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-迪斯科星球

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/Fabric

extract_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 Q&A resources.，标签为EXTRACT、LEARNING、BUSINESS。
suggest_pattern 的 user 文档：Extract/categorize questions to create Q&A resources.，说明其典型产出是可复用的问答（Q&A）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.md`

3.1 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「I'm 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 Q&A 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（Q&A）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 Q&A 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。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析