Fabric 实战用extract_questions模式从播客与访谈中逐字抽取面试官全部提问【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/Fabricextract_questions是 Fabric 开源的data/patterns提示词库中的一个 EXTRACT 类模式其唯一使命是从播客、一对一访谈或多方对话中将「提问方」提出的问题逐字完整地抽取为一份干净的 Markdown 列表。本文以该模式的 system.md 为骨架逐段拆解其角色设定、执行步骤与输出约束并结合 Fabric 的 CLI 调用方式、仓库内相关模式与元数据给出可复制的实战用法帮助你用这条提示词完成面试复盘、播客研究、QA 语料构建等任务。一、模式定位它在 Fabric 模式库里是做什么的Fabric 的核心思想是把「提示词」当作 AI 增强的基本单元按现实任务分门别类存放在data/patterns/pattern_name/目录下。extract_questions属于其中的「抽取EXTRACT」家族围绕它的能力仓库中有多处一致的描述可以作为理解依据模式一览表Extracts and outputs all questions asked by the interviewer in a conversation or interview.抽取并输出访谈/对话中提问方提出的全部问题。模式描述元数据描述为Extract/categorize questions to create QA resources.标签为EXTRACT、LEARNING、BUSINESS。suggest_pattern 的 user 文档Extract/categorize questions to create QA resources.说明其典型产出是可复用的问答QA资源。综合这些信息可以看出该模式面向的典型工作是给 AI 一段带多轮对话的文本如访谈逐字稿、播客 transcript、会议问答环节AI 只负责站在「听众/研究者」视角把采访者或主持人提出的问题原样捞出来为后续的逐题拆解、面试练习、内容研究提供一份结构化清单。二、模式文件结构与前置条件该模式在仓库中的完整形态只有一个文件data/patterns/extract_questions/ └── system.md # 唯一文件无 user.md这一点值得注意Fabric 的部分模式会同时提供system.md与user.md前者定义 AI 的角色与指令后者定义每次输入的说明或示例例如data/patterns/analyze_paper/目录。而extract_questions没有配套的user.md意味着它的行为完全由system.md这一段提示词决定对话内容需要在运行时作为输入input喂给它——实际使用中通常把访谈逐字稿经管道送入 CLI。模式文件的章节组织遵循了仓库中 official_pattern_template 与 create_pattern 所描述的通用解剖学先声明 AI 身份IDENTITY再给出目标GOAL、执行步骤STEPS、输出格式OUTPUT与输出约束OUTPUT INSTRUCTIONS。下面逐段解读extract_questions自己的写法。三、逐段精读extract_questions/system.md3.1 IDENTITY为任务设定极端角色原文开头写道You are an advanced AI with a 419 IQ that excels at extracting all of the questions asked by an interviewer within a conversation.这里沿用了 Fabric 模式常见的「能力夸张化」人设写法——用一个极端高智商、专门擅长「找问题」的角色设定让模型把全部注意力收敛到「提问」这一个维度上。关键词是interviewer本模式的抽取对象不是对话里的所有人而是提问方因此后续所有步骤都围绕「先分清谁在问、谁在被问」展开。3.2 GOAL明确抽取对象与保真要求目标部分只有两条但信息量很大从输入中抽取提问方问出的所有问题。输入形态被明确枚举为三类podcast播客、1 对 1 访谈、多方参与的多角色对话。必须逐字word for word摘取「because that matters」因为逐字保真很重要。「逐字」是该模式最核心的约束问题的措辞本身包括追问、反问、假设式提问往往携带情绪、立场和上下文信息改写会丢失语义细节这也是它区别于「总结访谈要点」类模式的关键。3.3 STEPS先读懂对话流再执行抽取执行步骤只有两步顺序很关键深度研究内容、分析对话流程看清多方之间的「interplay互动」——谁在引导话题、谁在响应据此判断谁是提问方、谁是被问者。抽取提问方提出的全部问题。也就是说模式要求 AI 先建立对话的角色关系模型再执行抽取而不是机械地在全文里找带问号的句子。这一步对以下场景尤其重要播客中主持人也会被嘉宾反问需要区分主次提问方多人讨论中主持人多次打断并追问需要把这些「追问」也算作问题有些「问题」以陈述句形式出现如「Im curious how you...」的变体只靠标点符号判断会漏掉。3.4 OUTPUT输出位置与结构输出部分要求把结果放在一个名为QUESTIONS的章节里以一系列无序列表项bullet points呈现。也就是说输出的可预期结构是QUESTIONS - 问题一逐字 - 问题二逐字 - …固定的章节名与固定的列表形态让该模式的输出天然可被后续脚本或人工直接消费也便于接到suggest_pattern所描述的工作流生成 QA 资源中。3.5 OUTPUT INSTRUCTIONS净化输出的四条铁律输出约束是全文最强调纪律的部分只输出提问方的问题清单不得附加任何分析、评论或其他内容——AI 的分析过程角色判断、对话流梳理是私有的思考步骤不进入最终输出。使用简单的无序 Markdown 列表不要做任何额外格式化。一个问题都不能漏。用“把你的分析重复做1124 次”Do your analysis 1124 times这种夸张化指令来强化穷尽性——这与 Fabric 模式中常见的数字威慑写法一致本质是让模型在生成前进行多轮自我校验避免遗漏。四、实战把访谈逐字稿跑一遍4.1 命令行调用方式Fabric 的 CLI 通过-p/--pattern选择模式输入经由标准输入传入。仓库 README 中展示的标准调用形态是echo test input | fabric --dry-run -p summarize、pbpaste | fabric --stream --pattern analyze_claims这类「内容 | fabric --pattern 名称」管道写法见 README.md 与 README.md。类推到本模式典型用法为# 把逐字稿文件经管道送入模式 cat interview_transcript.txt | fabric --pattern extract_questions # 直接粘贴剪贴板中的逐字稿macOS pbpaste | fabric --pattern extract_questions # 开启流式输出适合长对话实时查看 cat interview_transcript.txt | fabric --stream --pattern extract_questions其中--stream会以流式方式逐字返回结果处理超长播客逐字稿时体验更好--dry-run可用于先做试运行确认模式与输入被正确加载。4.2 与其他 CLI 能力组合先列出可用模式fabric --list可查看当前可用模式列表确认extract_questions是否已被正确安装到模式目录。与转录流程串联仓库 docs 中提供了 YouTube 等视频转录相关说明参见 YouTube-Processing.md。对于视频访谈可以先转录出逐字稿再作为本模式的输入形成「视频 → 文本 → 问题清单」的完整流水线。自定义模式目录如果你改写了该提示词可放入 Fabric 的自定义模式目录README 中说明默认模式位于data/patterns/用户自定义副本约在~/.config/fabric/patterns/参见 README.md随后即可用同样的fabric --pattern 名称方式调用。4.3 对输入形态的要求由于该模式没有user.md它对输入没有强格式约束——只要是包含一问一答结构的多角色文本即可。可处理的输入包括播客单集逐字稿含开场寒暄与硬广段落时可先裁剪一对一头像/访谈的文字记录圆桌、多人播客、峰会 panel 的文字实录会议问答QA环节记录。输入越长、说话人越多越需要依赖 STEPS 第一步的「角色关系推断」来正确定位提问方。若有明确的说话人标注Speaker 1 / Host / Guest会显著提升准确率但这并非硬性前提——模式本身被设计为可从纯文本中自行推断对话结构。五、输出样例与质量预期给定一段访谈理想输出形态如下结构示意问题需为逐字原句QUESTIONS - 你是从什么时候开始对这个问题感兴趣的 - 这背后有没有什么具体的触发事件 - 你刚才提到的方法在团队规模多大时仍然适用 - 如果给你重新来一次的机会哪一步你会做得不一样需要注意三点质量预期均由原文约束决定不含分析即使 AI 内部判断某个提问是“关键的转折问题”输出里也不会有注解、序号分类或情绪标记逐字而非转述问句中的口头语、重复、反问都会被保留穷尽性追问、打断式提问、闲聊中的问题只要出自提问方都在抽取范围内。六、在模式库生态中的位置配套与互补extract_questions并不孤立。从仓库模式库data/patterns整体结构看它与若干模式形成可组合的「访谈研究」工作链均可以从该目录中找到源码analyze_interviewer_techniques与 extract_questions 恰好互补——一个负责「找出问了什么问题」一个负责「分析提问者的提问技法/风格」前者可先产出问题清单后者再做风格研判。answer_interview_question站在被访者/候选人视角生成回答。两者串联即可构建「真题 → 模拟回答」的面试训练闭环。同类抽取模式extract_all_quotes、extract_instructions、extract_recommendations 等共享同一套「纯净列表输出」的抽取哲学可统一接入内容流水线。资源整合层suggest_pattern 的 user 文档data/patterns/suggest_pattern/user.md明确把 extract_questions 描述为“生成 QA 资源”的工具说明它在模式推荐链路中的定位是内容研究的原料生产环节。此外模式描述与标签元数据 将其标记为EXTRACT / LEARNING / BUSINESS这一分类在仓库配套的 模式描述 README 体系下使用可帮助你在大批量模式中检索到它。七、使用限制与注意事项基于源码结构与提示词文本使用时有几点值得留意含推断性说明请以实际运行效果为准输入侧无用户模板因为没有user.md所有使用上的“引导”都只能通过输入文本本身完成如果希望限定“只抽主持人、不抽嘉宾的反问”需要自行在输入前加一句引导语或复制该目录到自定义模式位置后改写 system.md。逐字保真依赖模型能力“word for word”与“一个不落”是对模型行为的强约束而非硬保证。超长文本可能超出单次上下文窗口建议按章节分段输入后再合并结果并人工抽查标点/断句被转录噪声破坏的问题。多说话人场景需要更清晰的转录多人同时发言、重叠对话会显著增加角色归属难度属于该模式的方法论天然难点转录质量直接决定抽取上限。仓库是只读资源data/patterns/extract_questions/system.md是随 Fabric 分发的只读模式文件要改进它应在自定义模式目录建立自己的副本而不是修改仓库内容。八、小结extract_questions把一件看起来琐碎、人工做却容易漏的工作——从访谈对话中逐字抽全提问方的问题——压缩成了一段结构严谨、纪律明确的提示词。它的价值不在于复杂而在于三个刻意为之的设计定位单一只问“谁问了什么”不混入摘要、评论或建议输出纯净QUESTIONS 标题 无序列表机器与人皆可无缝消费约束强烈“逐字”“一个不落”“只输出问题”从三面封死了最常见的跑题路径。配合 Fabric CLI 的管道式调用它可以与转录工具、analyze_interviewer_techniques、answer_interview_question等模式自由组装成为面试研究、播客内容挖掘与 QA 语料构建流水线中稳定可靠的一环。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Fabric 实战：用 `extract_questions` 模式从播客与访谈中逐字抽取面试官全部提问
Fabric 实战用extract_questions模式从播客与访谈中逐字抽取面试官全部提问【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/Fabricextract_questions是 Fabric 开源的data/patterns提示词库中的一个 EXTRACT 类模式其唯一使命是从播客、一对一访谈或多方对话中将「提问方」提出的问题逐字完整地抽取为一份干净的 Markdown 列表。本文以该模式的 system.md 为骨架逐段拆解其角色设定、执行步骤与输出约束并结合 Fabric 的 CLI 调用方式、仓库内相关模式与元数据给出可复制的实战用法帮助你用这条提示词完成面试复盘、播客研究、QA 语料构建等任务。一、模式定位它在 Fabric 模式库里是做什么的Fabric 的核心思想是把「提示词」当作 AI 增强的基本单元按现实任务分门别类存放在data/patterns/pattern_name/目录下。extract_questions属于其中的「抽取EXTRACT」家族围绕它的能力仓库中有多处一致的描述可以作为理解依据模式一览表Extracts and outputs all questions asked by the interviewer in a conversation or interview.抽取并输出访谈/对话中提问方提出的全部问题。模式描述元数据描述为Extract/categorize questions to create QA resources.标签为EXTRACT、LEARNING、BUSINESS。suggest_pattern 的 user 文档Extract/categorize questions to create QA resources.说明其典型产出是可复用的问答QA资源。综合这些信息可以看出该模式面向的典型工作是给 AI 一段带多轮对话的文本如访谈逐字稿、播客 transcript、会议问答环节AI 只负责站在「听众/研究者」视角把采访者或主持人提出的问题原样捞出来为后续的逐题拆解、面试练习、内容研究提供一份结构化清单。二、模式文件结构与前置条件该模式在仓库中的完整形态只有一个文件data/patterns/extract_questions/ └── system.md # 唯一文件无 user.md这一点值得注意Fabric 的部分模式会同时提供system.md与user.md前者定义 AI 的角色与指令后者定义每次输入的说明或示例例如data/patterns/analyze_paper/目录。而extract_questions没有配套的user.md意味着它的行为完全由system.md这一段提示词决定对话内容需要在运行时作为输入input喂给它——实际使用中通常把访谈逐字稿经管道送入 CLI。模式文件的章节组织遵循了仓库中 official_pattern_template 与 create_pattern 所描述的通用解剖学先声明 AI 身份IDENTITY再给出目标GOAL、执行步骤STEPS、输出格式OUTPUT与输出约束OUTPUT INSTRUCTIONS。下面逐段解读extract_questions自己的写法。三、逐段精读extract_questions/system.md3.1 IDENTITY为任务设定极端角色原文开头写道You are an advanced AI with a 419 IQ that excels at extracting all of the questions asked by an interviewer within a conversation.这里沿用了 Fabric 模式常见的「能力夸张化」人设写法——用一个极端高智商、专门擅长「找问题」的角色设定让模型把全部注意力收敛到「提问」这一个维度上。关键词是interviewer本模式的抽取对象不是对话里的所有人而是提问方因此后续所有步骤都围绕「先分清谁在问、谁在被问」展开。3.2 GOAL明确抽取对象与保真要求目标部分只有两条但信息量很大从输入中抽取提问方问出的所有问题。输入形态被明确枚举为三类podcast播客、1 对 1 访谈、多方参与的多角色对话。必须逐字word for word摘取「because that matters」因为逐字保真很重要。「逐字」是该模式最核心的约束问题的措辞本身包括追问、反问、假设式提问往往携带情绪、立场和上下文信息改写会丢失语义细节这也是它区别于「总结访谈要点」类模式的关键。3.3 STEPS先读懂对话流再执行抽取执行步骤只有两步顺序很关键深度研究内容、分析对话流程看清多方之间的「interplay互动」——谁在引导话题、谁在响应据此判断谁是提问方、谁是被问者。抽取提问方提出的全部问题。也就是说模式要求 AI 先建立对话的角色关系模型再执行抽取而不是机械地在全文里找带问号的句子。这一步对以下场景尤其重要播客中主持人也会被嘉宾反问需要区分主次提问方多人讨论中主持人多次打断并追问需要把这些「追问」也算作问题有些「问题」以陈述句形式出现如「Im curious how you...」的变体只靠标点符号判断会漏掉。3.4 OUTPUT输出位置与结构输出部分要求把结果放在一个名为QUESTIONS的章节里以一系列无序列表项bullet points呈现。也就是说输出的可预期结构是QUESTIONS - 问题一逐字 - 问题二逐字 - …固定的章节名与固定的列表形态让该模式的输出天然可被后续脚本或人工直接消费也便于接到suggest_pattern所描述的工作流生成 QA 资源中。3.5 OUTPUT INSTRUCTIONS净化输出的四条铁律输出约束是全文最强调纪律的部分只输出提问方的问题清单不得附加任何分析、评论或其他内容——AI 的分析过程角色判断、对话流梳理是私有的思考步骤不进入最终输出。使用简单的无序 Markdown 列表不要做任何额外格式化。一个问题都不能漏。用“把你的分析重复做1124 次”Do your analysis 1124 times这种夸张化指令来强化穷尽性——这与 Fabric 模式中常见的数字威慑写法一致本质是让模型在生成前进行多轮自我校验避免遗漏。四、实战把访谈逐字稿跑一遍4.1 命令行调用方式Fabric 的 CLI 通过-p/--pattern选择模式输入经由标准输入传入。仓库 README 中展示的标准调用形态是echo test input | fabric --dry-run -p summarize、pbpaste | fabric --stream --pattern analyze_claims这类「内容 | fabric --pattern 名称」管道写法见 README.md 与 README.md。类推到本模式典型用法为# 把逐字稿文件经管道送入模式 cat interview_transcript.txt | fabric --pattern extract_questions # 直接粘贴剪贴板中的逐字稿macOS pbpaste | fabric --pattern extract_questions # 开启流式输出适合长对话实时查看 cat interview_transcript.txt | fabric --stream --pattern extract_questions其中--stream会以流式方式逐字返回结果处理超长播客逐字稿时体验更好--dry-run可用于先做试运行确认模式与输入被正确加载。4.2 与其他 CLI 能力组合先列出可用模式fabric --list可查看当前可用模式列表确认extract_questions是否已被正确安装到模式目录。与转录流程串联仓库 docs 中提供了 YouTube 等视频转录相关说明参见 YouTube-Processing.md。对于视频访谈可以先转录出逐字稿再作为本模式的输入形成「视频 → 文本 → 问题清单」的完整流水线。自定义模式目录如果你改写了该提示词可放入 Fabric 的自定义模式目录README 中说明默认模式位于data/patterns/用户自定义副本约在~/.config/fabric/patterns/参见 README.md随后即可用同样的fabric --pattern 名称方式调用。4.3 对输入形态的要求由于该模式没有user.md它对输入没有强格式约束——只要是包含一问一答结构的多角色文本即可。可处理的输入包括播客单集逐字稿含开场寒暄与硬广段落时可先裁剪一对一头像/访谈的文字记录圆桌、多人播客、峰会 panel 的文字实录会议问答QA环节记录。输入越长、说话人越多越需要依赖 STEPS 第一步的「角色关系推断」来正确定位提问方。若有明确的说话人标注Speaker 1 / Host / Guest会显著提升准确率但这并非硬性前提——模式本身被设计为可从纯文本中自行推断对话结构。五、输出样例与质量预期给定一段访谈理想输出形态如下结构示意问题需为逐字原句QUESTIONS - 你是从什么时候开始对这个问题感兴趣的 - 这背后有没有什么具体的触发事件 - 你刚才提到的方法在团队规模多大时仍然适用 - 如果给你重新来一次的机会哪一步你会做得不一样需要注意三点质量预期均由原文约束决定不含分析即使 AI 内部判断某个提问是“关键的转折问题”输出里也不会有注解、序号分类或情绪标记逐字而非转述问句中的口头语、重复、反问都会被保留穷尽性追问、打断式提问、闲聊中的问题只要出自提问方都在抽取范围内。六、在模式库生态中的位置配套与互补extract_questions并不孤立。从仓库模式库data/patterns整体结构看它与若干模式形成可组合的「访谈研究」工作链均可以从该目录中找到源码analyze_interviewer_techniques与 extract_questions 恰好互补——一个负责「找出问了什么问题」一个负责「分析提问者的提问技法/风格」前者可先产出问题清单后者再做风格研判。answer_interview_question站在被访者/候选人视角生成回答。两者串联即可构建「真题 → 模拟回答」的面试训练闭环。同类抽取模式extract_all_quotes、extract_instructions、extract_recommendations 等共享同一套「纯净列表输出」的抽取哲学可统一接入内容流水线。资源整合层suggest_pattern 的 user 文档data/patterns/suggest_pattern/user.md明确把 extract_questions 描述为“生成 QA 资源”的工具说明它在模式推荐链路中的定位是内容研究的原料生产环节。此外模式描述与标签元数据 将其标记为EXTRACT / LEARNING / BUSINESS这一分类在仓库配套的 模式描述 README 体系下使用可帮助你在大批量模式中检索到它。七、使用限制与注意事项基于源码结构与提示词文本使用时有几点值得留意含推断性说明请以实际运行效果为准输入侧无用户模板因为没有user.md所有使用上的“引导”都只能通过输入文本本身完成如果希望限定“只抽主持人、不抽嘉宾的反问”需要自行在输入前加一句引导语或复制该目录到自定义模式位置后改写 system.md。逐字保真依赖模型能力“word for word”与“一个不落”是对模型行为的强约束而非硬保证。超长文本可能超出单次上下文窗口建议按章节分段输入后再合并结果并人工抽查标点/断句被转录噪声破坏的问题。多说话人场景需要更清晰的转录多人同时发言、重叠对话会显著增加角色归属难度属于该模式的方法论天然难点转录质量直接决定抽取上限。仓库是只读资源data/patterns/extract_questions/system.md是随 Fabric 分发的只读模式文件要改进它应在自定义模式目录建立自己的副本而不是修改仓库内容。八、小结extract_questions把一件看起来琐碎、人工做却容易漏的工作——从访谈对话中逐字抽全提问方的问题——压缩成了一段结构严谨、纪律明确的提示词。它的价值不在于复杂而在于三个刻意为之的设计定位单一只问“谁问了什么”不混入摘要、评论或建议输出纯净QUESTIONS 标题 无序列表机器与人皆可无缝消费约束强烈“逐字”“一个不落”“只输出问题”从三面封死了最常见的跑题路径。配合 Fabric CLI 的管道式调用它可以与转录工具、analyze_interviewer_techniques、answer_interview_question等模式自由组装成为面试研究、播客内容挖掘与 QA 语料构建流水线中稳定可靠的一环。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考