首先允许用户的关注数适度的冗余，而后在一个关注周期内，对这些关注关系链两端的用户是否产生信息交互行为进行监测，周期结束时将监测到的信息反馈到平台，平台通过对这些信息的判断，对关注关系进行相应的操作。而判断的规则是，如果关系链两端的用户之间没有产生信息交互，则判定这条关系链为冗余关注，关系链予以释放;如果关系链两端的用户产生了信息交互，则判定这条关系链是有效关注，关系链予以保持。而后进入下一个关注周期，周而复始。

　　举个例子，我关注了微博女王姚晨(姚晨本人及其粉丝见谅)，但是在关注之后，我对她所发布的信息没有进行过任何的交互操作(转发、评论、点赞等)，到这个关注周期结束时，平台也没有监测到任何信息交互操作，则判定我对姚晨的关注为冗余关注，继而释放掉这条关系链，也就是取关。

　　另一种可能，我对姚晨所发布的微博十分喜爱，不时进行点赞、转发、评论等信息交互操作，在一个关注周期结束时，平台监测到了这些信息交互操作，则判定我对姚晨的关注为有效关注，对这条关系链予以保持。也就是说将这种关注关系延续一个关注周期，在下一个周期内，再进行监测、判断，而后保持或释放。因此，这种关注是有有效期的，在有效期结束时，平台通过用户的操作对这种关注的有效期进行终止或延续。虽然释放的动作由平台完成，但平台依据的仍然是用户的行为，也就是说，用户的行为决定了这条关系链能否保持下去。

　　这里有三个重要的参数需要设定，一个是冗余量，一个是关注周期，还有一个重要的参数，就是最佳关注数。那么，这三个参数是如何配合工作的呢?

　　首先，冗余量可以是一个比例系数，这个比例系数乘以最佳关注数就是允许用户关注最多的人，比如这里我将冗余比例设置为2，最佳关注数设置为100。那这个平台允许每一个用户最多关注人数即为200人，然后在一个关注周期内进行监测，这里姑且将关注周期设置为3个月。在这3个月的时间里，用户与关注对象之间的信息交互决定了在这个周期结束时，平台对这些关注关系的操作。

　　那么，这就会面临两个问题，一种情况是，一个用户的操作频繁、精力旺盛，对他而言，平台预先设置的最佳关注数100人太少了，根本满足不了他的需求，经过一个关注周期，系统判定其有效关注远远超过100人，达到了180人。还有一种情况是，一个用户的精力有限、关注不了太多的人，那对他而言最佳关注数100人的设定，还是有点多，可能经过一个关注周期，系统判定其有效关注远远低于100人，仅为60人。这就需要一些补救措施，来完善这套系统。

　　一种策略是，当用户有足够的精力来关注更多的人时，适当增加他的最佳关注数，当用户精力不够时，适当减少其最佳关注数。对前一种用户，他的最佳关注数也许是150，比平台上的一般人高;对后一种用户，他的最佳关注数也许是50，比平台一般人低。这里就需要一个跟随调节，有点类似于我国的成品油定价机制。当然了，原则上还是要鼓励用户在平台上投入更多的精力，对应的，这套机制也是倾向于“跟涨不跟跌”的。

　　还有一种策略是，设置安全值。当用户关注数低于一个数值，比如说50。那就不要再按照这套规则来进行冗余分析，而是只进不出。让用户的关注数，超过一定的值之后(比如说最佳关注数100)，再进行冗余分析。这类似于中国股市，设置涨停和跌停，这里主要照顾的是跌，毕竟跌太多不利于系统的稳定。

　　而对于这些参数的设定，可以通过两种方法，一种是理论计算，通过大数据分析来设置相应的参数;一种是工程试凑，通过A/B测试、灰度测试，来调节出合理的数值，这里便不展开。

　　通过这样一套灰度关注的机制，便可以有效避免大V的破坏力。因为在这套机制之下，大V的关注数并不是只增不减的，当他不能持续制造出高质量的内容时，他的掉粉速度超过增粉速度，自然反映到关注数上就是减少，也就是他的影响力会减弱，反过来，当一个大V持续输出高质量的内容，他的增粉速度超过掉粉速度，那反映到关注数上便是增加，他的影响力也会随着他的努力而增加。

　　这套机制不仅能解决大V的问题，还能解决僵尸粉的问题。对那些没有任何操作的僵尸粉，他们的关注数会随着一个又一个关注周期的判定而减少。这或许是断了某些财路，但我认为这对平台而言是有益的，健康的。

　　最佳关注数的设定，再加上这样一套动态调节的机制。虽然不会让用户关注到更多人，但会不断调节用户关注的内容，更加注重时效性，让用户的主页不断向自己需求的方向而前进。而安全保护机制，也不会让那些操作少的用户遭遇使用障碍。

　　在这样一套机制之下，任何关系都是不确定的。内容制造者需要去不断地输出内容，保持住他的粉丝数，而内容消费者需要不断地去响应他所感兴趣的内容，保持与高质量内容制造者的关注关系。而且，他们需要不断地去关注新的人，来补充自己的主页内容，以免因为自己的关注数少，而得不到更多精彩的内容，在这个一进一出的过程中，用户的主页是常进常新的。从这个意义上来讲，这不仅是一套保护机制，也是一套激励机制。

　　灰度关注规避了人际关系上的马太效应，如果将这套思想拓展，还能规避其他层面上的马太效应。在知乎这个平台里，人的关注会有马太效应，答案和问题也会有马太效应。知乎有条名言：勿以赞少而不看，勿以赞多而赞之。赞少不看，赞多而赞，不也是一种马太效应么?

　　这是可以理解为马太效应在时间层面上的累积，如果同样的两个质量差不多的答案，他们只是因为发表的先后顺序不同，而在在赞同数的多寡上却产生十分悬殊的差距。

　　这里是否可以设置一个赞同数的时间衰减机制，让那些赞同数随着时间的增长而衰减，给后发表的答案一个展示的机会。也许在一个具有时效性的问题上，后来的答案相比早前的答案更有说服力。而对于那些经典答案，也不必过于担心，经典答案自然还是会被后来的关注者所赞同的，要相信经典是能够接受住时间的考验的。而那些伪经典，就退位让贤，让位于那些后来者吧。这可以理解为灰度赞同。

　　而在问题的关注上，也可以拓展出一套关于问题的灰度关注理论。

　　知乎有个很好的机制，当你关注一个问题时，如果有用户再次回答这个问题时，知乎会提醒你，你所关注的问题有了新答案，请你去关注。但这种关注，是否是一成不变的呢?如果用户对这些提醒视而不见，一次两次可能是事出有因，四次五次是否就可以得出一个结论，用户已经不再关注这个问题了。那么将这个关注定义为冗余，然后释放，皆大欢喜，岂不美哉。

　　这套看似冷酷无情的规则，实际上是在秉持一种“一期一会”的茶道思想。让用户在这种不确定的关系中，去珍惜每一次表达的机会，珍惜每一个关注的机会。而这种思想又是通过一套自动控制的手段来实现的。大家总是说灰度开发、灰度管理，也许解决社交平台的信噪问题，答案就在这个灰度。