Fabric 调查可视化模式用 Graphviz 将调查数据还原为可呈堂的案情图谱【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导读create_investigation_visualization是 Fabric 开源 AI 增强框架 data/patterns 目录下的一枚情报调查类模式Pattern它把 AI 变成一个「情报调查 数据可视化」专家任何一段复杂的调查性输入案件材料、访谈记录、时间线、数据源清单都会先被深度消化再被转化为一张完整、清晰、注释详尽的 Graphviz 关系图谱并附带要点分析和置信度结论。读完本文你将掌握该模式的完整提示词设计、其工作流与输出契约、它在本仓库中的定位含搜索与展示信息以及如何用fabricCLI 实际驱动它输出可渲染的图谱。模式定位情报分析与可视化两栖能力在 Fabric 中Pattern 是围绕真实任务组织的最小 AI 提示单元被保存在data/patterns/名称/目录下每个模式至少包含一个system.md身份与目标文件部分模式还带user.md。create_investigation_visualization/system.md 即该模式的系统提示词本体正文只有一段自述加三段步骤但每一句都承载着极强的任务契约。从 suggest_pattern 的分类体系可以确认它的双重归属出现在SECURITY请求类型列表中与analyze_threat_report、create_ttrc_graph、write_hackerone_report同组定位是网络安全调查结果的呈现同时出现在VISUALIZE请求类型列表中与create_mermaid_visualization、create_excalidraw_visualization同组说明它是 Fabric 可视化模式家族中的一员只是专用图形语言是 Graphviz。pattern_explanations.md 给出了模式级的一句官方说明create_investigation_visualization: Creates detailed Graphviz visualizations of complex input, highlighting key aspects and providing clear, well-annotated diagrams for investigative analysis and conclusions.即对复杂输入生成详细 Graphviz 可视化突出关键要素产出用于调查分析与结论推导的清晰注释图。这与create_graph_from_inputcreate_graph_from_input/system.md面向安全程序随时间改进的指标 CSV 图形成对比后者强调时间轴指标而本模式强调实体与行为之间的关系网络。模式结构逐段拆解完整提示词仅由「IDENTITY AND GOAL身份与目标」和「STEPS步骤」和「OUTPUT输出」三部分组成无变量占位符、无外部依赖。逐段解读如下。身份与目标情报专家 × Graphviz 专家You are an expert in intelligence investigations and data visualization using GraphViz. You create full, detailed graphviz visualizations of the input youre given that show the most interesting, surprising, and useful aspects of the input.这一定义传递了三个约束能力域为情报调查intelligence investigations输入通常是调查性质的材料不是科普文本或营销文章。表达介质被锁定为 Graphviz输出必须使用 DOT 语言描述图结构而不是 Markdown 表格或自由文本。构图目标不是面面俱到而是选择性聚焦图中应展示输入中「最有趣、最令人意外、最有价值」的方面——这要求模型在完整理解的基础上做信息优先级排序。值得注意的是它强调 full, detailed要求图必须完整呈现全貌不能只挑一个孤立子图输出。步骤四段式深度处理STEPS 定义了模型在产出图形前必须经历的处理管线- Fully understand the input you were given. - Spend 3,503 virtual hours taking notes on and organizing your understanding of the input. - Capture all your understanding of the input on a virtual whiteboard in your mind. - Think about how you would graph your deep understanding of the concepts in the input into a Graphviz output.Fabric 大量模式会使用夸张的虚拟时间数值如 431 小时、3,503 小时来强制模型在「急于输出」之前先做充分的内部推理与笔记整理本质是引导模型放慢节奏、做足信息组织。随后将理解投射到虚拟白板再完成从概念到图结构的映射设计节点、边、分组的划分。这四个子步骤在最终输出里是不可见的内部过程但它们决定了图形的质量边界。输出契约五大硬性要求OUTPUT 是全文最关键的约束区共包含五条可验证的要求同时追加两个文本区块ANALYSIS 与 CONCLUSION作为图的文字补充要求内容可验证效果完整 Graphviz 输出呈现输入中最有趣、最有信息量的所有侧面产出 DOT 源码形状与颜色区分节点类型不同类型的实体用不同shape与color表达图形可分类阅读所有节点、连线、边标注最相关信息每个元素都有说明性 label图形自解释动宾关系清晰用 called on phone, met in person, accessed the database 式表达让行为动词与主语、宾语一目了然边的 label 反映真实动作而非模糊关联覆盖调查全要素研究行为、数据来源、访谈、对话、时间线、结论都要在图中出现图形覆盖输入的所有调查维度随后对成图质量给出两个标杆式的验收标准一个新接触案情的记者也能顺利读懂—— 图的叙事性要求可用它向陪审团解释案情—— 图的事实性与可呈堂性要求。这两个标准直接决定了后面 ANALYSIS 与 CONCLUSION 的写法基调图与文字都要服务于向不了解背景的人清晰还原发生了什么。文字补充部分ANALYSIS分析最多 10 个要点每条不超过 16 个英文单词浓缩输入中最重要的信息与从中获得的判断CONCLUSION结论用一条 25 词的陈述句对发生了什么、谁做的、命题是否成立给出评估并以 CIA 置信度评级指情报界常用的高/中/低可信度收尾。这两段的字数硬约束每条 ≤16 词、结论 ≈25 词是刻意设计的逼迫模型提炼而非复述。模式的工程化运行create_investigation_visualization是一个纯提示词模式无需任何环境变量或user.md配合运行它只需要一个能调用 LLM 的 Fabric 环境。运行前置条件Fabric 以 Go 编写入口位于 cmd/fabric/main.go通过cli.Cli(version)完成所有参数解析与命令分发。使用该模式前需要已安装 fabric 并执行过fabric --setup完成至少一个后端厂商配置官方支持 OpenAI、Anthropic、Google Gemini 等多家厂商可用--listvendors查看全部系统已安装graphvizdot命令用于将模型产出的 DOT 源码渲染成 PNG/SVG。CLI 运行示例最直接的调用方式是通过标准输入管道把调查材料喂给模式# 方案一将调查文本通过 stdin 管道传入 cat investigation_notes.txt | fabric --pattern create_investigation_visualization # 方案二以流式输出实时查看生成过程 cat investigation_notes.txt | fabric --stream --pattern create_investigation_visualization # 方案三把模型输出直接落盘为 DOT 文件 cat investigation_notes.txt | fabric -p create_investigation_visualization -o case_map.dot关键 CLI 参数完整参数表见 README.md参数说明-p, --pattern指定模式名create_investigation_visualization-s, --stream流式输出-o, --output输出到文件适合把 DOT 源码直接保存-m, --model/-V, --vendor为图形密集型任务选用更强模型与指定厂商-l, --listpatterns列出全部可用模式确认本模式已加载--dry-run只预览将发送给模型的提示内容不产生 API 调用-c, --copy结果复制到剪贴板--show-metadata打印 token 用量等元信息得到 DOT 源码后本地渲染fabric -p create_investigation_visualization -o map.dot notes.txt dot -Tpng map.dot -o investigation_map.png渲染流水线示例把一段含时间线 关键人物 数据源的调查摘记送入模式后模型返回的 DOT 源码近似结构如下示意非真实输出digraph investigation { rankdirLR; node [fontnameHelvetica]; suspect_A [shapebox, colorred, labelSuspect A\n(accountant)]; db_server [shapecylinder, colorblue, labelBackup DB\n(2019-2023)]; interview_01 [shapenote, colorgreen, labelInterview 1\n2026-01-12]; db_server - suspect_A [labelaccessed the database]; interview_01 - db_server [labelrevealed credentials to]; }随后再按 OUTPUT 契约补写 ANALYSIS 要点与带 CIA 置信度评级的 CONCLUSION 段落。视觉化兄弟模式的横向对照为便于理解本模式在可视化家族中的分工可将它与同目录下的相关模式对照模式输入类型输出图形语言create_investigation_visualization调查性材料全要素关系图谱 ANALYSIS CONCLUSIONGraphviz/DOTcreate_graph_from_input安全程序指标数据随时间演进的进展图数据CSVcreate_mermaid_visualization任意复杂概念概念关系图Mermaidcreate_markmap_visualization复杂想法层级思维导图MarkMapcreate_visualization待讲解主题通用可视化视输入而定其中create_graph_from_input聚焦时间维度的指标进展而create_investigation_visualization聚焦实体之间的行为关系网络二者互补而不重叠后者的强项正是把人物、行为、时间线与证据来源统一进同一张可呈堂的关系图中。典型应用场景与使用建议从模式契约可以合理推断出它的适用场景与最佳实践以下建议由模式结构推导非仓库承诺的性能结论最适合安全事件复盘、威胁情报关联分析、反欺诈调查、开源情报OSINT梳理等以谁、何时、通过何种途径、做了什么为核心问题的材料。输入准备尽量把事件时间线、参与实体、沟通渠道、数据访问行为分段列出因为 OUTPUT 契约要求覆盖研究、数据来源、访谈、对话、时间线、结论全部维度输入信息越完整成图越全面。输出校验生成后对照五大要求逐条自检——颜色形状是否区分了节点类型、每条边的 label 是否写清了行为动词 对象、图外是否附有 ANALYSIS 与 CONCLUSION 区块。二次渲染DOT 源文件可直接修改后重新dot -Tpng渲染便于调查人员手动微调布局或补充后续证据节点。小结create_investigation_visualization是一个设计精炼的情报可视化模式用一段提示词同时约束了调查分析的专业视角情报专家、表达介质Graphviz、叙事标准记者与陪审团可读与收尾规范≤16 词要点、25 词结论、CIA 评级。它的完整提示词源码即文章所剖析的 system.md运行方式遵循 Fabric 统一的fabric --pattern调用链渲染结果可无缝接入本地 Graphviz 工具链。若你手头有一份案情脉络复杂的调查材料这正是把它转成可分享、可核查、可呈堂图谱的现成入口。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Fabric 调查可视化模式：用 Graphviz 将调查数据还原为可呈堂的案情图谱
Fabric 调查可视化模式用 Graphviz 将调查数据还原为可呈堂的案情图谱【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导读create_investigation_visualization是 Fabric 开源 AI 增强框架 data/patterns 目录下的一枚情报调查类模式Pattern它把 AI 变成一个「情报调查 数据可视化」专家任何一段复杂的调查性输入案件材料、访谈记录、时间线、数据源清单都会先被深度消化再被转化为一张完整、清晰、注释详尽的 Graphviz 关系图谱并附带要点分析和置信度结论。读完本文你将掌握该模式的完整提示词设计、其工作流与输出契约、它在本仓库中的定位含搜索与展示信息以及如何用fabricCLI 实际驱动它输出可渲染的图谱。模式定位情报分析与可视化两栖能力在 Fabric 中Pattern 是围绕真实任务组织的最小 AI 提示单元被保存在data/patterns/名称/目录下每个模式至少包含一个system.md身份与目标文件部分模式还带user.md。create_investigation_visualization/system.md 即该模式的系统提示词本体正文只有一段自述加三段步骤但每一句都承载着极强的任务契约。从 suggest_pattern 的分类体系可以确认它的双重归属出现在SECURITY请求类型列表中与analyze_threat_report、create_ttrc_graph、write_hackerone_report同组定位是网络安全调查结果的呈现同时出现在VISUALIZE请求类型列表中与create_mermaid_visualization、create_excalidraw_visualization同组说明它是 Fabric 可视化模式家族中的一员只是专用图形语言是 Graphviz。pattern_explanations.md 给出了模式级的一句官方说明create_investigation_visualization: Creates detailed Graphviz visualizations of complex input, highlighting key aspects and providing clear, well-annotated diagrams for investigative analysis and conclusions.即对复杂输入生成详细 Graphviz 可视化突出关键要素产出用于调查分析与结论推导的清晰注释图。这与create_graph_from_inputcreate_graph_from_input/system.md面向安全程序随时间改进的指标 CSV 图形成对比后者强调时间轴指标而本模式强调实体与行为之间的关系网络。模式结构逐段拆解完整提示词仅由「IDENTITY AND GOAL身份与目标」和「STEPS步骤」和「OUTPUT输出」三部分组成无变量占位符、无外部依赖。逐段解读如下。身份与目标情报专家 × Graphviz 专家You are an expert in intelligence investigations and data visualization using GraphViz. You create full, detailed graphviz visualizations of the input youre given that show the most interesting, surprising, and useful aspects of the input.这一定义传递了三个约束能力域为情报调查intelligence investigations输入通常是调查性质的材料不是科普文本或营销文章。表达介质被锁定为 Graphviz输出必须使用 DOT 语言描述图结构而不是 Markdown 表格或自由文本。构图目标不是面面俱到而是选择性聚焦图中应展示输入中「最有趣、最令人意外、最有价值」的方面——这要求模型在完整理解的基础上做信息优先级排序。值得注意的是它强调 full, detailed要求图必须完整呈现全貌不能只挑一个孤立子图输出。步骤四段式深度处理STEPS 定义了模型在产出图形前必须经历的处理管线- Fully understand the input you were given. - Spend 3,503 virtual hours taking notes on and organizing your understanding of the input. - Capture all your understanding of the input on a virtual whiteboard in your mind. - Think about how you would graph your deep understanding of the concepts in the input into a Graphviz output.Fabric 大量模式会使用夸张的虚拟时间数值如 431 小时、3,503 小时来强制模型在「急于输出」之前先做充分的内部推理与笔记整理本质是引导模型放慢节奏、做足信息组织。随后将理解投射到虚拟白板再完成从概念到图结构的映射设计节点、边、分组的划分。这四个子步骤在最终输出里是不可见的内部过程但它们决定了图形的质量边界。输出契约五大硬性要求OUTPUT 是全文最关键的约束区共包含五条可验证的要求同时追加两个文本区块ANALYSIS 与 CONCLUSION作为图的文字补充要求内容可验证效果完整 Graphviz 输出呈现输入中最有趣、最有信息量的所有侧面产出 DOT 源码形状与颜色区分节点类型不同类型的实体用不同shape与color表达图形可分类阅读所有节点、连线、边标注最相关信息每个元素都有说明性 label图形自解释动宾关系清晰用 called on phone, met in person, accessed the database 式表达让行为动词与主语、宾语一目了然边的 label 反映真实动作而非模糊关联覆盖调查全要素研究行为、数据来源、访谈、对话、时间线、结论都要在图中出现图形覆盖输入的所有调查维度随后对成图质量给出两个标杆式的验收标准一个新接触案情的记者也能顺利读懂—— 图的叙事性要求可用它向陪审团解释案情—— 图的事实性与可呈堂性要求。这两个标准直接决定了后面 ANALYSIS 与 CONCLUSION 的写法基调图与文字都要服务于向不了解背景的人清晰还原发生了什么。文字补充部分ANALYSIS分析最多 10 个要点每条不超过 16 个英文单词浓缩输入中最重要的信息与从中获得的判断CONCLUSION结论用一条 25 词的陈述句对发生了什么、谁做的、命题是否成立给出评估并以 CIA 置信度评级指情报界常用的高/中/低可信度收尾。这两段的字数硬约束每条 ≤16 词、结论 ≈25 词是刻意设计的逼迫模型提炼而非复述。模式的工程化运行create_investigation_visualization是一个纯提示词模式无需任何环境变量或user.md配合运行它只需要一个能调用 LLM 的 Fabric 环境。运行前置条件Fabric 以 Go 编写入口位于 cmd/fabric/main.go通过cli.Cli(version)完成所有参数解析与命令分发。使用该模式前需要已安装 fabric 并执行过fabric --setup完成至少一个后端厂商配置官方支持 OpenAI、Anthropic、Google Gemini 等多家厂商可用--listvendors查看全部系统已安装graphvizdot命令用于将模型产出的 DOT 源码渲染成 PNG/SVG。CLI 运行示例最直接的调用方式是通过标准输入管道把调查材料喂给模式# 方案一将调查文本通过 stdin 管道传入 cat investigation_notes.txt | fabric --pattern create_investigation_visualization # 方案二以流式输出实时查看生成过程 cat investigation_notes.txt | fabric --stream --pattern create_investigation_visualization # 方案三把模型输出直接落盘为 DOT 文件 cat investigation_notes.txt | fabric -p create_investigation_visualization -o case_map.dot关键 CLI 参数完整参数表见 README.md参数说明-p, --pattern指定模式名create_investigation_visualization-s, --stream流式输出-o, --output输出到文件适合把 DOT 源码直接保存-m, --model/-V, --vendor为图形密集型任务选用更强模型与指定厂商-l, --listpatterns列出全部可用模式确认本模式已加载--dry-run只预览将发送给模型的提示内容不产生 API 调用-c, --copy结果复制到剪贴板--show-metadata打印 token 用量等元信息得到 DOT 源码后本地渲染fabric -p create_investigation_visualization -o map.dot notes.txt dot -Tpng map.dot -o investigation_map.png渲染流水线示例把一段含时间线 关键人物 数据源的调查摘记送入模式后模型返回的 DOT 源码近似结构如下示意非真实输出digraph investigation { rankdirLR; node [fontnameHelvetica]; suspect_A [shapebox, colorred, labelSuspect A\n(accountant)]; db_server [shapecylinder, colorblue, labelBackup DB\n(2019-2023)]; interview_01 [shapenote, colorgreen, labelInterview 1\n2026-01-12]; db_server - suspect_A [labelaccessed the database]; interview_01 - db_server [labelrevealed credentials to]; }随后再按 OUTPUT 契约补写 ANALYSIS 要点与带 CIA 置信度评级的 CONCLUSION 段落。视觉化兄弟模式的横向对照为便于理解本模式在可视化家族中的分工可将它与同目录下的相关模式对照模式输入类型输出图形语言create_investigation_visualization调查性材料全要素关系图谱 ANALYSIS CONCLUSIONGraphviz/DOTcreate_graph_from_input安全程序指标数据随时间演进的进展图数据CSVcreate_mermaid_visualization任意复杂概念概念关系图Mermaidcreate_markmap_visualization复杂想法层级思维导图MarkMapcreate_visualization待讲解主题通用可视化视输入而定其中create_graph_from_input聚焦时间维度的指标进展而create_investigation_visualization聚焦实体之间的行为关系网络二者互补而不重叠后者的强项正是把人物、行为、时间线与证据来源统一进同一张可呈堂的关系图中。典型应用场景与使用建议从模式契约可以合理推断出它的适用场景与最佳实践以下建议由模式结构推导非仓库承诺的性能结论最适合安全事件复盘、威胁情报关联分析、反欺诈调查、开源情报OSINT梳理等以谁、何时、通过何种途径、做了什么为核心问题的材料。输入准备尽量把事件时间线、参与实体、沟通渠道、数据访问行为分段列出因为 OUTPUT 契约要求覆盖研究、数据来源、访谈、对话、时间线、结论全部维度输入信息越完整成图越全面。输出校验生成后对照五大要求逐条自检——颜色形状是否区分了节点类型、每条边的 label 是否写清了行为动词 对象、图外是否附有 ANALYSIS 与 CONCLUSION 区块。二次渲染DOT 源文件可直接修改后重新dot -Tpng渲染便于调查人员手动微调布局或补充后续证据节点。小结create_investigation_visualization是一个设计精炼的情报可视化模式用一段提示词同时约束了调查分析的专业视角情报专家、表达介质Graphviz、叙事标准记者与陪审团可读与收尾规范≤16 词要点、25 词结论、CIA 评级。它的完整提示词源码即文章所剖析的 system.md运行方式遵循 Fabric 统一的fabric --pattern调用链渲染结果可无缝接入本地 Graphviz 工具链。若你手头有一份案情脉络复杂的调查材料这正是把它转成可分享、可核查、可呈堂图谱的现成入口。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考