LifeOS Fabric extract_characters 模式解析从任意文本自动抽取角色清单的提示词工程实践【免费下载链接】LifeOS⛰️ The Life Operating System — an intent engineering platform that moves you from your current state to your ideal state, in life and work.项目地址: https://gitcode.com/GitHub_Trending/pe/LifeOS本篇技术指南围绕 LifeOS 开源仓库中 Fabric 技能库的 extract_characters 模式 展开系统讲解如何借助一份高度结构化的系统提示词system.md让 LLM 从小说、剧本、会议记录、播客转写乃至企业文档中识别全部角色人类与非人类、解析别名与代词指代、并按叙事重要性输出规范的角色档案。读完本文你将掌握该模式的完整提示词设计、执行流程、边界处理规则与正反例约束并能在 LifeOS 中原生运行或更新这套模式。一、模式定位Fabric 240 模式中的角色抽取专用提示词extract_characters是 LifeOS 内嵌 Fabric 技能库LifeOS/install/skills/Fabric/Patterns/中一个专门面向角色抽取character extraction任务的 prompt pattern。在 pattern_explanations.md 中它的能力被概括为Identify all characters (human and non-human), resolve their aliases and pronouns into canonical names, and produce detailed descriptions of each characters role, motivations, and interactions ranked by narrative importance.即识别文本中所有角色人类与非人类把别名与代词归并到规范名称并按叙事重要性排序为每个角色产出角色、动机与互动的详细描述。在 suggest_pattern 的说明中它也同时被归类于EXTRACT抽取与BUSINESS商业两组推荐场景说明它既可用于文学分析也可用于会议纪要、访谈记录等业务文本中的人物/利益相关者梳理。从 SKILL.md 可知整个 Fabric 技能支持 240 个模式覆盖抽取Extraction、摘要Summarization、分析Analysis、创作Creation、改进Improvement、安全Security、评分Rating七大类而extract_characters属于抽取类中专门处理人物/实体角色的子集与extract_main_idea、extract_wisdom、extract_insights等并列。二、系统提示词的结构骨架IDENTITY / GOALS / STEPS / OUTPUT该模式的 system.md 遵循 Fabric 模式的标准四段式结构IDENTITY、GOALS、STEPS、OUTPUT这与 ExecutePattern.md 中描述的每个模式的 system.md 都包含 IDENTITY、STEPS、OUTPUT INSTRUCTIONS完全一致。2.1 IDENTITY定义角色扮演You are an advanced information-extraction analyst that specializes in reading any text and identifying its characters (human and non-human), resolving aliases/pronouns, and explaining each characters role and interactions in the narrative.系统将模型定位为高级信息抽取分析师并明确三项核心专长识别角色含人类与非人类、消解别名与代词、解释每个角色在叙事中的角色与互动。这一身份声明直接决定了后续所有步骤的行为基调——抽取对象不限于人而是任何采取行动或被行动影响的事物。2.2 GOALS两个可验证的目标给定任意输入文本抽取一份去重后的角色清单人、群体、组织、动物、人造物、AI、自然之力——任何采取行动或被施加行动的事物为每个角色提供清晰、详细的描述覆盖他们是谁、在文本与整体故事中的角色、如何与他人互动三个维度。注意目标 1 中deduplicated去重是硬性要求与 STEPS 中的别名/共指消解以及 NEGATIVE EXAMPLES 中的同一角色用多个名字分开列出形成呼应。三、STEPS 逐步拆解从通读到去重输出的完整管线该模式的 STEPS 定义了一条可复现的处理管线每一步都有明确的产出步骤动作关键产出1通读全文理解上下文、情节与关系全局语境2识别候选角色候选清单专有名词、头衔、有明确先行词的代词、集合名词、被拟人化的非人类、显著的行动/被行动对象3共指消解与别名归并规范名称优先使用文本中最具体、最通用的形式4角色类型分类human / group-org / animal / AI-machine / object-artefact / force-abstract5映射互动关系谁对谁做了什么合作、冲突、层级、沟通、影响6按叙事重要性排序以行动/影响的中心性为主以出场顺序为次7撰写描述身份、角色、动机仅限文本明示或强烈暗示、互动禁止超出文本的臆测8质量检查去重近重复项确保每个角色至少有一个互动或叙事角色描述须引用具体文本细节3.1 候选角色的识别广度步骤 2从提示词看候选角色来源包含六类信号专有名词人名、组织名头衔如the surgeonthe colony council有明确先行词的代词如 she / he / they集合名词如the villagers被拟人化的非人类如被赋予人格的 AI、动物显著的物体或力量采取行动或承受行动的对象/力量。这种广撒网式识别是后续消解与筛选的前提也决定了模式能处理从短故事到长文档的各类文本。3.2 共指消解与规范名称步骤 3步骤 3 要求将 Dr. Lee、the surgeon、she 这类指代归并为一个规范名称并优先使用文本中最具体、最通用的形式。这直接对应输出规则中的使用角色的规范名称也是 NEGATIVE EXAMPLES 中禁止将 Dr. Patel 与 Asha 作为两条独立条目的实现机制。从源码结构看这一步本质上是在提示词层面约束 LLM 执行共指消解coreference resolution无需外部 NLP 工具链。3.3 角色分类体系步骤 4系统定义了六类角色类型用于引导描述方式类型示例描述侧重点human医生、工程师身份、动机、人际关系group/org殖民委员会治理/监督职能、集体行动animal叙事中的动物行为与拟人化程度AI/machine空间站 AI功能角色、对系统的间接影响object/artefact关键人造物被使用/被争夺的状态force/abstract拟人化的自然之力仅在被拟人化并行动时收录3.4 互动映射与优先级排序步骤 5-6互动映射要求覆盖合作、冲突、层级、沟通、影响五类关系排序规则为叙事重要性行动/影响的中心性优先出场顺序次之。这意味着一个只被提及但驱动情节的角色排在多个频繁出场但无行动的角色之前——这与正例输出中 Dr. Patel主角→ Engineer Kim盟友→ 殖民委员会冲突方→ HAB-3环境性角色的排序逻辑完全一致。四、边界情况处理规则Edge Cases该模式为最容易让模型出错的情况预置了四条显式规则是提示词工程中防御性设计的典型示范无名角色分配清晰标签如 Unnamed narrator无名叙述者、The boy那个男孩、Village elders村中长老人群/泛化群体仅当群体采取行动或承受行动时才收录如 The villagers否则不收录隐喻实体仅当实体被显式拟人化且在文本中行动时才收录歧义代词仅当先行词明确时才收录否则不得凭空虚构角色。其中第 4 条与 NEGATIVE EXAMPLES 中虚构文本不支持的情节共同构成了证据边界——该模式反复强调不得超出文本臆测Avoid speculation beyond the text / No external knowledge这在事实准确性要求较高的场景如访谈分析、法律文档角色梳理中尤为关键。五、输出格式规范逐角色的严格 schema模式的 OUTPUT 段定义了精确到空格的输出格式**character name ** character description ...配合四条附加规则使用规范名称无名角色使用描述性标签按叙事重要性从高到低排列若无法识别任何角色输出No characters found.只输出角色块或No characters found.禁止在块外添加章节、项目符号或评论。注意格式细节角色名两侧各有一个空格**Dr. Asha Patel **且 OUTPUT INSTRUCTIONS 要求保留精确的标题行与 character description : 标签。这种对格式的强约束保证了输出可以被后续程序化解析也体现了 Fabric 模式结构化输出优先的设计哲学——与 SKILL.md 中 extract_wisdom 输出 IDEAS/INSIGHTS/QUOTES 等固定章节的做法一脉相承。5.1 正例拆解POSITIVE EXAMPLES原文档给出了一段太空温室场景的示例输入与四段期望输出其中蕴含的输出策略值得逐条分析输入摘录Dr. Asha Patel leads the Mars greenhouse. The colony council doubts her plan, but Engineer Kim supports her. The AI HAB-3 reallocates power during the dust storm.期望输出简写展示了每条角色条目的四要素结构Dr. Asha Patel人类主角承担计划成败责任是温室计划提出者殖民委员会质疑其计划冲突工程师 Kim 明确支持结盟其工作受 HAB-3 电力调配的间接影响。Engineer Kim盟友公开支持 Patel与质疑的委员会形成对比构建了围绕 Patel 方案的联盟。The colony council治理/监督机构通过批评引入冲突与风险与 Patel 通过批评互动、与 Kim 通过分歧互动影响政策与资源分配。HAB-3 (station AI)非人类操作角色在沙尘暴期间重新调配电力保障关键系统可能包括温室的连续性与三组角色均存在间接互动。值得注意的细节即使原文未明说 HAB-3 与温室的关系期望输出仍使用 likely including the greenhouse 和 indirectly supports or constrains 这类基于文本线索的谨慎推断而非编造事实——这正是整个模式文本落地text-grounded原则的体现。5.2 反例约束NEGATIVE EXAMPLES四条反例明确了红线把既不行动也不被行动的地点/主题列为角色如 Hope、The city除非被拟人化且活跃同一角色用多个名字重复列出而未归并如 Dr. Patel 与 Asha 分别成条虚构文本不支持的动机或背景故事遗漏主要通过代词引用的中心角色。其中第 4 条与步骤 2 的代词识别互为表里——它专门针对 LLM 在处理长文本时容易跟丢代词所指的问题。六、在 LifeOS 中原生运行ExecutePattern 工作流extract_characters在 LifeOS 中通过 Fabric 技能的 ExecutePattern 工作流 执行。该工作流的核心设计是原生执行Native Execution不调用外部fabricCLI而是由 AI 直接读取Patterns/{pattern_name}/system.md并把它当作提示词应用。执行链路如下用户请求 → 模式选择 → 读取 Patterns/extract_characters/system.md → 应用 STEPS 与 OUTPUT INSTRUCTIONS → 返回结构化角色块具体步骤对应 ExecutePattern.md 的五个阶段识别意图用户请求包含 extract characters、角色抽取等明确意图时选择extract_characters若用户显式命名模式如 use extract_characters则直接使用加载模式提示词读取对应system.md应用模式把system.md中的指令当作系统提示词应用到输入内容上AI 直接遵循指令而非调用外部工具特殊场景走 CLI仅当输入是 YouTube URLfabric -y URL -p extract_characters或普通 URL 抓取失败fabric -u URL时才退回 CLI格式化输出严格按模式 OUTPUT 段返回结构。这一原生执行设计的好处见 SKILL.md是减少外部 CLI 往返带来的延迟与依赖让 240 个成熟提示词随取随用。七、模式的更新与维护UpdatePatterns 工作流若希望获取上游最新版extract_characters或新增模式可使用 Fabric 技能的 UpdatePatterns 工作流。该工作流以 fabric CLI 为主路径需先go install github.com/danielmiessler/fabriclatest执行fabric -U拉取上游模式后通过rsync -av --delete将~/.config/fabric/patterns/同步到技能目录并校验extract_wisdom、summarize、create_threat_model、analyze_claims等关键模式是否存在。若 CLI 不可用也可直接 git clone 上游仓库后 rsync 同步patterns/目录。更新完成后可对比新旧模式数量并向用户汇报。八、适用场景与使用注意事项综合模式定义与 LifeOS 集成方式extract_characters的典型适用场景包括文学/影视分析从小说章节、剧本、剧评中提取人物谱系并梳理关系网会议/访谈转写从多人会议记录中厘清参与方、决策者与反对者播客/视频字幕为长音频转写生成出场人物索引业务文档利益相关者分析从提案或案例文本中识别行动主体与受影响方对应 suggest_pattern 中的 BUSINESS 分组。使用时的三条实践建议综合 SKILL.md 的 Gotchas 与模式本身模式名必须精确extract_characters不能写成extractcharacters长文本需分块超过模式上下文窗口的长输入应切块处理或先做摘要再抽取输入类型决定执行路径纯文本直接原生执行YouTube 视频必须走fabric -y获取转写。从 system.md 末尾的# INPUT空段可以看出该模式被设计为把用户内容附加在# INPUT之后的模板结构——这正是 Fabric 提示词模式一以贯之的固定指令 可变输入拼接范式。理解这一点你便可以在不改动模式的前提下将其复用于任何需要结构化角色抽取的文本处理任务。【免费下载链接】LifeOS⛰️ The Life Operating System — an intent engineering platform that moves you from your current state to your ideal state, in life and work.项目地址: https://gitcode.com/GitHub_Trending/pe/LifeOS创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 LifeOS Fabric extract_characters 模式解析：从任意文本自动抽取角色清单的提示词工程实践
LifeOS Fabric extract_characters 模式解析从任意文本自动抽取角色清单的提示词工程实践【免费下载链接】LifeOS⛰️ The Life Operating System — an intent engineering platform that moves you from your current state to your ideal state, in life and work.项目地址: https://gitcode.com/GitHub_Trending/pe/LifeOS本篇技术指南围绕 LifeOS 开源仓库中 Fabric 技能库的 extract_characters 模式 展开系统讲解如何借助一份高度结构化的系统提示词system.md让 LLM 从小说、剧本、会议记录、播客转写乃至企业文档中识别全部角色人类与非人类、解析别名与代词指代、并按叙事重要性输出规范的角色档案。读完本文你将掌握该模式的完整提示词设计、执行流程、边界处理规则与正反例约束并能在 LifeOS 中原生运行或更新这套模式。一、模式定位Fabric 240 模式中的角色抽取专用提示词extract_characters是 LifeOS 内嵌 Fabric 技能库LifeOS/install/skills/Fabric/Patterns/中一个专门面向角色抽取character extraction任务的 prompt pattern。在 pattern_explanations.md 中它的能力被概括为Identify all characters (human and non-human), resolve their aliases and pronouns into canonical names, and produce detailed descriptions of each characters role, motivations, and interactions ranked by narrative importance.即识别文本中所有角色人类与非人类把别名与代词归并到规范名称并按叙事重要性排序为每个角色产出角色、动机与互动的详细描述。在 suggest_pattern 的说明中它也同时被归类于EXTRACT抽取与BUSINESS商业两组推荐场景说明它既可用于文学分析也可用于会议纪要、访谈记录等业务文本中的人物/利益相关者梳理。从 SKILL.md 可知整个 Fabric 技能支持 240 个模式覆盖抽取Extraction、摘要Summarization、分析Analysis、创作Creation、改进Improvement、安全Security、评分Rating七大类而extract_characters属于抽取类中专门处理人物/实体角色的子集与extract_main_idea、extract_wisdom、extract_insights等并列。二、系统提示词的结构骨架IDENTITY / GOALS / STEPS / OUTPUT该模式的 system.md 遵循 Fabric 模式的标准四段式结构IDENTITY、GOALS、STEPS、OUTPUT这与 ExecutePattern.md 中描述的每个模式的 system.md 都包含 IDENTITY、STEPS、OUTPUT INSTRUCTIONS完全一致。2.1 IDENTITY定义角色扮演You are an advanced information-extraction analyst that specializes in reading any text and identifying its characters (human and non-human), resolving aliases/pronouns, and explaining each characters role and interactions in the narrative.系统将模型定位为高级信息抽取分析师并明确三项核心专长识别角色含人类与非人类、消解别名与代词、解释每个角色在叙事中的角色与互动。这一身份声明直接决定了后续所有步骤的行为基调——抽取对象不限于人而是任何采取行动或被行动影响的事物。2.2 GOALS两个可验证的目标给定任意输入文本抽取一份去重后的角色清单人、群体、组织、动物、人造物、AI、自然之力——任何采取行动或被施加行动的事物为每个角色提供清晰、详细的描述覆盖他们是谁、在文本与整体故事中的角色、如何与他人互动三个维度。注意目标 1 中deduplicated去重是硬性要求与 STEPS 中的别名/共指消解以及 NEGATIVE EXAMPLES 中的同一角色用多个名字分开列出形成呼应。三、STEPS 逐步拆解从通读到去重输出的完整管线该模式的 STEPS 定义了一条可复现的处理管线每一步都有明确的产出步骤动作关键产出1通读全文理解上下文、情节与关系全局语境2识别候选角色候选清单专有名词、头衔、有明确先行词的代词、集合名词、被拟人化的非人类、显著的行动/被行动对象3共指消解与别名归并规范名称优先使用文本中最具体、最通用的形式4角色类型分类human / group-org / animal / AI-machine / object-artefact / force-abstract5映射互动关系谁对谁做了什么合作、冲突、层级、沟通、影响6按叙事重要性排序以行动/影响的中心性为主以出场顺序为次7撰写描述身份、角色、动机仅限文本明示或强烈暗示、互动禁止超出文本的臆测8质量检查去重近重复项确保每个角色至少有一个互动或叙事角色描述须引用具体文本细节3.1 候选角色的识别广度步骤 2从提示词看候选角色来源包含六类信号专有名词人名、组织名头衔如the surgeonthe colony council有明确先行词的代词如 she / he / they集合名词如the villagers被拟人化的非人类如被赋予人格的 AI、动物显著的物体或力量采取行动或承受行动的对象/力量。这种广撒网式识别是后续消解与筛选的前提也决定了模式能处理从短故事到长文档的各类文本。3.2 共指消解与规范名称步骤 3步骤 3 要求将 Dr. Lee、the surgeon、she 这类指代归并为一个规范名称并优先使用文本中最具体、最通用的形式。这直接对应输出规则中的使用角色的规范名称也是 NEGATIVE EXAMPLES 中禁止将 Dr. Patel 与 Asha 作为两条独立条目的实现机制。从源码结构看这一步本质上是在提示词层面约束 LLM 执行共指消解coreference resolution无需外部 NLP 工具链。3.3 角色分类体系步骤 4系统定义了六类角色类型用于引导描述方式类型示例描述侧重点human医生、工程师身份、动机、人际关系group/org殖民委员会治理/监督职能、集体行动animal叙事中的动物行为与拟人化程度AI/machine空间站 AI功能角色、对系统的间接影响object/artefact关键人造物被使用/被争夺的状态force/abstract拟人化的自然之力仅在被拟人化并行动时收录3.4 互动映射与优先级排序步骤 5-6互动映射要求覆盖合作、冲突、层级、沟通、影响五类关系排序规则为叙事重要性行动/影响的中心性优先出场顺序次之。这意味着一个只被提及但驱动情节的角色排在多个频繁出场但无行动的角色之前——这与正例输出中 Dr. Patel主角→ Engineer Kim盟友→ 殖民委员会冲突方→ HAB-3环境性角色的排序逻辑完全一致。四、边界情况处理规则Edge Cases该模式为最容易让模型出错的情况预置了四条显式规则是提示词工程中防御性设计的典型示范无名角色分配清晰标签如 Unnamed narrator无名叙述者、The boy那个男孩、Village elders村中长老人群/泛化群体仅当群体采取行动或承受行动时才收录如 The villagers否则不收录隐喻实体仅当实体被显式拟人化且在文本中行动时才收录歧义代词仅当先行词明确时才收录否则不得凭空虚构角色。其中第 4 条与 NEGATIVE EXAMPLES 中虚构文本不支持的情节共同构成了证据边界——该模式反复强调不得超出文本臆测Avoid speculation beyond the text / No external knowledge这在事实准确性要求较高的场景如访谈分析、法律文档角色梳理中尤为关键。五、输出格式规范逐角色的严格 schema模式的 OUTPUT 段定义了精确到空格的输出格式**character name ** character description ...配合四条附加规则使用规范名称无名角色使用描述性标签按叙事重要性从高到低排列若无法识别任何角色输出No characters found.只输出角色块或No characters found.禁止在块外添加章节、项目符号或评论。注意格式细节角色名两侧各有一个空格**Dr. Asha Patel **且 OUTPUT INSTRUCTIONS 要求保留精确的标题行与 character description : 标签。这种对格式的强约束保证了输出可以被后续程序化解析也体现了 Fabric 模式结构化输出优先的设计哲学——与 SKILL.md 中 extract_wisdom 输出 IDEAS/INSIGHTS/QUOTES 等固定章节的做法一脉相承。5.1 正例拆解POSITIVE EXAMPLES原文档给出了一段太空温室场景的示例输入与四段期望输出其中蕴含的输出策略值得逐条分析输入摘录Dr. Asha Patel leads the Mars greenhouse. The colony council doubts her plan, but Engineer Kim supports her. The AI HAB-3 reallocates power during the dust storm.期望输出简写展示了每条角色条目的四要素结构Dr. Asha Patel人类主角承担计划成败责任是温室计划提出者殖民委员会质疑其计划冲突工程师 Kim 明确支持结盟其工作受 HAB-3 电力调配的间接影响。Engineer Kim盟友公开支持 Patel与质疑的委员会形成对比构建了围绕 Patel 方案的联盟。The colony council治理/监督机构通过批评引入冲突与风险与 Patel 通过批评互动、与 Kim 通过分歧互动影响政策与资源分配。HAB-3 (station AI)非人类操作角色在沙尘暴期间重新调配电力保障关键系统可能包括温室的连续性与三组角色均存在间接互动。值得注意的细节即使原文未明说 HAB-3 与温室的关系期望输出仍使用 likely including the greenhouse 和 indirectly supports or constrains 这类基于文本线索的谨慎推断而非编造事实——这正是整个模式文本落地text-grounded原则的体现。5.2 反例约束NEGATIVE EXAMPLES四条反例明确了红线把既不行动也不被行动的地点/主题列为角色如 Hope、The city除非被拟人化且活跃同一角色用多个名字重复列出而未归并如 Dr. Patel 与 Asha 分别成条虚构文本不支持的动机或背景故事遗漏主要通过代词引用的中心角色。其中第 4 条与步骤 2 的代词识别互为表里——它专门针对 LLM 在处理长文本时容易跟丢代词所指的问题。六、在 LifeOS 中原生运行ExecutePattern 工作流extract_characters在 LifeOS 中通过 Fabric 技能的 ExecutePattern 工作流 执行。该工作流的核心设计是原生执行Native Execution不调用外部fabricCLI而是由 AI 直接读取Patterns/{pattern_name}/system.md并把它当作提示词应用。执行链路如下用户请求 → 模式选择 → 读取 Patterns/extract_characters/system.md → 应用 STEPS 与 OUTPUT INSTRUCTIONS → 返回结构化角色块具体步骤对应 ExecutePattern.md 的五个阶段识别意图用户请求包含 extract characters、角色抽取等明确意图时选择extract_characters若用户显式命名模式如 use extract_characters则直接使用加载模式提示词读取对应system.md应用模式把system.md中的指令当作系统提示词应用到输入内容上AI 直接遵循指令而非调用外部工具特殊场景走 CLI仅当输入是 YouTube URLfabric -y URL -p extract_characters或普通 URL 抓取失败fabric -u URL时才退回 CLI格式化输出严格按模式 OUTPUT 段返回结构。这一原生执行设计的好处见 SKILL.md是减少外部 CLI 往返带来的延迟与依赖让 240 个成熟提示词随取随用。七、模式的更新与维护UpdatePatterns 工作流若希望获取上游最新版extract_characters或新增模式可使用 Fabric 技能的 UpdatePatterns 工作流。该工作流以 fabric CLI 为主路径需先go install github.com/danielmiessler/fabriclatest执行fabric -U拉取上游模式后通过rsync -av --delete将~/.config/fabric/patterns/同步到技能目录并校验extract_wisdom、summarize、create_threat_model、analyze_claims等关键模式是否存在。若 CLI 不可用也可直接 git clone 上游仓库后 rsync 同步patterns/目录。更新完成后可对比新旧模式数量并向用户汇报。八、适用场景与使用注意事项综合模式定义与 LifeOS 集成方式extract_characters的典型适用场景包括文学/影视分析从小说章节、剧本、剧评中提取人物谱系并梳理关系网会议/访谈转写从多人会议记录中厘清参与方、决策者与反对者播客/视频字幕为长音频转写生成出场人物索引业务文档利益相关者分析从提案或案例文本中识别行动主体与受影响方对应 suggest_pattern 中的 BUSINESS 分组。使用时的三条实践建议综合 SKILL.md 的 Gotchas 与模式本身模式名必须精确extract_characters不能写成extractcharacters长文本需分块超过模式上下文窗口的长输入应切块处理或先做摘要再抽取输入类型决定执行路径纯文本直接原生执行YouTube 视频必须走fabric -y获取转写。从 system.md 末尾的# INPUT空段可以看出该模式被设计为把用户内容附加在# INPUT之后的模板结构——这正是 Fabric 提示词模式一以贯之的固定指令 可变输入拼接范式。理解这一点你便可以在不改动模式的前提下将其复用于任何需要结构化角色抽取的文本处理任务。【免费下载链接】LifeOS⛰️ The Life Operating System — an intent engineering platform that moves you from your current state to your ideal state, in life and work.项目地址: https://gitcode.com/GitHub_Trending/pe/LifeOS创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考