jev-1.13.0与kimi协同实现零代码文本分类：jev提取结构化特征，kimi基于其top3候选标签语义终审输出唯一类别；支持中文但需轻处理原文，可自定义标签并迭代优化提示词与粒度。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

classifier.dev 提供的免费 JEV-1.13.0 模型，配合 Kimi（月之暗面大模型）可实现零代码、低门槛的文本快速分类。核心思路是：JEV 负责提取结构化特征（如关键词权重、语义向量），Kimi 负责理解语义并输出归类结果，二者通过简单 API 或本地提示词协同工作。

确认 JEV-1.13.0 已正确加载

访问 classifier.dev，选择「JEV-1.13.0」模型，点击「Load Model」。页面右上角显示绿色 “Ready” 即表示模型就绪。该版本已内置常见类别模板（如“投诉/咨询/表扬”“新闻/广告/公告”），无需训练即可直接试用。若需自定义类别，可在「Custom Labels」栏手动输入，用英文逗号分隔，例如：
bug report, feature request, user feedback

用 Kimi 补全分类逻辑（免 API 调用）

打开 Kimi 网页或 App，将以下提示词完整复制粘贴发送：

Kimi Code API

一键设置，在 OpenClaw 和 Claude Code CLI 中使用 Kimi K2.5 (Kimi Code) 作为编程模型。Kimi Code 兼容 Anthropic Messages API——替换……

下载

• 你是一个精准的文本分类器。我会提供一段原始文本，以及 JEV-1.13.0 输出的三个最相关标签及其置信度（格式如：[‘咨询’, 0.92], [‘投诉’, 0.76], [‘其他’, 0.31]）
• 请结合上下文语义，从这三个候选中选出唯一最合理的类别，仅输出类别名称，不加解释、不加标点
• 如果三个置信度均低于 0.5，输出“无法判断”

随后把 JEV 页面中「Classify Text」框里生成的带分数的标签列表，连同待分类原文一起发给 Kimi。它会即时返回干净的分类结果。

处理中文场景的实用技巧

JEV-1.13.0 原生支持中文分词与基础语义匹配，但对口语化、缩写或行业黑话识别较弱。建议在粘贴原文前做两步轻处理：

• 删除明显无关符号（如“【】”“//”“#标签#”），保留核心语句
• 把“微信”“wx”“v信”统一为“微信”，“APP”“app”“应用”统一为“应用”，减少歧义
• 遇到长段落，优先截取首句+末句（用户意图常集中在这两处）

验证效果与迭代优化

初期可随机选 10 条样本，人工标注真实类别，再对比 JEV+Kimi 的输出。重点关注误判案例：

• 若频繁把“售后问题”判成“产品咨询”，说明标签粒度太粗 → 在 JEV 自定义标签中拆分为“售后-退换货”“售后-维修”“咨询-功能使用”
• 若 Kimi 总选错高置信度项，可能是提示词未强调“优先信任 JEV 输出” → 把提示词第二行改为：“JEV 已做过初步筛选，你的任务是基于其 Top3 结果做语义终审”