Fabric 模式精解：用 get_wow_per_minute 度量内容的每分钟惊喜密度（WPM）

2026-09-08 11:27:05作者：乔或婵

Fabric 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

导读

get_wow_per_minute 是 Fabric 仓库中一个定位独特的内容质量评估模式（pattern）：它不评判内容的语法、结构或合规性，而是专门量化一份内容（演讲、视频、文章、播客）在时间维度上"让人惊叹（wow）"的密度。通过阅读本文，你将理解该模式的完整提示词设计——包括 WPM 指标的乘积定义、五个因子（Surprise/Novelty/Insight/Value/Wisdom）的层级关系、0–10 评分刻度，以及它要求的严格 JSON 输出 schema，并掌握在 Fabric CLI 中调用它来分析任意文本的实操方法。

该模式对应的完整系统提示词位于 data/patterns/get_wow_per_minute/system.md。整个模式目录仅有这一个 system.md 文件，不含 user.md，说明它属于"零输入模板、纯系统指令驱动"的评估类模式——所有分析规则都由 system 提示词一次性定义清楚。

一、这个模式要解决什么问题

从模式命名与描述看，它要衡量的是内容创作者最关心的一个隐形指标：观众在单位时间内获得"惊叹体验"的频率。这类体验并非单指情节反转式的惊讶，而是覆盖认知层面的多种收益。

仓库内对该模式的一行简介（data/patterns/pattern_explanations.md）将其功能概括为：

"Determines the wow-factor of content per minute based on surprise, novelty, insight, value, and wisdom, measuring how rewarding the content is for the viewer."

即：基于惊喜、新颖、洞见、价值与智慧五个维度，判断内容的每分钟惊叹因子，进而度量该内容对观众而言有多"值得"。

在 scripts/pattern_descriptions/pattern_descriptions.json 的索引条目中，它被描述为 "Calculate frequency of impressive moments to measure engagement"（计算惊艳时刻的频率以衡量参与度），归入 ANALYSIS（分析） 与 REVIEW（评审） 两个标签类别。可见它属于"拿来审阅别人内容/自己草稿"的质检工具，而不是生成工具。

二、提示词结构逐段拆解

1. IDENTITY：明确评估者角色

system.md 首先声明：

You are an expert at determining the wow-factor of content as measured per minute of content.

它先让模型"入戏"为一名内容惊叹度专家，评估基准是"每分钟内容"而非整段内容。这个身份设定直接服务于后面 STEPS 中跨时间分析的要求。

2. GOALS：双重目标

目标部分写得很克制，只有两句话，但每句都定义了度量的口径：

密度口径：衡量内容中 wow-factor 的"packed"（密集）程度，并明确 wow 可以来自多种类型——如 surprise（惊喜）、novelty（新颖）、insight（洞见）、value（价值）、wisdom（智慧），也可以来自多个领域——business（商业）、science（科学）、art（艺术）、philosophy（哲学）。
观众收益口径：衡量观众在观看时多久被 surprise、学到新东西、获得洞见、发现实用价值、得到智慧。

这两条口径决定了后续因子分解的方向：wow 不是单一的"刺激"，而是多维认知收益的集合。

3. STEPS：从深度消费到时间标尺

分析流程是一组逐步递进的认知操作，原样罗列如下：

多次深度消费：以不同解读视角完整、深度地消费内容至少 319 次——这个夸张的数字是提示词里的注意力强制手段，目的在于禁止"扫一眼就下结论"的浅层阅读。
构建巨型虚拟白板：在脑中搭一块"巨型虚拟白板"，作为暂存与排布信息的心理空间。
从内容中提取呈现的观点（ideas），放到白板上。
提取这些观点的新颖性（novelty），放上白板。
提取这些观点的洞见（insights），放上白板。
提取这些观点的价值（value），放上白板。
提取这些观点的智慧（wisdom），放上白板。
时间间隔测量：以平均语速为时钟，观察观点、新颖性、洞见、价值、智慧在时间轴上彼此相距多远——这一步是把"静态文本"还原为"时间序列体验"的关键。

这套 STEPS 的本质是：先穷尽提取内容在认知维度上的"闪光点"，再把它们投影回时间轴，从而计算单位时间的分布密度。

4. 核心公式：WOW 与 WPM 的定义

system.md 给出了一组环环相扣的定义，是整个模式的数学骨架：

Wow = Surprise × Novelty × Insight × Value × Wisdom

也就是说 wow-factor 是五个因子的乘积，任意一项趋近于零都会把整体拉向零；随后逐一定义了因子的内部关系：

Surprise = Novelty × Insight：惊喜由"新"与"透彻"共同产生——只有又新又讲得透的内容才会让人意外。
Novelty（新颖）：观点或解释的新鲜程度。
Insight（洞见）：观点的清晰度与穿透力。
Value（价值）：实际可用的程度。
Wisdom（智慧）：关于世界的深层认识，能随时间沉淀、长期受用。

于是得到主指标：

WPM（Wow Per Minute）= 每分钟内观众获得 surprise / novelty / insight / value / wisdom 的次数

它把抽象"精彩"转化为一个可比较的频次型指标，适合用来对比两个演讲谁更"信息密度高"、谁更"注水"。

5. 评分刻度：0–10 的语义锚点

模式没有使用含糊的形容词评分，而是给出两个行为锚点：

10 分：一分钟内观众有 10 次在心里想："哇，这内容真棒！"
0 分：完全没有 wow-factor。

中间分数按此频次语义线性理解。这使 0–10 的数字具备"每分钟惊叹次数"的可解释性，而不是模型随意拍脑袋的相对分。

三、输出契约：必须遵守的 JSON Schema

OUTPUT 段是全篇最"硬"的部分，它强制只输出 JSON，并且必须严格遵循固定字段格式（system.md 原文强调 "Only output in JSON with the following format" 与 "ONLY output JSON, and in that exact format"）。

完整字段如下表：

字段	含义	约束
`Summary`	用一句话（约 25 词）概括内容主题并附带各维度评价	25-word 单句
`Surprise_per_minute`	每分钟惊喜量	0–10 数值
`Surprise_per_minute_explanation`	对每分钟惊喜量的一句话说�明	25-word 单句
`Novelty_per_minute`	每分钟新颖量	0–10 数值
`Novelty_per_minute_explanation`	对每分钟新颖量的一句话说明	25-word 单句
`Insight_per_minute`	每分钟洞见量	0–10 数值
`Insight_per_minute_explanation`	对每分钟洞见量的一句话说明	25-word 单句
`Value_per_minute`	每分钟价值量	0–10 数值
`Value_per_minute_explanation`	对每分钟价值量的一句话说明	25-word 单句
`Wisdom_per_minute`	每分钟智慧量	0–10 数值
`Wisdom_per_minute_explanation`	对每分钟智慧量的一句话说明	25-word 单句
`WPM_score`	综合 WPM 得分	0–10 数值
`WPM_score_explanation`	对综合得分的一句话说明	25-word 单句

从 schema 设计可以看出两个工程意图：

结构化结果便于机器消费：六个子维度各有独立分数与理由，调用方（脚本、工作流、后续提示词）可以直接解析 JSON 做排序、汇总或对比，而不用从散文里人工摘取。
强制自证（explanation 字段）：每个分数都要求一句 25 词左右的说明，约束模型给出可追溯的理由，降低乱打分的概率。
"25-word sentence"约束反复出现，是为了压缩冗余、迫使解释精炼。

（注：原文件中 Value_per_minute 与 WPM_score 行尾出现的孤立的数字 25、字段后缺失逗号等属于原模板的笔误；在使用时若严格解析 JSON 需要注意校对。这属于该文件的客观状况，如实说明以便引用者知晓。）

此外输出部分还有两条纪律性要求："Do not complain about anything, just do what is asked." 与 "ONLY output JSON"。前者用于切断模型在遇到低质量输入时的抱怨倾向，后者保证输出可直接被程序解析。这种"纯度约束"是许多 Fabric 结构化输出模式的共性特征。

四、在 Fabric 中如何使用

1. 模式如何被加载与调用

Fabric 的模式（patterns）以目录形式组织在 data/patterns 下，每个模式目录通常含 system.md（系统提示词）与可选的 user.md（用户提示词）。get_wow_per_minute 只有 system 部分，意味着它的输入完全来自待分析内容本身（通过管道输入），无需附加指令。

从源码看，模式的加载与更新由 internal/tools/patterns_loader.go 负责：PopulateDB() 会从配置的 Git 仓库（默认 https://github.com/danielmiessler/fabric.git，子目录 data/patterns）拉取模式到本地，并在复制成功后写入 unique_patterns.txt 索引（对应 patterns_loader.go 的 createUniquePatternsFile）；模式被识别为"目录 + 命名"结构（见 patterns_loader.go 对模式目录的计数逻辑）。所以仓库中该文件正是运行时会被加载的真实提示词本体。

2. CLI 实操示例

调用任何模式的标准 CLI 参数是 --pattern（README 中列出 -p, --pattern= Choose a pattern from the available patterns，见 README.md）。若已配置好默认模型与 Patterns，可将任意文本通过标准输入喂给该模式：

# 用管道把一篇演讲稿/文章正文传给 get_wow_per_minute 分析
cat my_speech.txt | fabric --pattern get_wow_per_minute

# 或直接粘贴文字
printf '%s' "你的待评估内容……" | fabric -p get_wow_per_minute

更贴近日常的场景是搭配 --stream 流式输出查看结果，或把管道内容与 YouTube 等内置能力结合：

# 实时流式查看评分过程（先提取字幕再评估 WPM）
fabric -y "https://www.youtube.com/watch?v=示例视频ID" --stream --pattern get_wow_per_minute

其中 fabric -y URL 会先拉取并转录视频字幕，再将字幕文本交给该模式做"每分钟惊叹度"打分——这正是"以平均语速为时间时钟"这一设计能够落地的典型场景：有了文本与时间信息，模式才可能按分钟估算各因子的分布密度。若只是分析一篇无时间标注的文章，则模式会按默认口语语速作为隐式时钟进行估算。

如果你经常使用，也可以为它建立命令别名（README 提供了批量别名生成思路，见 README.md）：

alias wow="fabric --pattern get_wow_per_minute --stream"
cat my_speech.txt | wow

3. 何时该用它、何时不该用

适用：评估课程/演讲逐字稿的"干货密度"；对比两份内容谁更值得观看；审阅自己的讲稿、视频脚本，定位注水段落；对播客逐集打分做选题参考。
不适用：它输出的是"评估结论"而非改写稿，不能替代 summarize 类摘要模式；对纯技术手册、法规条文等不以"令人惊叹"为目标的文体，WPM 参考价值有限。

需要客观说明的是：WPM 评分本质是 LLM 依据提示词标准做出的主观量化，0–10 的刻度语义依赖模型对"每分钟十次 wow"的理解，因此在跨内容对比时宜用相对差异而非绝对数值下结论。

五、设计要点与可借鉴之处

从工程角度复盘这份提示词，可以提炼出几点方法论，也适用于你自己编写评估类 pattern：

把模糊概念变为可操作公式：先给 wow 下乘法定义（五因子乘积），再把每个因子转成语义明确的短定义（newness / clarity / usefulness / long-term deep knowledge），让模型有据可依。
量化锚点避免漂移：用"每分钟 10 次惊叹 = 10 分、0 次 = 0 分"锁定刻度两端，比"很好/较差"这类词稳定得多。
评估必须回到时间维度：要求以平均语速重建内容的时间轴，把静态文本分析转成"体验采样"，这正是该模式区别于一般"内容质量打分"的独特之处。
强制结构化输出 + 逐项解释：JSON schema 固定字段，每项分数强制附一句话理由，既便于机器消费，又抑制了凭感觉打分。
输入纪律："不要抱怨、只输出 JSON"这类行为约束，放在 GOALS 与 OUTPUT 边界处，能显著减少无关输出对解析的干扰。