我刚做了 Jev X Viral Post Analyser。 作者称分析 100,000 条热门 X 帖子，用时 20.4 秒、0.67 美元；同语料同计时 Opus 5 处理 214 条、花费 0.98 美元，每帖约便宜 680 倍，完整 Opus 处理预计 458 美元。 每帖不是写作，而是 14 次是非判断，例如开头是否留悬念、第一行是否有数字、证据真实还是声称。 作者的统计：1,220 帖进入前 1%，基线 1.22%；最高级表达 2.34%（1.92 倍）、逆向观点 1.59%（1.31 倍）、发布工具 1.46%（1.19 倍），编号列表 0.55%，低于基线。作者据此认为最常用开头反而最不容易传播。 画面左侧是帖子，右侧为 Jev 的 14 个类型化问题与置信度。作者称通过多个 X API 拉语料，一轮并行交给 Jev，完成时在 20.4 秒停止。 是否公开？下方最新 Jev Engineering 文章介绍如何实现想法。
用多项是非判断标记帖子表达方式
作者让 Jev 判断帖子开头、数字与证据等表达特征。录屏展示逐帖标签和汇总面板；语料规模、性能及传播相关性均未复验，不将相关统计写成创作保证。
JEV 做了什么
对帖子按一组表达特征作结构化判断。
原帖说明每条帖子由 Jev 回答 14 个类型化问题，并给置信度。
还能用在哪？
How2Jev 延伸推演，不代表作者或官方声明。
- 为内容档案建立表达方式标签
- 把标签与互动记录结合供研究
ORIGINAL SOURCE
How2Jev 整理案例，项目与演示归原作者所有。
MORE LIKE THIS
用 Jev 分类节点连接客服处理流程
作者制作 Jev 工作流编辑器，把选项、评分和布尔判断连到后续节点。演示对重复收费问题分流，由其他模型生成回复；不把回复生成归给 Jev。
用文本样例观察逐句表达特征标签
作者制作 Jev 驱动的文本检测演示，切换样例后展示逐句标签和比例。没有验证集、校准或误判证据，不能据此认定作者身份或证明文本由 AI 写成。