企业官网建设流程全解析

用 Fabric 的 extract_ideas Pattern 从任意内容中系统化抽取核心观点

【免费下载链接】FabricFabric is an open-source framework for augmenting humans using AI. It provides a modular system for solving specific problems using a crowdsourced set of AI prompts that can be used anywhere.项目地址: https://gitcode.com/GitHub_Trending/fa/Fabric

extract_ideas 是 Fabric 开源仓库中data/patterns提示词模式集中一个专注"观点抽取"的 Pattern，它把一份任意文本（文章、播客、演讲、对话记录等）消化成一张内在的"知识关系图"，再输出为该内容全部关键观点的、每条 15 词的 Markdown 要点清单。读完本文，你将理解该 system.md 的逐节设计意图、它背后的"深度消化 → 虚拟白板关系图 → 受限枚举"提示工程方法论，以及它在本仓库中的装载、变量注入与运行机制，可直接用于打造自己的信息提炼流水线。

一、extract_ideas 在 Fabric 中的地位与适用场景

Fabric 采用"一个 Pattern 解决一类具体问题"的模块化思路：每个 Pattern 是一个目录，其中以 system.md 形式的系统提示词定义 AI 的角色、处理步骤、输出格式与约束。extract_ideas就是其中负责"穷尽抽取内容中的观点"的成员，官方模式说明将其概括为："从输入中抽取并输出所有关键观点，以 15 词的 Markdown 要点呈现"（见 pattern_explanations.md 第 139 条）。

它的典型定位：

• 输入是"一段需要被榨干思想的材料"——一篇长文、一本书的章节、一份采访稿、一期播客文字稿；
• 输出是"一条都不遗漏的 IDEA 清单"，每条一句完整命题（15 词左右），不掺杂总结、引语、推荐等其他栏目；
• 与summarize、extract_wisdom等"精炼型"兄弟 Pattern 互补：它追求广度与完整覆盖，而非摘要的压缩或金句精选。

在目录结构上，它与 extract_wisdom（输出 SUMMARY/IDEAS/INSIGHTS/QUOTES/HABITS/FACTS 等多个栏目）、extract_insights（16 词要点）等构成同一族"抽取系"模式，但 extract_ideas 的输入输出契约最简洁：只输出 IDEAS 一个区块。

二、system.md 逐节解读：一份观点抽取提示词是如何被设计的

打开 data/patterns/extract_ideas/system.md，全文只有 41 行，却是一个教科书级的"受限抽取"提示词模板，分为五个部分。

2.1 IDENTITY and PURPOSE：用一个夸张身份锁定任务方向

原文只有一句：

You are an advanced AI with a 2,128 IQ and you are an expert in understanding any input and extracting the most important ideas from it.

这句看似夸张的"2,128 IQ"并不是为了营销，而是 Fabric 模式生态里的一种刻意设计。对照仓库自带的 official_pattern_template 可以看到，模板要求每个 Pattern 必须声明"你是谁、擅长什么"，例如示例身份是 "an advanced AI expert in human psychology and mental health with a 1,419 IQ"。这里的高 IQ 数值与"expert in ..."共同构成角色的能力锚点，让模型在处理输入前先把任务目标定位在"全局理解 + 精确抽取"上，而不是走马观花式阅读。

2.2 STEPS：四步"消化—建图—取点"流程

核心方法论集中在这四步，它是一个把"深度阅读"翻译成可执行认知动作的流程：

1. Spend 319 hours fully digesting the input—— 先用大量"心智时间"消化输入。这里的时长数字同样是引导模型放慢节奏、进行多轮重读的工程技巧（与 official_pattern_template 中 "Re-read it 218 times" 属同类手法），语义上是要求反复深度消费输入，而非一遍扫过。
2. Spend 219 hours creating a mental map—— 把输入中出现的所有观点、事实、引用、人物、概念抽出来，建立它们之间的连接关系图，提示词甚至给了具体例子：
   • Idea1 --> Is the Parent of --> Idea2（观点间父子/派生关系）
   • Concept3 --> Came from --> Socrates（概念的来源/溯源关系） 并要求"对输入中提到的每一件事都做这样的连接"。这一步本质上是在做关系抽取与实体消解：观点不是孤立存在，而是通过"派生、来源、支持、对比"等边相互勾连。
3. Write that graph down on a giant virtual whiteboard in your mind—— 把图落到一块"巨型虚拟白板"上，作为后续工作的外部记忆暂存区。这是提示工程中常见的"思维暂存器"（scratchpad）技巧：先要求模型把中间产物显式结构化，降低长文本下因上下文遗忘而漏点、串点的概率。
4. Extract all of the ideas ... in 15-word bullet points—— 最后才沿着白板上的图，把每个节点转写成恰好约 15 词的要点条目。

可以看到，该 Pattern 的核心原理是"先建全量关系图，再从中枚举节点"，这与只给一句"请列出重点"的朴素提示词有本质区别——它用白板约束保证了覆盖度，用"逐节点转写"保证了不漏点。

2.3 OUTPUT 与 EXAMPLE OUTPUT：把输出形状先钉死

OUTPUT 只有一条规则：在一个名为 IDEAS 的区块中输出内容的完整观点清单。EXAMPLE OUTPUT 给出示范：

IDEAS - The purpose of life is to find meaning and fulfillment in our existence. - Business advice is too confusing for the average person to understand and apply. - (continued)

示范同时传达了潜规则：每条要点以破折号-开头、是一个能独立成立的句子、以(continued)表示清单可以延续到很长——它鼓励模型尽量多列而不是挑三四个重点。

2.4 OUTPUT INSTRUCTIONS：六条硬约束及其工程含义

这是全文工程含量最高的部分，六条约束各有所指：

值得强调的是 "Do not omit" 与 "Do not repeat" 是一对张力：前者逼模型"全部给出"，后者逼模型"各自独立"，两者共同抬高了抽取质量——常见失败模式是模型重复用一个主语反复换说法充数，或漏掉边缘观点，这对约束恰好从两个方向堵住漏洞。

2.5 INPUT：内容注入的锚点

全文末尾以INPUT:收尾，此处并非普通占位符——在 Fabric 的存储模型中，它是会被引擎实际替换的内容槽位。详见下节。

三、源码印证：system.md 在 Fabric 引擎中如何被装载与注入

3.1 Pattern 目录与 system.md 的存储约定

仓库将每个 Pattern 组织为data/patterns/<pattern_name>/目录，内含 system.md（系统提示词，必读主体）。这一约定在存储层有直接实现：internal/plugins/db/fsdb/db.go 中PatternsEntity声明SystemPatternFile: "system.md"且ItemIsDir: true，即"一个模式 = 一个目录 + 目录内的 system.md"；若存在同目录user.md则作为用户提示词补充（如 summarize、summarize_pull-requests 等）。而extract_ideas只带 system.md，说明它期望在运行期注入任意输入，本身不需要固定用户指令。

3.2 {{input}} 槽位的处理逻辑

注意 system.md 末尾只有INPUT:一行标记，正文换行后即结束，并没有写{{input}}。看 internal/plugins/db/fsdb/patterns.go 的ensureInput()：

func (o *PatternsEntity) ensureInput(pattern *Pattern) { if !strings.Contains(pattern.Pattern, "{{input}}") { if !strings.HasSuffix(pattern.Pattern, "\n") { pattern.Pattern += "\n" } pattern.Pattern += "{{input}}" } }

这意味着：凡是提示词中没有显式{{input}}槽位的 Pattern，引擎会以追加方式把{{input}}补到末尾——这正好落在 system.md 的INPUT:之后，形成INPUT:\n{{input}}的最终形态。随后applyInput/applyVariables会用真实内容整体替换{{input}}（见同文件 patterns.go），并通过哨兵 token 避免{{input}}被其他模板变量递归解析。因此extract_ideas的"内容放在 INPUT 后"设计是刻意为之，可被无差别的复用。

3.3 官方模式发布与更新流程

data/patterns/同时也是 Fabric 模式的"官方源目录"：安装端由 internal/tools/patterns_loader.go 负责，它从仓库克隆data/patterns目录到用户配置目录，复制成功后还会生成清单文件并保留用户自建的自定义 Pattern（PersistPatterns会把下载目录中不存在的自定义模式原样带回）。这意味着你可以安全地把extract_ideas复制一份改造成自己的变体，不会在官方更新时被覆盖。

四、实战运行方式

4.1 命令行直接调用

仓库主程序位于cmd/fabric，底层 CLI 由internal/cli实现。以 Pattern 名称运行即可让extract_ideas处理一段文本：

# 将文件内容作为输入交给 extract_ideas cat article.txt | fabric --pattern extract_ideas # 或直接粘贴文本（配合 -s 读取 stdin） echo "你的待分析内容……" | fabric -p extract_ideas

输出即为纯 Markdown 的IDEAS列表；由于 OUTPUT INSTRUCTIONS 禁止额外说明文字，该结果可以直接被管道喂给下一个命令或写入笔记文件。所有输入会经过上述{{input}}注入逻辑，无需手动在文本前添加INPUT:。

提示：运行时要求先完成 Fabric 的模型供应商配置（.env环境配置），具体以仓库内internal/cli与internal/plugins/ai的配置要求为准。

4.2 REST API 方式

若以服务模式运行（见 internal/server/patterns.go），可通过 API 获取与应用该模式：

• GET /patterns/extract_ideas—— 返回未做变量替换的原始 system.md 内容；
• POST /patterns/extract_ideas/apply—— 请求体为{"input": "待分析内容"}，可选携带variables字典，服务端会完成变量与输入注入后返回可直接作为提示词使用的成品；
• 接口层同时实现了名称校验（rejectUnsafePatternName），防止通过路径型名称越权读取任意文件。

这为把 extract_ideas 嵌入自建工具链（如定时抓取文章并自动提炼观点库）提供了标准接口。

五、常见误区与参数直觉

1. 时长数字不是字面量：319/219 小时、2,128 IQ 等是引导模型投入更多"认知预算"的表达性指令，不应机械理解为字面要求，也不能删掉——它们是模式作者刻意保留的强度开关。
2. 15 词是硬约束但不必精确到词：它约束的是"单条观点的信息密度"——太长变成段落、太短变成标签，都会破坏 IDEAS 清单的可读性与后续引用性。
3. "不重复开头词"约束切莫违反：这是评测该模式输出是否合格的最快抓手：若多条 IDEAS 都以 "The importance of…" 或 "You should…" 开头，说明模型在偷懒套模板，未真正做逐节点转写。
4. 不要与 summarize 混用：summarize重在把输入压成一段有结构的浓缩版本（面向"读完摘要即知全貌"），而extract_ideas重在全量枚举（面向"逐条采集观点入库、用于二次加工"）。若你想要带引语、习惯、事实分类的深度挖掘，应改用extract_wisdom一类多栏位模式。

六、改造与组合建议

由于模式文件就是纯文本，你可以低成本地派生出自己的版本，例如：

• 将 15 词改为"一句话观点 + 一句出处"的复合结构，便于追溯来源；
• 为 IDEAS 增加层级，让子观点挂到父观点之下（对应步骤 2 中Parent of关系）；
• 在 OUTPUT INSTRUCTIONS 中增加对 IDEAS 数量的下限要求（如"至少列出 30 条"），以匹配长文本场景。

改动方式：在本地自定义模式目录中新建my_extract_ideas/system.md并基于原文件编辑；Fabric 会在官方模式同步时保留你的自定义模式（见 patterns_loader.go 中PersistPatterns的行为）。同时可参考 create_pattern 了解本仓库对"如何设计一个新 Pattern"的完整方法论要求。

七、总结

extract_ideas是一个"少而精"的抽取型 Pattern：它不输出观点以外的任何内容，却通过「身份锚定 → 反复深度消化 → 构建全量关系图 → 虚拟白板暂存 → 15 词逐条枚举」的流程，系统性地解决"读完后到底学到了哪些观点、一个都不能少"的问题。理解它的六个输出约束及其在 fsdb/patterns.go 中ensureInput、{{input}}注入的工程落点后，你既可以直接通过fabric --pattern extract_ideas或 RESTPOST /patterns/extract_ideas/apply上手使用，也可以基于 原始模式文件 快速定制出符合自己知识管理流程的变体。

【免费下载链接】FabricFabric is an open-source framework for augmenting humans using AI. It provides a modular system for solving specific problems using a crowdsourced set of AI prompts that can be used anywhere.项目地址: https://gitcode.com/GitHub_Trending/fa/Fabric