← 所有用例

爆款帖分析

从钩子、结构和证据三方面给任意 X / 社交帖打分 —— 支撑分析 10 万条爆款帖背后的判断力。

10 万条爆款 X 帖 · 20.4s · $0.67@0xMovez

Movez 用同一组精准问题在 20.4 秒内、花 0.67 美元跑完了 10 万条爆款帖。同样的语料在一个前沿聊天模型上只处理了 214 条,成本约为 458 美元 —— 单帖成本高出约 680 倍。爆款分析正是 Jev 的理想任务:它做的是判断,而不是写作。

Live toolRun this on your own data with the Viral Post Analyzer →

Try it live

This is the real thing, not a mockup. Edit the input, hit Run, and Jev returns every typed answer in one round trip — free, no signup. Now picture the same call fired across thousands of items in parallel.

POST api.typesafe.ai/v1/systemone
state — 软件传给 Jev 的输入127c
questions — 你想拿回的类型化决策
choicehook_type
第一句用的是哪种钩子?
→ 其中之一: open_loop, bold_claim, story, data, none
noulopens_loop
这个钩子是否打开了一个好奇心悬念,让读者必须继续读下去才能解开?
→ 概率 0.0 … 1.0
noulfirst_line_number
第一句是否包含具体的数字或金额?
→ 概率 0.0 … 1.0
choiceevidence
主张是如何被佐证的?
→ 其中之一: demonstrated, claimed, none
scorevirality
这条帖子的爆款潜力有多强?
→ 0…3 · 4 个等级
真实 API · 免费 · 无需注册
类型化、已校准的输出将显示在这里。
选一个示例,调整输入,然后点击 运行 Jev.
获取 API key →← 所有用例

Jev 做出的决策

在一次调用中，Jev 针对同一份输入并行评估以下每一项：

choicehook_type

第一句用的是哪种钩子?

从这些选项中挑一个：

  • open_loop — 制造好奇心 / 留下读者必须去解开的悬念
  • bold_claim — 一个大胆或反常识的主张
  • story — 以个人叙事开场
  • data — 以数字或数据领起
  • none — 没有真正的钩子
noulopens_loop

这个钩子是否打开了一个好奇心悬念,让读者必须继续读下去才能解开?

返回一个已校准的是/否概率。

noulfirst_line_number

第一句是否包含具体的数字或金额?

返回一个已校准的是/否概率。

choiceevidence

主张是如何被佐证的?

从这些选项中挑一个：

  • demonstrated — 展示了真实的证明 / 凭据 / 具体细节
  • claimed — 声称有成果,但仅仅是口头声称
  • none — 完全没有证据
scorevirality

这条帖子的爆款潜力有多强?

在一个有序量表上给它打分：

  1. 弱
  2. 一般
  3. 强
  4. 非常强

确切的请求

这就是实时演示背后真实的载荷——复制它，改一下 state，你就开始构建了：

{
  "model": "jev-latest",
  "state": "X 帖(12,400 赞,1,900 转发):\n\n“我辞掉了年薪 24 万美元的工作,没有任何后备计划。\n\n所有人都说我疯了。\n\n8 个月后,我赚的比以往任何时候都多 —— 而且每天只工作 4 小时。\n\n下面就是我用的那套精确的 5 步系统(拿去用):”",
  "questions": {
    "hook_type": {
      "type": "choice",
      "instructions": "第一句用的是哪种钩子?",
      "criteria": {
        "open_loop": "制造好奇心 / 留下读者必须去解开的悬念",
        "bold_claim": "一个大胆或反常识的主张",
        "story": "以个人叙事开场",
        "data": "以数字或数据领起",
        "none": "没有真正的钩子"
      }
    },
    "opens_loop": {
      "type": "noul",
      "instructions": "这个钩子是否打开了一个好奇心悬念,让读者必须继续读下去才能解开?"
    },
    "first_line_number": {
      "type": "noul",
      "instructions": "第一句是否包含具体的数字或金额?"
    },
    "evidence": {
      "type": "choice",
      "instructions": "主张是如何被佐证的?",
      "criteria": {
        "demonstrated": "展示了真实的证明 / 凭据 / 具体细节",
        "claimed": "声称有成果,但仅仅是口头声称",
        "none": "完全没有证据"
      }
    },
    "virality": {
      "type": "score",
      "instructions": "这条帖子的爆款潜力有多强?",
      "criteria": [
        "弱",
        "一般",
        "强",
        "非常强"
      ]
    }
  }
}

把它接进你的代码

读取类型化的答案，用普通代码分支判断——无需解析。自动处理高置信度的情形，把不确定的路由给更大的模型或人工。这只是一次 API 调用，而且输出免费，所以把你需要的每个问题一次都问了吧。

构建你自己的

上面每个场景都是一次 API 调用。在 playground 里免费试用其中任意一个，然后拿一个托管 key 把它上线——无需 waitlist。

运行这个演示 ▶获取 API key →
爆款帖分析 — 一个带实时演示的 Jev 用例 · Jev by TypeSafe AI