用全网爆火的Jev，批量做亚马逊关键词分类和广告否词，1秒出结果
Adobe of Amazon
这几天被 Jev 这个模型刷屏了。Jev 是 TypeSafe AI 在 2026 年 9 月 15 日发布的全新 AI 模型。与 GPT、Claude、DeepSeek 等大语言模型不同，它不解决问答类问题，本质是一个决策型 AI。它不能用来聊天或写代码，而是只输出结构化决策（如 JSON 格式）。基于此特性，我发现了一个几乎所有跨境卖家都会遇到的绝佳应用场景——关键词分类和判断。
Jev 模型关键词分类实测效果
在初步测试中，我输入了三个关键词进行属性分类和否词判断。结果显示，Jev 能够准确判断关键词的相关性、是否为竞品品牌以及是否为否词。
我将关键词分为品牌词、竞品词、不相关词、互补词等大类。操作逻辑是让 Jev 先判断关键词属性，再给出是否否定的判断。
与传统 AI 大模型相比，Jev 在处理时间上实现了真正的“秒级出结果”。几乎在点击运行的同时，右侧结果栏就能输出判断结果。
如何利用 Jev 进行关键词分类与广告否词
具体操作流程为：登录 Jev 官网 -> 提问 -> 获取答案 -> 执行运营操作。需要注意的是，虽然 Jev 支持中文，但在英文模式下效果更好，建议测试内容全部使用英文。
Jev 的三种核心判断方式
Jev 提供 Choice、Score、Noul 三种判断方式，在关键词分类和广告否词场景中各有分工：
1. Choice：进行主分类，判断关键词属于哪一类别。
2. Score：进行精准度排序，评估关键词的相关度。
3. Noul：仅作否词判断，决定是否能安全否定。
实操配置与提问技巧
向 Jev 提问时，问题必须足够具体。特别是 State 模块，需要提供产品基本信息、竞品信息关键词等。在 Question 模块中，列出所有需要判断的问题。因为 Jev 读取一次 State 即可输出所有问题的结果，实际操作只需输入 State 和 Question 两步。
Jev 对跨境电商运营提效的意义
对于垂直类目运营而言，定期需要处理成百上千个关键词的判断与分类，Jev 的引入极大地提升了这一环节的效率。首先是结构化数据的复用性，只需编辑一次 State 即可，问题模板也可固定使用，JSON 结构可直接交由 AI 辅助编写。
对于同一产品或类目，State 和 Question 框架是一次性工程，后续仅需替换为最新需要分析的关键词。对于 Jev 判断概率不高的结果，辅以简单的人工复核即可。
可以预见，未来各类第三方工具和 ERP 可能会将此类决策型 AI 功能接入运营模块，实现判断与执行的同步。但需要强调的是，AI 的核心目的是提效，在目前的模型水平下，不要期望 AI 完全替代人工，运营人员仍需保持在整个运营链条中的核心决策作用。
进阶用法：API 调用与自动化工具开发
在进阶应用中，可通过 API 调用 Jev，将其集成到自研工具中。例如，对 208 个关键词进行判断仅需几十秒即可完成（未做任何加速处理），且消耗费用极低（约 $0.007）。
开发专属工具主要解决了官方 Playground 的痛点：一是优化 State 编写和增减问题类型，避免 JSON 语法中多空或漏填符号的问题；二是解决官方界面无法导出结果和不保存历史记录（刷新需重跑）的缺陷。开发者可根据自身品类和产品需求，开发符合实际业务的专属自动化工具。
Adobe of Amazon
各类跨境出海行业相关资讯
Adobe of Amazon
各类跨境出海行业相关资讯
