,背景是相互連結的節點網格
筆記型電腦螢幕上的貼文串,幾乎全部都暗下來,只有兩則凸顯出來,背景是相互連結的節點網格

LinkedIn 的觸及率在 2026 年下降了嗎?還是只有我這樣?

確實下降了,而且有實測數據。Metricool 的 2026 年 LinkedIn 研究涵蓋 63,108 個帳號的 673,658 則貼文,測得每則貼文的平均曝光次數為 831.96,去年為 924.42:下降 10%。在 2025 年 12 月 10 日發布、涵蓋近 4,000 萬則貼文的2026 年社群媒體整體研究中,歸因於 LinkedIn 的降幅更大:曝光減少 23%、互動減少 14%。

有趣的是,互動並沒有同時崩跌。在同一份 LinkedIn 研究中,互動率從 12.21% 升至 13.90%,每則貼文的平均點擊數從 97.54 增加到 102.32(+4.90%)。也就是說:看到每則貼文的人變少了,但看到的人反應更多。這不是一個走下坡的平台的樣貌,而是一個把每則內容展示給更少、但篩選得更好的人的平台的樣貌。

指標(LinkedIn)先前2026變化來源
每則貼文平均曝光次數924.42831.96-10%Metricool,2026 年 LinkedIn 研究
互動率12.21%13.90%+1.69 個百分點Metricool,2026 年 LinkedIn 研究
每則貼文平均點擊數97.54102.32+4.90%Metricool,2026 年 LinkedIn 研究
曝光次數(跨平台彙總)——-23%Metricool,2026 年社群研究(2025 年 12 月 10 日)
互動次數(跨平台彙總)——-14%Metricool,2026 年社群研究(2025 年 12 月 10 日)
影片觸及率,年減——-36%AuthoredUp,2025 年 3 月至 2026 年 2 月

再加上最單純、也最少被提及的因素:發文的人變多了。Metricool 執行長 Juan Pablo Tejela 在研究的新聞稿中總結:「演算法擁擠是真實存在的」。至於 LinkedIn 本身,則在 2026 年 5 月 19 日向 Entrepreneur 表示,內容創作量年增 14%。同一個展示櫃,商品更多:每個人分到的櫥窗就更少了。

LinkedIn 在 2026 年 11 月 9 日宣布了什麼:Profile Relevance 模型

2026 年 11 月 9 日,LinkedIn 在其工程部落格公布了 Profile Relevance 模型的細節,由工程師 Shiyong Lin 介紹,並由 Social Media Today 轉載。該模型使用 LLM 產生的 embeddings,依專業背景配對會員與貼文:實際上,LinkedIn 會建立一份關於你專業身分的語意摘要,並用它來決定哪些內容出現在你的動態消息。

根據公告,納入這項相關性評估的訊號十分具體,而且全部來自你或讀者的個人檔案:

  • 貼文的主題
  • 地理位置
  • 工作職位
  • 公司
  • 產業
  • 年資(seniority)
  • 學歷
一則貼文以一條粗線連到契合的專業人士檔案,並以兩條細線連到兩個不契合的檔案
一則貼文以一條粗線連到契合的專業人士檔案,並以兩條細線連到兩個不契合的檔案

LinkedIn 從線上實驗回報的結果,百分比不大,但在方向上極具啟發性:

實驗結果變化
看到的動態消息更新+0.54%
病毒率+0.94%
使用者隱藏內容的次數-18.8%
歷史紀錄很少的新會員的病毒式互動+17.7%
每日活躍使用者(DAU)+1.8%

請注意最大的那個數字:隱藏次數減少 18.8%。LinkedIn 真正去推動的指標,不是「有多少互動」,而是「我們展示的內容有多令人不悅」。另外,沒有歷史紀錄的新會員增加 17.7%,則說明了另一件重要的事:當系統沒有過往行為可參考時,它就讀取個人檔案。這正是本文的關鍵樞紐。

不,360Brew 不是你動態消息的演算法

今年你會讀到的許多關於「擁有 1,500 億參數的全新 360Brew 演算法」的說法都是假的,在繼續之前有必要說清楚。360Brew 是一個研究模型,出自 LinkedIn 作者在 2025 年發表的一篇論文,後來由第一作者從 arXiv 撤下。2026 年 4 月 14 日,LinkedIn 工程副總裁 Tim Jurka 明確回應,排名系統並未使用它:他們曾以一小群會員測試,認為它不適合這個平台,便結束了這項測試。這個謠言的來龍去脈記錄在這篇關於 360Brew 的闢謠文章中。

這在實務上很重要:流傳的建議有一半是從一個沒有上線的模型推論出來的。同一類的還有你會在各種工具指南中看到一再重複的精確乘數:「一次收藏的權重是五個讚」、「互動群組(pods)的偵測準確率達 97%」、「泛用 AI 會損失 30% 觸及率」。這些數字出現在商業資源中,例如 SocialPilot 的 LinkedIn 演算法指南,但 LinkedIn 從未公布過。它們指出的方向是合理的;但具體數字你不能當作事實引用,更不應該以它來建構你的編輯行事曆。

以下是你可以放心採信的內容,因為這是 LinkedIn 自己說的:

說法LinkedIn 是否證實?
存在一個以 LLM embeddings 配對貼文與專業背景的 Profile Relevance 模型是:工程部落格,2026 年 11 月 9 日
排名會考量職位、公司、產業、年資、學歷、主題與地點是:工程部落格,2026 年 11 月 9 日
LinkedIn 降低泛用 AI 內容與自動化留言的曝光是:向 Entrepreneur 的說明,2026 年 5 月 19 日
360Brew 是動態消息的演算法否:Tim Jurka 已闢謠,2026 年 4 月 14 日
一次收藏的權重剛好是五個讚查無依據:數字來自商業資源

為什麼泛用的 AI 文字表現越來越差

因為 LinkedIn 已經公開表示正在壓制它。在 2026 年 5 月 19 日向 Entrepreneur 發表的聲明中,LinkedIn 副總裁暨執行編輯 Laura Lorenzetti 是這樣說的:「AI 確實能幫助人們解開內容創作的瓶頸。但這也意味著,很多人可以產出大量品質很低的內容。」該平台瞄準三件事:沒有自己貢獻的泛用 AI 撰寫貼文、產生留言的自動化工具,以及缺乏實質內容的誘餌影片。

他們描述的方法,有助於理解哪些可以、哪些不能「動手腳」:真人編輯與內容管理人員會標註數千則貼文,來確定什麼算泛用、什麼算原創,並以此訓練偵測模型。而且處罰不是刪除:而是限制曝光,讓貼文幾乎不會超出發文者的直接人脈。這正好解釋了今年最常見的症狀:「我得到的讚和以往一樣多,一樣是那十個人,沒有其他了」。

實務上的結論不是「不要用 AI」,而是:對你有幫助的 AI,是協助你整理和包裝你所知道的內容,而不是替你填滿文字欄位。 一則描述你工作中真實案例、附有數字和你所做具體決定的貼文,跟任何抽象產生的內容都不像。而一則寫著「我在健身房學到的 5 個領導力課題」的貼文,則像另外二十萬則。

哪種格式最能抵擋下滑:文件貼文

PDF 輪播,也就是 LinkedIn 所說的「文件貼文」,是 2026 年觸及率與互動率比值最好的格式。根據 AuthoredUp 的各格式表現研究,涵蓋 2025 年 3 月至 2026 年 2 月間個人檔案發布的 300 萬則以上貼文,文件貼文取得平台平均值 1.39 倍的觸及率和 1.30 倍的互動率。Metricool 以絕對值測量,也得出同樣的結論:輪播平均有 1,451.19 次曝光,影片則為 605.57 次。

單一張靜態圖片的貼文暗淡無光,對比之下,五張投影片的輪播被一道連續的光帶貫穿
單一張靜態圖片的貼文暗淡無光,對比之下,五張投影片的輪播被一道連續的光帶貫穿
格式觸及率(×平均)互動率(×平均)貼文占比
投票1.78×0.37×1.16%
文件/輪播1.39×1.30×4.88%
圖片1.20×1.33×57.16%
純文字1.07×0.78×11.59%
影片0.86×0.93×10.61%
文章0.69×0.44×6.00%
轉貼(reshare)0.29×0.22×7.69%

來源:AuthoredUp,300 萬則個人檔案貼文,2025 年 3 月至 2026 年 2 月。基準 1.0× = 平台平均值。

從這張表可以讀出三點,比標題更有價值:

  1. 投票是觸及率的陷阱。 觸及率 1.78× 搭配互動率 0.37×,代表很多人看到了,卻沒人在意。在一個衡量所展示的內容是否令人不悅的排名系統中,這是一種負債。
  2. 文件是唯一在兩個欄位都勝出的格式。 這在機制上也說得通:輪播會帶著讀者翻過好幾張投影片,所以他花在你內容上的時間是以幾十秒計,而不是讀一段文字所需的一秒半。
  3. 幾乎沒人做的,正是效果最好的。 文件僅占貼文的 4.88%,單張圖片卻占 57.16%。觸及率只有 0.29× 的轉貼,卻占了大家 7.69% 的心力。

Metricool 還有兩項數據,可以幫你安排時間:總曝光的 50% 出現在最初 48 小時內,而含有直接提問的貼文,留言數會增加 77.39%。如果輪播是留住讀者的關鍵,那麼第一則留言中的提問,就是把這份留存轉為對話的關鍵。

另外要提醒會放連結的人:在個人檔案中,Metricool 測得貼文含有連結時,曝光減少 27%、互動減少 20%;而在公司專頁上則正好相反(+51% 與 +41%)。同樣的動作,因發布的帳號不同,結果相反。

你的個人檔案已成為排名的一部分:標題列與「關於」

這是幾乎沒有人納入日常作業的結果。如果 Profile Relevance 模型是透過比較貼文主題與讀者的職位、公司、產業和年資,來決定要把你的貼文展示給誰,那麼你自己的個人檔案就是系統為了解你在做什麼而讀取的文件。它不再是招募人員一年才看一次的名片:而是排名的輸入項。

一道光束掃過專業檔案的標題列與簡介,並由此延伸出絲線通向幾位讀者的剪影
一道光束掃過專業檔案的標題列與簡介,並由此延伸出絲線通向幾位讀者的剪影

最有力地證實這一點的數據,是歷史紀錄有限的新會員,病毒式互動增加 17.7%。當沒有行為可參考時,系統就依賴你宣告的內容。而且即使你在這個平台上已經十年,系統想展示你的每一位新讀者,對你而言都處於這種狀況:他從未讀過你,能用來判斷他是否對你感興趣的,只有你的貼文、你的個人檔案與他的個人檔案之間的語意契合度。

換成具體文字,這代表:

  • 標題列必須說明你為誰服務、能做什麼,而不是你的內部職稱。「營運總監」對模型來說,完全無法顯示你寫的內容可能吸引誰。「為食品經銷商降低物流成本」就可以。
  • 「關於」是放較長背景的地方:你處理的問題、針對哪類客戶、有什麼成果。這是你最長、最具陳述性的文字,現在會被讀取。
  • 你的個人檔案與貼文必須談同一個主題。 如果你發文談招募,而你的個人檔案卻寫你做業務開發,就等於要求系統去解決一個矛盾,而它的解法是不展示你。
  • 一致性優先於創意。 目標不是機智的標題列,而是毫不含糊的標題列。

本週該做什麼,依序進行

如果你只能動三件事,就是這三件,並依這個順序。首先是個人檔案,因為它決定你之後發布的一切內容的曝光;其次是格式,因為這是單位心力下效果最大的改變;最後是例行作業,因為 50% 的曝光在 48 小時內就決定了。

  1. 重寫標題列和「關於」,讓它們說明你為誰服務、在哪個產業、有什麼成果。確認目標族群中的陌生人,能在五秒內看懂你是不是為他而存在。
  2. 把你過去六個月中最好的文字貼文,轉成 PDF 輪播。 不要發明新內容:拿已經證明受歡迎的內容,換成能留住讀者的格式。
  3. 把投票和轉貼從行事曆中移除。 前者是觸及率 1.78× 配互動率 0.37×,後者是觸及率 0.29×,都不值得占用那個位置。
  4. 把「你們同意嗎?」換成一個真正的問題,只有同行才答得出來。直接提問的貼文,留言數多出 77.39%。
  5. 在最初 48 小時陪伴貼文。 它一半的總觸及率就在這段時間決定,而有見地的留言,正是排名系統能與「這貢獻太棒了!」區分開來的東西。

這一切用手工做都不快。把一個想法做成排版好的輪播,有封面、易讀的投影片和結尾,如果用設計工具來做,要花一個下午;而把標題列改寫到毫不含糊,要寫十五個版本。這正是重複性高、講究格式的工作類型,AI 工具可以在不取代你所知道的內容的前提下提供協助。

常見問題

為什麼我的 LinkedIn 觸及率在 2026 年下降了?

有三個原因同時發生。其一,競爭的內容變多了:LinkedIn 回報內容創作量年增 14%(Entrepreneur,2026 年 5 月 19 日)。其二,排名的標準改變了,現在是依你的貼文與每位讀者的專業背景之間的契合度評分,採用的是該平台於 2026 年 11 月 9 日詳細說明的 Profile Relevance 模型。其三,平台正在主動限制泛用 AI 內容和互動誘餌的曝光。以數字來看,Metricool 測得每則貼文的平均曝光下降 10%,從 924.42 降到 831.96。

什麼是 LinkedIn 的 Profile Relevance 模型?

這是 LinkedIn 於 2026 年 11 月 9 日在其工程部落格中說明的系統。它使用 LLM 產生的 embeddings,建立每位會員專業背景的語意摘要,並衡量每則貼文與其契合的程度,考量的因素包括主題、地點、職位、公司、產業、年資與學歷。在 LinkedIn 的實驗中,內容被隱藏的次數減少 18.8%,每日活躍使用者增加 1.8%。

LinkedIn 用 360Brew 來排序動態消息嗎?

沒有。LinkedIn 工程副總裁 Tim Jurka 在 2026 年 4 月 14 日確認,360Brew 只是以一小群會員進行的內部測試,他們認為它不適合這個平台,並已結束測試。2025 年發表的原始論文,也已由第一作者從 arXiv 撤下。任何教你「如何針對 360Brew 最佳化」的指南,都是在針對一個沒有上線的模型做最佳化。

LinkedIn 會懲罰用人工智慧寫的貼文嗎?

它懲罰的是泛用的貼文,而不是使用工具本身。LinkedIn 副總裁暨執行編輯 Laura Lorenzetti 在 2026 年 5 月說明,該平台瞄準三件事:沒有原創貢獻的泛用 AI 貼文、由自動化產生的留言,以及缺乏實質內容的誘餌影片。被標記的內容不會被刪除:而是限制其曝光,讓它不會超出作者的直接人脈太多。一則包含你的資料、你的案例和你的判斷的貼文,即使有借助工具撰寫,也不屬於這個類別。

2026 年哪種格式在 LinkedIn 的觸及率最高?

投票的原始觸及率最高(平均值的 1.78 倍),但互動率很慘(0.37 倍)。在兩方面都勝出的格式是文件貼文,也就是 PDF 輪播:依 AuthoredUp 對 2025 年 3 月至 2026 年 2 月間 300 萬則以上貼文的研究,觸及率 1.39 倍、互動率 1.30 倍。Metricool 以絕對值也證實了這一點,輪播平均曝光 1,451.19 次,影片為 605.57 次。

LinkedIn 輪播應該有幾張投影片?

LinkedIn 並未公布任何官方數字,流傳的建議(約 8 至 12 張)來自商業指南,而不是平台。真正有根據的是機制:輪播之所以有效,是因為它帶領讀者翻過好幾張投影片,拉長了他花在你內容上的時間。如果每張投影片都有貢獻,整體從頭到尾都讀得下去,那確切的張數就是次要的。

我的 LinkedIn 標題列會影響貼文的觸及率嗎?

會,而且這是新的情況。Profile Relevance 模型會將你貼文的主題,與每位潛在讀者的職位、公司、產業和年資做比較,所以你的個人檔案是系統決定要把你展示給誰的輸入項之一。最明顯的跡象是,LinkedIn 回報的改善幅度在行為歷史很少的新會員之間大得多(+17.7%):當沒有過往活動時,系統就依賴個人檔案所宣告的內容。

外部連結會降低 LinkedIn 的觸及率嗎?

取決於你用哪個帳號發布,而且差異很大。Metricool 測得,在個人檔案中,含連結的貼文曝光減少 27%、互動減少 20%;而在公司專頁上,則分別增加 51% 和 41%。你會看到被一再重複的「連結罰 60%」之類的數字,並沒有 LinkedIn 的官方來源。

一則貼文多久之後就不再成長?

Metricool 的 2026 年 LinkedIn 研究測得,總曝光的 50% 發生在最初 48 小時內。這使得頭兩天成為值得回覆留言、保持在場的時間窗口,並使得一週後再重新經營一則貼文的效益偏低。

AI 工具在這一切中的定位

2026 年的診斷令人不舒服,但可以付諸行動:觸及率不再靠發更多文來取得,而是靠對你要談什麼毫不含糊,以及使用能留住讀者的格式。這會轉化為製作工作:一個不留疑問的標題列、一份說明你為誰服務的「關於」、排版良好的輪播而不是零散的段落、撐得住閱讀的貼文,而這些正是重複性的部分。AiToolsForApps 的 aiLinkedin 是一個 LinkedIn 封面、標題列、輪播與貼文 AI 工具 工具組,專為這部分設計:解決格式與包裝,讓你投入判斷、資料和真實案例,而這正是新的排名系統能與泛用文字區分開來的地方。

由你提供判斷,格式交給工具:用 aiLinkedin 產生你的封面、標題列、「關於」、PDF 輪播與貼文,試用不需註冊。

由你提供判斷,格式交給工具:用 aiLinkedin 產生你的封面、標題列、「關於」、PDF 輪播與貼文,試用不需註冊。

↑ 回到頂端