企业官网建设流程全解析

Fabric 行为预测 Pattern 实战指南：用心理画像预测个体对挑战的行为反应（predict_person_actions）

【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

本文以 predict_person_actions 系统提示词 为主线，讲解如何在 Fabric 框架中让 AI 扮演"心理画像分析师"，基于个体的心理特质画像与一个具体挑战情境，系统化地推演该个体最可能的行为反应。读完本文，你将掌握该 Pattern 的输入格式（Psychodata + Challenge 双区块）、冲突特质加权推理逻辑、标准输出结构，以及一条可直接复制运行的 CLI 调用路径。

一、Pattern 是什么：一个用于"预判人的反应"的系统提示词

Fabric 是一个"用 AI 增强人类"的开源框架，其核心资产是data/patterns/目录下数以百计的可复用提示词 Pattern（每个 Pattern 是一个以目录组织的system.md，可选的user.md与之为伴）。pattern_explanations.md 中对它的定位是一句话：

predict_person_actions：Predicts behavioral responses based on psychological profiles and challenges.（基于心理画像与挑战情境预测行为反应。）

与面向"总结、提取、改写"的大多数 Pattern 不同，predict_person_actions面向的是人类行为的推断推理：它要求模型把自己定位为"专家级心理分析师"，输入是一段包含"心理画像（Psychodata）"与"挑战情境（Challenge）"的混合文本流，输出则是对该个体在特定情境下最可能行为表现的结构化预测——包括其优势、弱点与可能结局。

该 Pattern 的典型使用场景包括但不限于（作为提示词能力的合理延伸，读者可自行裁剪）：

• 产品与用户体验设计：预判特定性格画像的用户在摩擦点上的流失或投诉行为；
• 谈判、销售与客户成功：评估关键人物在压力情境下的应对姿态；
• 写作与叙事：为虚构角色建立行为可信度（相邻的 create_story_about_people_interaction 即面向角色故事）；
• 人力资源与管理：从画像维度推演员工在变革或冲突中的可能反应，辅助沟通预案设计。

注意：本 Pattern 是"证据边界内的推断工具"，其原始文本明确规定"仅基于提供的信息进行分析"（Base your analysis strictly on the information provided），因此它不是算命，而是把心理画像中每一条特质与挑战要求逐一对照的推理流程。

二、Pattern 的结构拆解：IDENTITY → STEPS → OUTPUT → EXAMPLE

predict_person_actions/system.md全文只有 37 行，但包含四个清晰的组成区块，它们共同约束了模型的角色、推理路径与汇报格式。下面逐块拆解。

2.1 IDENTITY AND PURPOSE：角色设定

系统提示词要求模型以如下身份工作：

You are an expert psychological analyst AI. Your task is to assess and predict how an individual is likely to respond to a specific challenge based on their psychological profile and a challenge which will both be provided in a single text stream.

要点有二：

1. 专家心理分析师身份——给模型框定了专业语气与知识调用范围；
2. 输入是单一文本流——心理画像与挑战描述会出现在同一段文本里，靠固定标头（Header）区分，模型不能要求用户分两次输入。

2.2 STEPS：强制性的推理链路

STEPS 定义了四步推理流程，这是整个 Pattern 的"方法学核心"：

1. 解析输入：输入文本被划分为两节——位于***Psychodata***标头之下的心理画像，以及位于***Challenge***标头之下的挑战情境描述。（原文特意强调：两个区块由 Challenge 标头分隔，该标头即挑战描述开始的信号。）
2. 画像与情境双审：从画像中提取关键特质、倾向与心理标记（key traits, tendencies, and psychological markers），并分析挑战情境的性质与要求（nature and demands）。
3. 逐特质交互评估：系统性地评估画像中"每一条心理特质"如何与该情境的具体要求与整体性质相互作用。
4. 冲突加权与整体收敛：当特质与特质之间、或特质与情境之间存在矛盾时，冷静权衡"哪一方占主导、最终决定反应走向"；并同时考察冲突本身的微妙效应——它是抑制反应，还是反讽地放大反应强度？是否会因张力或防御机制（defense mechanism）催生第三种行为？最后，把所有特质与冲突当作一个整体（即心理结构 the psychological structure）来审视，据此修正预测结论。

这段 STEPS 的本质是：拒绝单变量预测。它强迫模型先做"特质 × 情境"的笛卡尔式交互分析，再做"冲突特质间"的权重仲裁，最后升维到整体人格结构的收敛判断——避免模型只抓住最显眼的一条特质就下结论。

2.3 OUTPUT：标准化的五段式汇报

Pattern 要求输出五个部分（原文缩进中的编号顺序即推荐顺序）：

1. 画像摘要（bullet points）——个体心理画像的简要概括；
2. 挑战/情境摘要（句子形式）——本次情境是什么；
3. 逐步评估（step-by-step）——心理特质如何与该挑战的具体要求交互；
4. 行为预测——个体最可能如何反应或表现，包含潜在优势（strengths）、脆弱点（vulnerabilities）与可能结局（likely outcomes）；
5. 建议（如适用）——帮助个体获得更好结果的策略。

另外还有一条贯穿全篇的纪律性约束：

Base your analysis strictly on the information provided. If important information is missing or ambiguous, note the limitations in your assessment.（仅基于所给信息进行分析；若关键信息缺失或含糊，须在评估中指出局限。）

这条约束把输出限制在"可依据输入辩护的推断"范围内，是防止模型臆测的关键护栏。

2.4 EXAMPLE：内嵌示例（附残缺说明）

Pattern 末尾附带了一个用户侧示例骨架，展示输入格式的"长相"：

***Psychodata*** The subject is a 27 year old male. - He has poor impulse control and low level of patience. He lacks the ability to focus and/or commit to sustained challenges requiring effort. - He is ego driven to the point of narcissim, every criticism is a threat to his self esteem. - In his wors ← 原文在此处截断 ***challenge*** While standing in line for the cashier in a grocery store, a rude customer cuts in line in front of the subject.

需要如实指出：仓库中该 EXAMPLE 的第三行心理特质（"In his wors..."）在 system.md 中处于截断状态，并非完整文本。这提示我们——示例本身就是可验证的：一个"低冲动控制、低耐心、自恋型自我驱动"的 27 岁男性，在超市排队被人插队。读者可以用这个场景自行测试模型的输出，检验它是否会给出"情绪爆发/当面冲突/事后懊悔"等合乎画像的推断链。

三、输入规范：如何构造一段可被正确解析的输入

整个 Pattern 对输入格式的依赖度极高——它没有使用传统的"自由粘贴任意文字"方式，而是要求两块数据用固定标头隔开。为保证模型能稳定区分"画像"与"情境"，构造输入时请遵循以下模板：

***Psychodata*** <画像主体>：年龄、性别/身份等基本盘（如有） - 特质 1（具体、可观察、最好含强度修饰） - 特质 2 - …… ***Challenge*** <情境描述>：谁、在哪里、发生了什么、对个体提出了什么要求或威胁

构造时的实操建议：

1. 标头必须使用***...***加粗星号包裹（如***Psychodata***与***Challenge***），与 Pattern 内部识别规则一致；EXAMPLE 中小写***challenge***亦可被接受，但正式使用时建议与 STEPS 声明的大小写保持一致，减少解析歧义。
2. 画像用无序列表逐条列出，每条尽量带"强度/频度"修饰（如 always / usually / under stress），因为后面的冲突加权需要可比较的强度信息。
3. 情境描述写清"对该个体的具体要求或威胁"：被冒犯、被拒绝、被要求长时间专注、被置于公开评价之下……不同类型的需求会激活不同特质。
4. 关键信息缺失时不必硬补：Pattern 本身允许模型在评估中标注信息局限，因此宁可少写也不要用编造的细节污染画像。

四、底层原理：Fabric 如何把一个 system.md 变成可运行的推理任务

要真正"用起来"，有必要了解 Fabric 把system.md组装进一次对话的机制，相关实现集中在内置数据库插件中。

4.1 Pattern 的目录结构与加载规则

• 每个 Pattern 是一个子目录，如 data/patterns/predict_person_actions/，其内容就是system.md；
• 在 internal/plugins/db/fsdb/db.go 中，Pattern 目录内的系统提示文件名被固定为system.md（SystemPatternFile: "system.md"）；
• 按名字加载时，internal/plugins/db/fsdb/patterns.go 会拼接patternDir = filepath.Join(o.Dir, name, o.SystemPatternFile)，即data/patterns/predict_person_actions/system.md会被整体读入；
• 该加载器同时支持把source当作文件系统路径（以/、\、~、.开头）直接从任意.md文件加载 Pattern（见 patterns.go）——也就是说，如果你想在别处维护一个"心理预测"专用提示词副本，也可以直接-p ./my_predict.md引用。

4.2 {{input}} 占位与自动追加

Fabric 的用户输入通过{{input}}占位符注入 Pattern。predict_person_actions/system.md本身不含{{input}}，此时 patterns.go 的ensureInput逻辑会自动把{{input}}追加到 Pattern 末尾——因此你在终端传入的整块"Psychodata + Challenge"文本会被无缝接在系统提示之后，构成完整请求。

4.3 Pattern 的获取与更新

data/patterns本身是框架的默认 Pattern 目录（该常量定义在 internal/tools/patterns_loader.go 的DefaultPatternsGitRepoFolder = "data/patterns"）。用户可通过fabric -U/--updatepatterns触发下载/更新流程，加载器会克隆官方 Pattern 仓库、校验目录内实际 Pattern 数量，并在成功落地后生成标记文件（详见 internal/tools/patterns_loader.go）。

五、实战：完整可运行的预测会话

5.1 准备输入文件

把下面的完整输入保存为subject.txt（注意画像给足"可触发冲突"的信息密度）：

***Psychodata*** The subject is a 34 year old senior engineer, team lead. - He is highly conscientious and detail-oriented, rarely misses deadlines, and feels personally responsible for team output. - He avoids interpersonal conflict: he never confronts colleagues directly and rephrases feedback to soften it. - Under public criticism he becomes visibly anxious, over-apologizes, but afterwards holds grudges and reduces collaboration. - He strongly identifies with his professional reputation as "the reliable one". ***Challenge*** During a sprint demo in front of the whole company, the product manager publicly blames him for a delivery delay that was actually caused by the PM's own late requirement changes. The PM asks him, in front of everyone, to explain why he failed.

5.2 执行命令

# 把输入文本经 stdin 交给 predict_person_actions Pattern cat subject.txt | fabric -p predict_person_actions # 先不真正调用模型，仅预览最终会发送的组装提示词 cat subject.txt | fabric -p predict_person_actions --dry-run # 查看该 Pattern 的完整原文（离线可用） fabric --readpattern predict_person_actions

对应的命令参数均可在 internal/cli/flags.go 中找到定义：-p, --pattern（选择 Pattern）、--dry-run（预览不发送）、--readpattern（打印指定 Pattern 内容）、-l, --listpatterns（列出全部可用 Pattern）。若需要更严格约束输出随机性，可追加-e/--seed；若希望降低创造性、逼近"基线保守推断"，可调低默认-t/--temperature（默认 0.7）。

5.3 期望输出结构（对照检查清单）

调用后，合格的输出应能对号入座地覆盖以下五块内容，可用作验收清单：

若某条关键信息缺失（例如画像没写情绪强度），Pattern 会要求模型在输出中显式标注该局限，这也是判断模型是否忠实遵循提示词的一个可测试信号。

六、方法论纵深：冲突特质的"权重仲裁"为何是本 Pattern 的精华

多数朴素提示词只会让模型"根据性格推测行为"，而本 Pattern 的特殊之处在于 STEPS 第三步与第四步对冲突处理的显式要求，值得单独展开理解：

1. 双向冲突仲裁：当同一人格内同时存在"想争辩的自尊"与"怕冲突的回避"时，模型须判断谁更占主导、谁决定最终行为；
2. 冲突本身的二阶效应：模型必须追问——这场内在张力是会"抑制"某个特质的外显（压抑），还是"反常地放大"反应强度（反弹式爆发），亦或通过某种防御机制（合理化、外归因、躯体化、攻击性幽默等）衍生出第三个行为通道；
3. 结构级收敛：逐个特质、逐个冲突推完后，再升维把人格当作一个相互作用的系统（如"高尽责 × 冲突回避 × 名誉认同"组合形成的可预测行为模式），修正局部推断可能产生的偏差。

这套"局部交互 → 冲突仲裁 → 系统收敛"的三级推理，正是该 Pattern 能被复用于产品决策、谈判预案、角色塑造等场景的根本原因——它产出的不是直觉式一句话，而是可追溯、可质疑、可修正的推断链。

七、使用边界与注意事项

1. 推断 ≠ 事实：模型产出是基于文本画像的模式外推，不是诊断结论。凡涉及真实个体的高利害决策（招聘、风控、人际仲裁），应仅将输出作为假设生成器，而非判定依据。
2. 画像质量决定上限：输入画像越具体、越带强度与触发条件信息，冲突仲裁越有据可依；空泛画像会触发 Pattern 自带的"标注信息局限"行为。
3. 可配合变量与策略使用：Fabric 支持-v传变量对 Pattern 内{{变量}}做替换，也支持--strategy套用推理策略（如 Cot/ToT，见 data/strategies）。当问题足够复杂时，为 Predict 追加"思维链可见"的策略可进一步提升推理可审性。
4. 原始文本存在拼写瑕疵：system.md 中保留了若干原文的拼写/编号笔误（如"seperated""paradocixcally"及残缺的示例）。使用该 Pattern 不必改动仓库文件——它们不影响模型对指令意图的理解，此说明仅为如实交代源文档状态。

八、相关资源索引

• 本文主文档：predict_person_actions/system.md
• Pattern 加载与注入机制：internal/plugins/db/fsdb/patterns.go、internal/plugins/db/fsdb/db.go
• Pattern 目录默认路径与下载更新：internal/tools/patterns_loader.go
• 命令行参数定义（-p、--dry-run、--readpattern等）：internal/cli/flags.go
• 全局 Pattern 速查与自动提取文案：data/patterns/pattern_explanations.md、scripts/pattern_descriptions/pattern_extracts.json

若要复现与验证，推荐先从--readpattern predict_person_actions通读原文，再以第三节的模板构造一段输入、配合--dry-run预览组装效果，最后正式运行对比"模型是否真的覆盖了五段式输出与优势/脆弱点/结局三要素"。

【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