企业官网建设流程全解析

Fabric 模式实战：用 t_extract_panel_topics 从 TELOS 深度背景生成高质量圆桌议题

【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

Fabric 将解决具体问题的思路封装为可复用的 AI 提示词模式（Pattern），t_extract_panel_topics正是其中面向"人物深度背景 → 圆桌讨论议题"的专用模式：它读取一份描述某人或实体的 TELOS 背景文件，结合附加指令，产出 5 条带标题的圆桌议题建议。读完本文，你将掌握该模式的身份设定、五步工作流程与输出规范，并能在 Fabric CLI 中通过管道输入直接运行它，用源码视角理解模式在仓库中的加载与执行机制。

模式定位：从深度背景中"提炼智慧"

t_extract_panel_topics存放在 data/patterns/t_extract_panel_topics/system.md，是 Fabric 模式体系中t_前缀家族的一员。该家族还包括t_create_opening_sentences、t_describe_life_outlook、t_extract_intro_sentences、t_year_in_review、t_find_blindspots等十余个模式，它们共享同一个工作范式：输入一份描述个人或实体的 TELOS 背景文件，结合用户指令，输出"基于深度背景的智慧型结果"。

仓库中的模式说明文档对它的定位给出了两处交叉印证：

• data/patterns/pattern_explanations.md："Creates 5 panel ideas with titles and descriptions based on deep context from a TELOS file and input."（基于 TELOS 文件与输入创建 5 条带标题和描述的圆桌议题想法）；
• scripts/pattern_descriptions/pattern_descriptions.json：描述为"Extract panel topics to create engaging discussions."（提取圆桌议题以创建有吸引力的讨论），并被打上EXTRACT、ANALYSIS、WRITING三个功能标签，说明它兼具"提取—分析—写作"三重属性。

从该模式的命名与同类模式的结构可以推断：所谓TELOS 文件，指的是模式运行时要输入的那份集中描述某个人或实体背景、目标与现状的上下文文件，它是本模式一切输出的素材源头。

身份设定（IDENTITY）：模式如何定义自己

system.md的第一段即身份声明，它规定了模型在本次会话中扮演的角色：

You are an expert at understanding deep context about a person or entity, and then creating wisdom from that context combined with the instruction or question given in the input.

这段身份设定包含三个关键能力约束：

1. 深度上下文理解（understanding deep context）：模型必须先吃透"人/实体"的背景，而非泛泛而谈；
2. 智慧合成（creating wisdom）：产出不是对背景的复述，而是将背景与用户指令融合后生成的"新智慧"；
3. 输入驱动（combined with the instruction or question given in the input）：最终输出必须同时回应用户随模式传入的具体指令或问题。

这与t_家族其他模式的身份声明完全一致（例如 t_find_blindspots/system.md、t_find_negative_thinking/system.md 中均有相同的开头），可以推断"深度背景 + 智慧生成"是该系列模式的公共设计底座。

五步工作流程（STEPS）：从读到写

system.md用 5 个步骤规定了模式的执行路径，每一步都有明确的输入、动作与目标：

这里最值得注意的硬性规格有两个：

• 数量与长度：必须输出5 条要点，每条正文48 个英文单词（"Write 5 48-word bullet points"）；
• 标题规格：每条要点必须内嵌一个3~5 词的议题标题（"each including a 3-5 word panel title"）。

第 5 步是这条模式的"价值观"所在：它明确要求议题具备公共讨论价值，而非只服务输入者本人——这直接决定了议题质量的上限。

输出规范（OUTPUT INSTRUCTIONS）：极简即纪律

模式的输出约束只有两条，却非常严格：

1. 仅使用基础 Markdown 格式：禁止特殊格式、斜体、加粗等任何装饰性排版（"No special formatting or italics or bolding or anything"）；
2. 只输出列表本身：不得输出任何解释、前言或附加内容（"Only output the list, nothing else"）。

这两条约束与t_家族的输出规范一脉相承，例如 t_extract_intro_sentences/system.md 同样要求"仅输出列表"。可以理解为：这类模式的产物是供人直接消费的纯内容，因此刻意压制了模型"爱加解释"的倾向，保证输出可被下游直接粘贴、引用或二次处理。

源码视角：模式在 Fabric 中如何加载与运行

在 Fabric 仓库中，data/patterns目录是模式的默认存放位置，而模式的加载、下载与同步由 internal/tools/patterns_loader.go 负责。其关键机制包括：

• 默认仓库与目录：patterns_loader.go 定义了DefaultPatternsGitRepoUrl与DefaultPatternsGitRepoFolder = "data/patterns"，说明本仓库的data/patterns正是模式的规范来源目录；
• 模式即目录：createUniquePatternsFile()（patterns_loader.go）会扫描 patterns 目录下所有子目录名生成unique_patterns.txt清单，每个模式对应一个目录，t_extract_panel_topics即为其中之一；
• 自定义模式保留：PersistPatterns()（patterns_loader.go）在同步新版本模式时会保留用户自建但仓库中不存在的自定义模式，因此你可以基于system.md的骨架复制出属于自己的面板议题模式。

从 CLI 角度看，模式通过--pattern参数被调用。README 中记录了多种调用形态，均可直接套用到本模式：

# 经典管道用法：把文本内容通过 stdin 传给模式 pbpaste | fabric --pattern t_extract_panel_topics # 流式输出，适合观察模型逐步生成 pbpaste | fabric --stream --pattern t_extract_panel_topics # 带额外参数（作为输入指令/问题传给模式） fabric --pattern t_extract_panel_topics "请结合我近期演讲的议题给出建议"

• -p, --pattern参数在 README.md 中有完整命令行说明；
• README 的示例管道（如 README.md）展示了pbpaste | fabric --pattern ...的标准用法；
• 若希望把 TELOS 背景文件内容作为输入，可用cat telos.md | fabric --pattern t_extract_panel_topics的形式把文件内容送入 stdin。

模式之间可以叠加使用，构成"背景→议题"的流水线。例如先用 t_extract_intro_sentences 或 t_describe_life_outlook 产出人物的精炼画像，再把结果交给t_extract_panel_topics生成议题——这与 Fabric 的管道哲学（$pipelineContent | fabric --pattern $patternName，见 README.md）完全一致。

进阶配置：专属模型映射与命令别名

针对本模式（以及任何其他模式），Fabric 支持两种实用的定制方式：

1. 按模式指定模型

README 的"Per-Pattern Model Mapping"一节（README.md）说明，可通过环境变量为单个模式指定模型：

export FABRIC_MODEL_t_extract_panel_topics="openai|gpt-4o"

命名规则为FABRIC_MODEL_PATTERN_NAME=vendor|model，将PATTERN_NAME替换为t_extract_panel_topics即可。适合让轻量任务（如议题草拟）走更经济的模型，重量任务走更强模型。

2. 为模式创建命令别名

README 提供了批量生成别名的脚本思路（README.md）：遍历~/.config/fabric/patterns/下所有模式，为每个模式生成alias pattern_name='fabric --pattern pattern_name'。配置后即可直接使用：

t_extract_panel_topics < telos.md

实战建议：让议题真正"出彩"

结合模式的五步流程，实践中值得注意以下几点：

1. TELOS 文件的质量决定议题上限：步骤 1 要求"彻底理解"，因此输入的背景文件应尽量包含该人物的履历、专长、近期项目、公开表达等细节，信息越密，模型可挖掘的议题交叉点越多；
2. 善用步骤 2 的指令输入：模式会把用户附加的指令与背景融合，例如指定"面向开发者大会"或"面向行业媒体"能显著改变议题的受众倾向；
3. 尊重第 5 步的公共性要求：若输出的议题过于个人化、对他人无讨论价值，说明模型未严格遵循步骤 5，可通过调整输入指令强化"通用讨论价值"的约束；
4. 遵守输出纪律：模式要求纯列表、无装饰排版，因此下游可以放心把输出直接作为会议议程初稿、投稿提案或主持人选题参考，无需二次清洗。

总而言之，t_extract_panel_topics是一个"背景输入、议题输出"的轻量高复用模式：它用 48 词 × 5 条的硬性规格保证产出密度，用 3~5 词标题保证议题可传播，用"面向他人"的第 5 步保证讨论价值。理解了它的身份设定、五步流程与输出约束，再配合 Fabric 的管道调用与模型映射能力，你就能把它无缝嵌入自己的会议策划、内容生产与个人品牌运营工作流中。

【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