前几天跟一个在地方融媒体干了快十年的老编辑吃饭，他掏出手机给我看后台数据。同一篇关于老旧小区加装电梯的稿子，发在客户端上阅读量不到两千，被某个短视频账号截取片段重新配音后，播放量破了百万。他苦笑说，那片段掐掉了所有利益冲突的细节，只留下“***补贴装电梯”这一句话，评论区吵成一锅粥，却没几个人知道补贴申请要跑几个部门、低楼层住户的补偿标准是怎么定的。

这件事让我想了很久。算法推荐本身没有原罪，它就是个工具，把信息和人匹配起来。但问题在于，当这套工具被嵌入商业平台，它的底层逻辑就变成了“停留时长优先”。公共议题天然是复杂的、多面的、需要耐心拆解的，而算法喜欢的恰恰是那些能瞬间激起情绪反应的内容。一条关于医保谈判的短视频，如果只剪出“灵魂砍价”的几秒高光，传播效果远好过完整呈现药物经济学测算过程的半小时纪录片。这不是观众的错，也不是算法的错，是两者相遇后产生的一种结构性偏移。

我认识一个做政策解读的博主，粉丝二十多万，不算大V但黏性很高。他跟我说过一个观察：同样的内容，做成图文长帖发在公众号，打开率稳定在百分之八到十；做成短视频发在推荐流里，完播率经常不到百分之十五。他试过把长帖拆成十条短内容，每条只讲一个点，数据确实上去了，但评论区的问题变得极其碎片化，有人问A政策的细节，底下回复的是B政策的情绪宣泄。他说那种感觉像是把一锅老火汤倒进十个纸杯里，每杯都尝不出原来的味道。

公共议题的讨论需要某种“共同语境”。大家得先承认一些基本事实，再在此基础上争论价值取向和政策选择。但算法推荐下的信息分发是去语境化的，它把每个人裹进自己的信息茧房，你以为你在参与公共讨论，其实你只是在跟一群和你观点相似的人互相确认。更麻烦的是，当不同群体对同一件事的“事实认知”都产生分歧时，讨论就变成了各说各话。去年有个城市调整水价，听证会报道下面，高赞评论是“又变相涨价”，而另一条讲供水管网老化改造的稿子下面，高赞是“早该修了”。这两拨人刷不到彼此的评论区，也刷不到对方认可的事实。

平台不是没想过办法。某头部平台前两年搞过“热点议题深度池”，给一些公共政策类内容加权推荐，结果发现用户划走的速度比看娱乐内容快三倍。算法工程师朋友跟我解释过，不是不能推，是推了之后用户的负反馈太强，系统会自动降权。这形成了一个死循环：公共议题需要曝光，但曝光后用户不买账，平台为了留存只能减少曝光，于是公共议题更依赖事件驱动，比如出了事故、闹了纠纷才被看见，日常的政策讨论、立法征求意见反而没什么人关注。

那公共议题在算法时代是不是就没出路了？倒也不必这么悲观。我观察到一些有意思的变化。有些地方人大在做立法征求意见时，开始主动找垂直领域的博主合作，不是让他们带节奏，而是请他们用自己粉丝听得懂的话把条文讲清楚。比如一个专注劳动法的博主，把《灵活就业人员职业伤害保障办法》拆成“外卖骑手摔伤算不算工伤”“网约车司机突发疾病谁负责”几个具体问题，评论区反而能聊起来。这种“转译”工作，传统媒体做不动，算法不擅长，但恰恰是公共讨论最需要的中间层。

另一个变化来自用户端。我关注了几个做深度调查的记者，他们现在会在短视频平台发“采访手记”，讲自己怎么找到采访对象、怎么核实信息、哪些细节没写进稿子。这些内容数据不算爆，但评论区质量很高，有人追问信源，有人补充自己知道的情况。这或许是一种新的公共讨论形态：不追求最大公约数，而是在小范围内建立信任和共识，再慢慢往外扩散。

说到底，算法推荐改变的是信息抵达的方式，但改变不了公共议题本身需要被认真对待的事实。把复杂问题简化成情绪标签，短期看是流量密码，长期看是公共理性的透支。那些还在坚持做“转译”和“拆解”的人，数据上可能不占优势，但他们守住的是讨论的底线。至于平台，与其纠结要不要给公共议题加权，不如想想怎么让优质内容找到对的人，而不是让对的人被算法困在信息孤岛上。这事儿急不得，但也拖不起。