首页
/ Fabric 模式深度解析:用 create_upgrade_pack 从内容中提取世界观与任务算法更新

Fabric 模式深度解析:用 create_upgrade_pack 从内容中提取世界观与任务算法更新

2026-09-08 21:23:07作者:廉彬冶Miranda

导读

create_upgrade_pack 是 Fabric 开源框架中负责"认知升级"的核心模式(Pattern):它不再满足于对输入内容做简单的摘要或金句摘录,而是要求 LLM 以"专家"身份,把一段文字(文章、播客、演讲、书籍章节等)中蕴含的**世界观信念(World Model Beliefs)任务算法信念(Task Algorithm Beliefs)**系统性地抽取出来,分别输出为 15 词一条的要点清单,从而让读者把"一次性的阅读输入"沉淀为"可复用的决策与行动升级包"。本文将以 data/patterns/create_upgrade_pack/system.md 为骨架,结合 Fabric 仓库中的模式加载机制、CLI 参数与使用方式,完整讲解该模式的设计意图、提示词结构、输出规范、实战调用方式,以及它与其他"知识提取类"模式的分工与组合用法。

一、模式定位:它不是摘要,而是"决策与行动的升级"

1.1 该模式要解决什么问题

大多数人在阅读、听播客、看视频后,只能复述"内容讲了什么",却难以回答两个更关键的问题:

  • 这段内容告诉我"世界是如何运作的"?(世界观)
  • 这段内容告诉我"某件事应该怎么做"?(任务算法)

create_upgrade_pack 正是为此而生。它在 IDENTITY and PURPOSE 中把模型设定为 "extracting world model and task algorithm updates from input"(从输入中提取世界观与任务算法更新)的专家,并明确要求模型先"退后一步、逐步思考"(Take a step back and think step-by-step about how to achieve the best possible results),再按固定步骤执行抽取。

1.2 与"摘要/金句"类模式的分工

从仓库的 data/patterns/pattern_explanations.md 中可以清晰看到知识提取类模式的差异:

模式 输出重点 与 create_upgrade_pack 的区别
summarize 20 词一句话 + 要点 + 收获 偏"压缩还原",保留原信息
extract_alpha 24 条 8 词高价值观点 偏"新颖与惊喜",不分类
extract_wisdom 洞见、想法、金句、引用、建议 偏"智慧素材收集"
create_upgrade_pack 世界观信念 + 任务算法信念 偏"认知/行为升级",双轨分类输出

换句话说,create_upgrade_pack 站在更高抽象层级:它关心的不是"作者说了什么",而是"作者对世界如何运作的判断"和"作者认为某事该如何执行的方法论"——这两者恰好是可以迁移到读者自己决策与行动中的"升级包"。

二、提示词骨架逐段拆解

该模式的 system.md 结构紧凑,共五个部分:身份、步骤、输出说明、示例、输出规则。逐段理解其设计意图,是正确使用它的前提。

2.1 IDENTITY and PURPOSE:设定专家身份

You are an expert at extracting world model and task algorithm updates from input.

一句话把模型锚定为"世界观/任务算法提取专家",并要求模型在开始前退后一步、逐步思考,以保证输出质量。这是 Fabric 模式(Pattern)提示词的常见开场方式,可参考仓库模板 data/patterns/official_pattern_template/system.mdIDENTITY 段的写法对比理解。

2.2 STEPS:双层"虚拟白板"分析法

该模式没有依赖复杂的外部工具,而是要求模型在"心智虚拟白板"上完成两步思考:

  1. 列出内容中的全部世界观信念——即"关于世界如何运作的信念"(beliefs about the world that describe how it works),写入虚拟白板;
  2. 列出内容中的全部任务算法信念——即"某个任务应该如何执行、或应该遵循哪些行为"的信念(beliefs about how a particular task should be performed, or behaviors that should be followed),写入虚拟白板。

这一"先全量罗列、后筛选输出"的两阶段流程,是保证最终 15 词要点精炼但完整的关键。仓库中 extract_alpha 等同类模式也采用"先深度消化、再挑选精华"的结构(见 data/patterns/extract_alpha/system.md),可以推断这是 Fabric 知识提取类模式的一致设计风格。

2.3 OUTPUT INSTRUCTIONS:两个必出章节

输出被严格规定为两个章节,且全部使用无序列表:

  • WORLD MODEL UPDATES:一组描述内容中世界观信念的要点,每条 15 词。注意要求"不是单纯的事实或观点,而是关于世界如何运作的更高层描述,可用于帮助决策"(higher-level descriptions of how the world works that we can use to help make decisions)。
  • TASK ALGORITHM UPDATES:一组描述任务算法信念的要点,每条 15 词;并且必须按真实世界/人类任务场景拆分子章节,子章节标题为 1~2 个词的实用分类名(如 ReadingWritingMorning RoutineBeing CreativeHygieneWeb Application Assessment)。

2.4 EXAMPLES:格式参照

文档给出的示例极具代表性:

WORLD MODEL UPDATES

  • One's success in life largely comes down to which frames of reality they choose to embrace.
  • Framing—or how we see the world—completely transforms the reality that we live in.

TASK ALGORITHM UPDATES

Hygiene

  • If you have to only brush and floss your teeth once a day, do it at night rather than in the morning.

Web Application Assessment

  • Start all security assessments with a full crawl of the target website with a full browser passed through Burpsuite.

从示例可见两个规律:世界观条目是"可迁移的决策原则"(如"人生成功取决于选择何种现实框架"),任务算法条目则按生活(Hygiene)与专业(Web Application Assessment)两类场景分别归类——这为实际使用时的子章节命名提供了直接范式。

2.5 输出硬性规则(OUTPUT INSTRUCTIONS 末尾)

  • 只输出 Markdown;
  • 每条要点必须恰好 16 词(示例中为 15 词,正文规则区明确 Each bullet should be 16 words in length,两者并存时以正文规则为准,写作时应严格计数);
  • 不给出警告或说明,只输出要求的两个章节;
  • 使用无序列表,禁止编号列表;
  • 不同条目不得以相同开头词起句;
  • 必须完整遵循以上全部指令。

三、在 Fabric 中如何实际使用该模式

3.1 前置条件:确保模式已加载

create_upgrade_pack 位于仓库的 data/patterns/create_upgrade_pack/ 目录下。Fabric 的模式(Patterns)默认从该目录批量加载。底层加载逻辑见 internal/tools/patterns_loader.go:安装阶段会通过 PopulateDB()DefaultPatternsGitRepoUrldata/patterns 文件夹)拉取并拷贝全部模式到本地配置目录,同时生成 loaded 标记文件与 unique_patterns 清单,并在 IsConfigured() 中检查标记文件是否存在。因此首次使用前需运行:

fabric --setup

该命令完成 API 提供商配置与模式库下载(对应 -S, --setup 选项,见 README.md)。若之后希望同步新增的模式,可运行:

fabric --updatepatterns

对应 -U, --updatepatterns 选项(见 README.md)。加载完成后可用 fabric --listpatterns 确认 create_upgrade_pack 已就绪。

3.2 通过 -p 参数调用

Fabric 的核心调用方式是通过 -p/--pattern 指定模式(该参数定义于 internal/cli/flags.go)。以 Linux/macOS 为例,从剪贴板输入内容并流式输出:

pbpaste | fabric --pattern create_upgrade_pack --stream

如需将输入与输出分离、便于保存"升级包"文件:

pbpaste | fabric --pattern create_upgrade_pack > upgrade_pack.md

阅读本地文章文件同样直接:

cat article.md | fabric --pattern create_upgrade_pack

Windows PowerShell 用户可参考 README.md 中的管道用法,将文本通过管道喂给 fabric --pattern create_upgrade_pack。命令入口为 cmd/fabric/main.go,其 main() 调用 cli.Cli(version) 完成参数解析与执行。

3.3 与 Docker 的搭配

若使用容器方式部署,可按 README.md 的方式挂载配置目录后调用:

docker run --rm -it -v $HOME/.fabric-config:/home/appuser/.config/fabric kayvan/fabric:latest -p create_upgrade_pack

3.4 实用技巧:为常用模式建立别名

create_upgrade_pack 适合高频使用,可参考 README.md 的别名机制,将其注册为 shell 命令:

for pattern_file in $HOME/.config/fabric/patterns/*; do
  pattern_name=$(basename "$pattern_file")
  alias "$pattern_name"="fabric --pattern $pattern_name"
done

此后可直接运行 create_upgrade_pack < input.txt 调用,无需每次输入完整 --pattern 参数。

四、输出规范速查表

下表汇总了该模式的全部输出约束,便于对照检查生成结果:

约束项 要求
输出格式 仅 Markdown,两个章节:WORLD MODEL UPDATESTASK ALGORITHM UPDATES
每条长度 16 词(示例段落中写为 15 词,正文规则区明确 16 词,以正文为准)
列表类型 无序列表(-),禁止编号列表
条目开头 每条不得以相同单词开头
世界观条目 高层的"世界如何运作"描述,可用于辅助决策
任务算法条目 按 1~2 词真实场景分类(如 Reading、Writing、Morning Routine、Hygiene、Web Application Assessment)建立子章节
附加内容 不输出警告、说明或任何非要求内容

五、实战示例:从一篇内容生成升级包

假设输入是一篇讲"如何高效晨间工作"的文章,create_upgrade_pack 的理想输出形态如下(演示格式,实际以模型按规则输出为准):

WORLD MODEL UPDATES

- Morning energy levels are largely determined by the previous night's sleep quality and routine.
- Willpower is a depletable resource that gets consumed by small decisions throughout the day.
- Consistent habits compound more reliably than sporadic bursts of intense motivation.
- Attention follows emotional reward, so boring tasks naturally get postponed indefinitely.
- Environment design shapes behavior more powerfully than most people realize or admit.

TASK ALGORITHM UPDATES

Morning Routine

- Prepare tomorrow's clothes and workspace tonight so morning decisions are eliminated completely.
- Drink water before coffee to rehydrate after sleeping before introducing caffeine.
- Exercise first to anchor the day around proactive energy rather than reactive scrolling.
- Write the single most important task before checking any messages or feeds.

Reading

- Read twenty pages daily instead of waiting for a large uninterrupted block.
- Take notes immediately after each chapter rather than finishing the whole book first.

要点是:世界观部分给出"可迁移的决策原则",任务算法部分按 Morning RoutineReading 等场景归类,各自独立成节。

六、深层原理与源码佐证

6.1 模式的加载与执行链路

从源码结构看,create_upgrade_pack 与所有内置模式一样,属于 internal/plugins/template 模板插件体系管理的提示词资源:模式被组织为 system.md(系统提示词,即本文所解析文件),可选的 user.md 提供用户侧提示词。运行时由 internal/tools/patterns_loader.goPopulateDB() 下载并落盘,-p create_upgrade_pack 则通过 internal/cli/flags.go 解析后交给执行链路组装成完整请求。

6.2 为什么是"15/16 词"与"双轨分类"

文档对条目长度的硬约束(15/16 词)与 Fabric 其他提取类模式一脉相承(如 extract_alpha 要求 8 词、extract_ideas 要求 15 词,见 data/patterns/pattern_explanations.md)。可以推断其设计意图:词数上限强制模型"压缩表达",迫使输出从复述走向提炼;而世界观/任务算法的双轨分类,则保证一份输出同时服务"认知更新"与"行为更新"两个升级维度。

6.3 升级包的使用闭环

create_upgrade_pack 的输出归档为 upgrade_pack.md 后,可将其作为后续会话的上下文或"个人知识库"条目长期复用;结合 data/patternsextract_wisdomextract_alphasummarize 等模式,可以构建"摘要 → 精华 → 升级包"的完整内容消化流水线,让每次阅读都沉淀为可检索、可复用的认知资产。

七、常见问题与使用建议

  • 输出超长/超词数:该模式强制 16 词与无序列表,若模型输出编号列表或长句,可补充"严格按照 system.md 输出规则执行"的说明后重试。
  • 子章节命名困难:参考示例中的 HygieneWeb Application Assessment,按"受众可识别的真实场景"命名(如 ReadingWritingBeing CreativeMorning Routine),1~2 个词即可。
  • 区分世界观与任务算法:判断标准是"它描述世界如何运作(可解释现象、指导判断)"还是"它规定某任务应如何执行(可照做)"。
  • 更新模式库:仓库新增/修订模式后,运行 fabric --updatepatterns 同步;自定义模式不受影响(PersistPatterns 会在更新时保留自定义模式目录,见 internal/tools/patterns_loader.go)。

结语

create_upgrade_pack 是 Fabric 模式库中少有的"元认知"级提示词:它把阅读行为从信息消费升级为认知与行为的迭代。理解它的双轨抽取逻辑、16 词约束与场景化输出,不仅可以直接用于个人学习流水线,也为自建"知识→决策→行动"类模式提供了可复用的设计范式。配合 data/patterns/create_upgrade_pack/system.md 原文与 internal/tools/patterns_loader.go 的加载实现,即可在任意支持 Fabric 的环境中稳定复现这一升级流程。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
33
18
ops-transformerops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.14 K
2.75 K
pytorchpytorch
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
857
1.35 K
docsdocs
暂无描述
Markdown
898
5.82 K
ops-nnops-nn
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
921
1.84 K
jiuwenswarmjiuwenswarm
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.8 K
1.02 K
kernelkernel
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
531
596
cann-learning-hubcann-learning-hub
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
1.02 K
519
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.36 K
1.46 K
AscendNPU-IRAscendNPU-IR
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
548
391