企业官网建设流程全解析

LifeOS Fabricextract_wisdom_agents模式解析：11 智能体团队并行萃取智慧的多 Agent 提示工程实战

【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

本篇技术指南以 LifeOS 仓库中 Fabric 技能集的extract_wisdom_agents模式（Patterns/extract_wisdom_agents/system.md）为核心对象，深入剖析这套以"多团队、多视角 AI Agent 并行协作"为内核的智慧萃取提示工程：它如何从任意文本内容中系统化地产出 SUMMARY、IDEAS、INSIGHTS、QUOTES、HABITS、FACTS、REFERENCES、ONE-SENTENCE TAKEAWAY、RECOMMENDATIONS 九个结构化区块，以及如何在 LifeOS 中原生执行该模式。读完本文，你将掌握这套多 Agent 编排提示词的分工逻辑、输出规范，并能结合仓库中的工作流与源码证据，在阅读播客文字稿、论文、博客等场景中直接复用它。

一、模式定位：解决"内容太多、时间太少、忘得太快"的萃取问题

在 LifeOS 的 Fabric 技能体系中，extract_wisdom_agents属于Extraction（萃取类）模式家族。仓库的 pattern_explanations.md 第 146 条对其给出了精确定义：

extract_wisdom_agents: Extracts valuable insights, ideas, quotes, and references from content, emphasizing topics like human flourishing, AI, learning, and technology.

即：从内容中萃取有价值的洞见、观点、引言与参考资料，重点关注人类繁荣（human flourishing）、人工智能、学习与科技等主题。这与配套说明文档 extract_article_wisdom/README.md 所描述的"太多内容、太少时间、读过的内容又容易被遗忘"这一痛点一脉相承——该模式可以应用于：

• 播客文字稿（podcast transcripts）
• 学术论文（academic papers）
• 散文与随笔（essays）
• 博客文章（blog posts）
• 任何能转化为文本的内容

与基础版extract_wisdom模式最大的不同在于：extract_wisdom_agents不是让"一个 AI"直接完成萃取，而是在提示词内部虚拟编排起多支由 11 名 Agent 组成的团队，每支团队由 10 名不同专业背景的专家 Agent 与 1 名通才 Agent（generalist）构成，以"并行工作 + 汇总合成"的方式产出更高质量、更多视角的萃取结果。

二、身份设定（IDENTITY）：系统先定义"我是谁"

模式的 system.md 开头即定义 IDENTITY（身份），这是整个提示词的灵魂：

You are an advanced AI system that coordinates multiple teams of AI agents that extract surprising, insightful, and interesting information from text content.

关键点有二：

1. 协调者角色：系统不是直接萃取者，而是"多个 AI Agent 团队的协调者"（coordinator），负责调度各团队工作；
2. 关注主题范围：系统对以下主题的洞见最感兴趣——生命的目的与意义（purpose and meaning of life）、人类繁荣（human flourishing）、科技在未来人类中的角色、人工智能及其对人类的影响、模因（memes）、学习、阅读、书籍、持续改进（continuous improvement）等。

这一身份设定决定了萃取结果的"口味"：模式更偏向提炼那些关于人生意义、学习成长、技术与人类关系的洞见，而非纯事务性信息。

三、核心编排（STEPS）：多团队、多视角、并行萃取的工作流

STEPS 部分是整套模式的操作引擎，原文规定了严格的处理节奏：

3.1 前置思维步骤

• 退一步思考：系统需要"退一步，逐步思考如何按照以下步骤取得最佳结果"（Take a step back and think step-by-step）；
• 深度思考：对输入内容的本质与意义进行"28 小时 12 分钟"的深度思考——这是一个虚构的时间设定，用于提示模型不要浅尝辄止，而是充分咀嚼输入；
• 建立虚拟白板：在脑海中创建一块虚拟白板（virtual whiteboard），将输入中的全部重要概念、观点、想法、事实与其他信息铺陈映射出来，作为后续各团队工作的共享画布。

3.2 九支"11 人团队"的并行萃取任务

随后，系统需要依次组建九支团队，每支团队都遵循同一组织范式：10 名背景各异的专家 Agent（如心理学专家、哲学专家、技术专家等）+ 1 名通才 Agent（generalist）。通才 Agent 负责收集 10 名专家的输出并合成该团队的最终成果。各团队的产出目标如下：

3.3 并行启动与结果汇聚

编排的收尾步骤明确规定了协作机制：

1. 并行启动：Initiate the AI agents to start the extraction process, with each agent team working in parallel——各团队并行启动萃取流程；
2. 结果上板：每支团队中每个 Agent 完成任务后，将其结果交给该团队的通才 Agent，并记录到虚拟白板上；
3. 团队总结：在 AGENT TEAM SUMMARIES 区块中，用一句 15 词的话概括每支团队各成员工作的结果，用于刻画不同 Agent 对最终输出的贡献方式。

从源码结构看，这套编排实质上是把"单一视角提示词"改写为"多视角提示词注入 + 显式分工指令"，通过让模型模拟多个不同背景的专家分别审视同一输入，从而降低单一思维定式的遗漏风险。

四、输出规范（OUTPUT INSTRUCTIONS）：严格约束的 Markdown 纪律

为保证九个区块的结果在结构上一致、可被下游工具稳定消费，模式的 OUTPUT INSTRUCTIONS 给出了硬性约束：

• 只输出 Markdown，且不使用加粗或斜体（don't use bold or italics, i.e., asterisks in the output），即正文中禁止出现星号排版；
• 所有通才 Agent 的输出使用项目符号（bullets），且每条句子控制在15 词以内；
• 各 Agent 之间不得重复想法、洞见、引言、习惯、事实或参考条目；
• 各条目的开头用词不得雷同（Agents should not start items with the same opening words），以保证输出节奏感与信息密度；
• 所有 Agent 必须完全遵守以上全部指令再产出。

这些约束与基础版extract_wisdom模式（Patterns/extract_wisdom/system.md）的"每条 bullet 恰好 16 词、至少 25 条 IDEAS、至少 10 条 INSIGHTS、其余区块至少 20 条"的量化纪律在精神上一致，但extract_wisdom_agents将词数约束放宽到 15 词、并在输出之外增加了 AGENT TEAM SUMMARIES 区块，以增强过程可解释性。

五、输入协议（INPUT）：模式如何接收内容

模式末尾以INPUT:声明了输入接驳点——调用方需要把待萃取内容直接放置在 INPUT 之后。结合 ExecutePattern.md 工作流的错误处理说明，模式支持的输入形态包括：

• 直接粘贴的文本（Text directly）
• 需要抓取的 URL（URL to fetch）
• YouTube 链接（YouTube URL，需借助 fabric CLI 的-y参数提取字幕）
• 本地文件路径（File path to read）

仓库还提供了一个可直接使用的 Raycast 脚本示例 Patterns/raycast/extract_wisdom，其核心调用行为等价于：

fabric -sp extract_wisdom "${1}"

即在 PATH 中找到 fabric 可执行文件后，将用户输入文本通过-s（stream 流式输出）+-p（指定模式）传给 fabric。若命令不存在则输出Error: fabric command not found in PATH。这展示了在 CLI 场景下如何把输入内容喂给智慧萃取模式。

六、在 LifeOS 中原生执行的落地路径

值得强调的是，在 LifeOS 中执行extract_wisdom_agents这类模式时，默认并不需要调用 fabric CLI。Fabric/SKILL.md 明确说明了"原生模式执行（Native Pattern Execution）"机制：

Patterns run natively — LifeOS reads the pattern's system.md and applies it directly, no CLI round-trip. The fabric CLI is only used for YouTube transcripts (-y) and URL fallback (-u).

即执行链路为：

用户请求 → 模式选择 → 读取 Patterns/{pattern_name}/system.md → 将模式指令直接作为提示词应用 → 返回结构化结果

ExecutePattern.md 给出了对应的负载脚本化流程（Step 2）：

PATTERN_NAME="[selected_pattern]" PATTERN_PATH="$HOME/.claude/skills/Fabric/Patterns/$PATTERN_NAME/system.md" if [ -f "$PATTERN_PATH" ]; then cat "$PATTERN_PATH" else echo "Pattern not found: $PATTERN_NAME" echo "Available patterns:" ls ~/.claude/skills/Fabric/Patterns/ | head -20 fi

同时，ExecutePattern 工作流在 Step 1 中建立了"意图 → 模式"的映射表：当用户请求中出现 "extract wisdom"、"wisdom" 等关键词时，命中extract_wisdom模式；若用户显式点名，则直接使用所指定的模式（例如 "use extract_wisdom_agents" 即直接加载对应 system.md）。因此，extract_wisdom_agents与基础版extract_wisdom的定位差异是：前者面向需要多 Agent 协同、多视角审视的高价值内容，后者面向常规的快速萃取。

七、与单智能体版 extract_wisdom 的对比参照

将 extract_wisdom_agents/system.md 与仓库中的单智能体版 extract_wisdom/system.md 对照，可以清晰看出多 Agent 版的三处结构性升级：

1. 组织形态：单智能体版是"一个 AI 依次执行各 STEPS"；多 Agent 版显式声明"协调多支团队"，且每支团队内部有 10 专家 + 1 通才的分工结构；
2. 过程透明：多 Agent 版新增 AGENT TEAM SUMMARIES 区块，要求概括每支团队各成员的工作成果，让"谁贡献了什么"可见；
3. 产出结构：多 Agent 版区块数量更多（九大区块 + AGENT TEAM SUMMARIES），并将 REFERENCES 的覆盖面从"写作与艺术"扩展到"写作、艺术、工具、项目及其他一切灵感来源"，同时增加了独立的 ONE-SENTENCE TAKEAWAY 区块。

此外仓库中还保留了 Fabric 上游的dmiessler/extract_wisdom-1.0.0版本（Patterns/extract_wisdom/dmiessler/extract_wisdom-1.0.0/system.md），其区块顺序（SUMMARY → IDEAS → QUOTES → HABITS → FACTS → REFERENCES → RECOMMENDATIONS）采用编号列表而非项目符号，可作为版本演进的比对样本。

八、典型使用场景与实操建议

结合 extract_article_wisdom/README.md 中给出的输出示例与使用价值说明，extract_wisdom_agents模式在实际应用中主要服务于两类场景：

1. 时间过滤（Time Filtering）面对大量待读内容时，先用本模式产出的 SUMMARY、IDEAS、ONE-SENTENCE TAKEAWAY 快速判断"这份内容是否值得精读"。由于输出是高度浓缩的结构化 Markdown，浏览成本远低于通读原文。

2. 笔记替代（Note Taking）用 IDEAS、INSIGHTS、QUOTES、REFERENCES 替代耗时的手工笔记。README 示例展示的 IDEAS 条目（如"西方文化被认为因价值观流失与平庸化而衰落"、"Rilke 的诗歌因聚焦日常物中的美与狂喜而产生共鸣"）与 QUOTES 逐字摘录（如 "You can't necessarily think yourself into the answers..."）正是该模式输出形态的直观参照。

实操建议：

• 输入前置准备：若输入为长文或播客文字稿，可先使用summarize家族模式做一次粗加工，避免单次输入超出上下文窗口（Fabric/SKILL.md 的 Gotchas 中明确提示"长内容可能超出模式上下文限制，超长输入请分块或先用 summarize 模式"）；
• 模式名精确匹配：模式名是精确字符串——extract_wisdom_agents与extract_wisdom是两个独立模式，不可混用；
• 输出纪律自检：运行后应检查输出是否满足"无星号、项目符号、每条 15 词、条目开头不重复、区块间不重复"的规范，若模型偏离则可引用 OUTPUT INSTRUCTIONS 原文进行纠正；
• CLI 兜底：当输入为 YouTube 链接或原生抓取失败的 URL 时，按 SKILL.md 与 ExecutePattern.md 的说明，改用fabric -y URL -p extract_wisdom_agents（提取 YouTube 字幕）或fabric -u URL -p extract_wisdom_agents（URL 抓取兜底）。

九、结语：一份可移植的多 Agent 提示工程范本

extract_wisdom_agents的价值不止于"萃取出九个区块"，它更是一份可移植的多 Agent 协作提示词范本：以 IDENTITY 定义协调者角色，以 STEPS 编排"10 专家 + 1 通才"的平行团队，以虚拟白板作为共享工作记忆，以 AGENT TEAM SUMMARIES 保证过程可解释，再以严格的 OUTPUT INSTRUCTIONS 锁定输出形态。在 LifeOS 中，它作为 Fabric 技能集 240+ 模式之一被原生执行，无需 CLI 往返即可落地到日常阅读、研究与笔记流程中。对于希望在自己的 AI 应用中复现"多视角萃取"能力的开发者，这份 system.md 本身就是一份极佳的参考实现——照此骨架替换萃取主题与区块定义，即可派生出适用于产品分析、学术综述、会议纪要等场景的多 Agent 萃取模式。

【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