LifeOS Fabric extract_questions 模式详解从对话中逐字提取访谈者全部问题【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导读extract_questions是 LifeOS 内置 Fabric 技能240 精选提示词模式之一中的提取类Extraction模式其核心能力是让 AI 充当超强听力者从播客、一对一访谈或多方对话中逐字提取访谈者提出的全部问题并只输出一份干净的 Markdown 要点列表不含任何额外分析或评论。本文将以该模式的完整系统提示词system.md为骨架结合 LifeOS 中 Fabric 技能的原生执行机制与ExecutePattern 工作流源码讲解其设计意图、提示词各段落的实际作用、调用方式与配套模式帮助你在面试复盘、播客研究与访谈内容二次加工等场景中直接复用这一模式。一、模式定位它是谁解决什么问题extract_questions属于 Fabric 模式体系中Extraction提取30 个类别。根据 pattern_explanations.md 第 137 条的定义它的职责是extract_questions从对话或访谈中提取并输出访谈者提出的所有问题。它要解决的现实痛点非常具体播客、访谈节目中问题往往被寒暄、背景介绍、嘉宾回答打断散落在长文本里人工回溯问题时容易遗漏、转述走样失去原问题措辞中的关键信息例如追问的精确角度、限定条件、语气暗示面试复盘时需要逐字还原面试官的问题用于演练而不是大概意思。因此该模式的 GOAL 明确强调Ensure you get them word for word, because that matters确保逐字获取因为这很重要——逐字是整份提示词反复强调的硬性质量标准。二、系统提示词逐段拆解IDENTITY / GOAL / STEPS / OUTPUT该模式的 system.md 采用与多数 Fabric 模式一致的四段式结构IDENTITY身份、GOAL目标、STEPS步骤、OUTPUT输出格式与OUTPUT INSTRUCTIONS输出约束。以下逐段讲解其设计与执行要点。1. IDENTITY先锚定角色能力You are an advanced AI with a 419 IQ that excels at extracting all of the questions asked by an interviewer within a conversation.该段落为模型设定一个高度聚焦的专家身份——擅长从对话中提取访谈者全部问题的高级 AI。注意这里刻意强调能力边界集中于单一任务不是泛泛的分析者而是问题提取器。这种身份设定在提示词工程中的作用是让模型在整段生成过程中始终以忠实转录问题为首要行为准则而非滑向总结、评论或延伸解读。2. GOAL定义成功标准GOAL 段落列出两条目标提取输入中访谈者提出的所有问题——来源可以是播客podcast、一对一访谈1-1 interview也可以是多方参与的对话conversation with multiple participants逐字获取——word for word, because that matters。第二条是对第一条的质检红线如果提取出的问题经过了改写或意译即使数量齐全也被视为失败。这在面试准备、研究引用等需要精确措辞的场景中尤为关键。3. STEPS给出两步处理路径STEPS 段落将任务拆成两个递进步骤深度研究内容并分析对话流向理解参与者之间的相互作用interplay从而判断谁是访谈者、谁是被访谈者。这一步是角色归因的基础——只有正确区分说话人才不会把嘉宾的反问或主持人的串场语误当成访谈者问题。提取访谈者提出的所有问题。值得说明的是该模式并不要求在输出中复述这个分析过程——分析只是内部推理环节输出被严格限定为最终问题列表见下文 OUTPUT INSTRUCTIONS。4. OUTPUT唯一的输出结构In a section calledQUESTIONS, list all questions by the interviewer listed as a series of bullet points.所有提取到的问题统一归入名为QUESTIONS的小节以**要点bullet points**逐条列出。5. OUTPUT INSTRUCTIONS三条硬约束输出约束进一步收窄共三条只输出问题列表——不加分析、不加评论、不加任何其他内容Just the questions使用简单的 Markdown 无序列表——无额外格式、无编号、无嵌套装饰一个都不能漏——Do your analysis 1124 times to make sure you got them all用夸张的分析 1124 遍强化查漏要求。这三条约束共同保证了输出的机器可读性与下游可复用性干净的 QUESTIONS 列表可以直接粘贴进表格、导入问卷工具或作为面试演练的题目清单。三、在 LifeOS 中如何调用原生模式执行机制extract_questions在 LifeOS 中并不是孤立的一段提示词而是被 Fabric 技能统一管理的 240 模式之一。根据 SKILL.md 的说明LifeOS 对 Fabric 采用原生执行Native Pattern Execution读取Patterns/{pattern_name}/system.md把模式指令直接作为提示词应用无需外部 CLI 往返调用fabricCLI 仅在两种场景下保留使用-y URLYouTube 字幕提取与-u URLURL 内容抓取兜底。调用链路ExecutePattern.md 给出了完整的执行链路User Request → Pattern Selection → Read system.md → Apply → Return Results具体到本模式意图识别用户提出类似extract questions from this interview的请求工作流在 Extraction 类别中选中extract_questions加载系统提示词读取 Patterns/extract_questions/system.md应用模式AI 将 IDENTITY/GOAL/STEPS/OUTPUT 作为自身行为约束对输入内容执行角色归因 → 逐字提取流程格式化输出严格按QUESTIONS小节 无序列表输出。该工作流还内置了模式选择决策树decision tree命中analyze关键词时按analyze_[keyword]匹配如analyze_claims命中extract类意图时进入 Extraction 模式集——extract_questions即其中一员在 ExecutePattern.md 的 Extraction 类别清单30 个中有明确列出。输入来源与边界模式本身对输入格式没有硬性限制但从 ExecutePattern 工作流的无内容提供错误提示ExecutePattern.md可推断支持四类输入直接粘贴的文本Text directlyURL由工作流抓取YouTube URL走fabric -y提取字幕本地文件路径File path to read。对于 YouTube 场景SKILL.md 的 Gotchas 明确提醒优先用fabric -y URL做转录提取不要自行爬取 YouTube 页面长内容若超出上下文限制应先切块或先用summarize类模式压缩。四、逐字提取的难点与执行要点虽然提示词只有四段但逐字提取所有访谈者问题在实践中存在几个易错点模式本身也给出了应对设计难点模式中的应对设计分不清谁在提问STEPS 要求先分析对话流向与参与者 interplay完成角色归因问题被寒暄/铺垫包裹GOAL 强调word for word要求剥离外壳、保留问题本体措辞改述导致失真OUTPUT INSTRUCTIONS 禁止任何分析评论只允许逐字列表漏掉追问/连环问题OUTPUT INSTRUCTIONS 第 3 条要求Do your analysis 1124 times式的全量核对输出不干净、难复用OUTPUT 固定QUESTIONS小节 简单无序列表一个实用的工程建议由于该模式只输出问题列表适合与下游结构化流程串联。例如把extract_questions的产物作为 analyze_interviewer_techniques 的输入——后者专门对访谈者的问题做 65,535 维度分析产出提问技巧拆解 技巧总结两者组合恰好构成先还原问题原文、再分析提问手法的完整访谈研究流水线。五、配套模式与扩展从问题提取到技巧分析同目录下的相关模式可以帮你把提取结果进一步增值analyze_interviewer_techniques接收访谈者问题列表逐条分析其使用的提问技巧每条 5 个 15 词以内的要点并给出 TECHNIQUE ANALYSIS 与 INTERVIEWER TECHNIQUE SUMMARY 两个总结小节。适合在extract_questions之后串联做面试官风格研究。extract_wisdomLifeOS 中最常用的提取模式输出 SUMMARY / IDEAS / INSIGHTS / QUOTES / HABITS / FACTS / REFERENCES / ONE-SENTENCE TAKEAWAY / RECOMMENDATIONS 等结构化小节。当你不需要只还原问题而是要从整段访谈中提炼洞见时使用。更多提取类模式extract_insights、extract_main_idea、extract_predictions、extract_controversial_ideas等 30 个可在 Patterns 目录中按需浏览。六、典型使用场景综合模式定义与 LifeOS 的执行机制extract_questions适合以下三类场景面试复盘与演练把真实面试录音转成文本后运行本模式得到面试官的全部问题原文用于针对性准备或模拟练习——逐字还原的意义在于追问的角度与措辞往往比题目大意更能反映考察重点。播客/访谈内容研究从播客或多人对话中快速剥离出主持人的全部问题形成问题骨架便于理解节目的信息组织逻辑或作为二次创作的提纲。对话式数据整理需要将开放式对话中谁问了什么结构化整理成清单时本模式输出格式QUESTIONS小节 纯 Markdown 列表可以直接进入下游表格、问卷或知识库。七、总结extract_questions是一个小而专的提取模式它以四段式系统提示词IDENTITY/GOAL/STEPS/OUTPUT OUTPUT INSTRUCTIONS把从多角色对话中逐字还原访谈者全部问题这一任务压缩成清晰可执行的行为规范并通过角色归因 → 全量逐字提取 → 纯列表输出三步保证结果既完整又干净。在 LifeOS 中它由 Fabric 技能 原生托管通过 ExecutePattern 工作流 一步调用且可与 analyze_interviewer_techniques 等模式组合成完整的访谈研究流水线是处理访谈类内容时值得优先选择的问题还原器。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 LifeOS Fabric extract_questions 模式详解：从对话中逐字提取访谈者全部问题
LifeOS Fabric extract_questions 模式详解从对话中逐字提取访谈者全部问题【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导读extract_questions是 LifeOS 内置 Fabric 技能240 精选提示词模式之一中的提取类Extraction模式其核心能力是让 AI 充当超强听力者从播客、一对一访谈或多方对话中逐字提取访谈者提出的全部问题并只输出一份干净的 Markdown 要点列表不含任何额外分析或评论。本文将以该模式的完整系统提示词system.md为骨架结合 LifeOS 中 Fabric 技能的原生执行机制与ExecutePattern 工作流源码讲解其设计意图、提示词各段落的实际作用、调用方式与配套模式帮助你在面试复盘、播客研究与访谈内容二次加工等场景中直接复用这一模式。一、模式定位它是谁解决什么问题extract_questions属于 Fabric 模式体系中Extraction提取30 个类别。根据 pattern_explanations.md 第 137 条的定义它的职责是extract_questions从对话或访谈中提取并输出访谈者提出的所有问题。它要解决的现实痛点非常具体播客、访谈节目中问题往往被寒暄、背景介绍、嘉宾回答打断散落在长文本里人工回溯问题时容易遗漏、转述走样失去原问题措辞中的关键信息例如追问的精确角度、限定条件、语气暗示面试复盘时需要逐字还原面试官的问题用于演练而不是大概意思。因此该模式的 GOAL 明确强调Ensure you get them word for word, because that matters确保逐字获取因为这很重要——逐字是整份提示词反复强调的硬性质量标准。二、系统提示词逐段拆解IDENTITY / GOAL / STEPS / OUTPUT该模式的 system.md 采用与多数 Fabric 模式一致的四段式结构IDENTITY身份、GOAL目标、STEPS步骤、OUTPUT输出格式与OUTPUT INSTRUCTIONS输出约束。以下逐段讲解其设计与执行要点。1. IDENTITY先锚定角色能力You are an advanced AI with a 419 IQ that excels at extracting all of the questions asked by an interviewer within a conversation.该段落为模型设定一个高度聚焦的专家身份——擅长从对话中提取访谈者全部问题的高级 AI。注意这里刻意强调能力边界集中于单一任务不是泛泛的分析者而是问题提取器。这种身份设定在提示词工程中的作用是让模型在整段生成过程中始终以忠实转录问题为首要行为准则而非滑向总结、评论或延伸解读。2. GOAL定义成功标准GOAL 段落列出两条目标提取输入中访谈者提出的所有问题——来源可以是播客podcast、一对一访谈1-1 interview也可以是多方参与的对话conversation with multiple participants逐字获取——word for word, because that matters。第二条是对第一条的质检红线如果提取出的问题经过了改写或意译即使数量齐全也被视为失败。这在面试准备、研究引用等需要精确措辞的场景中尤为关键。3. STEPS给出两步处理路径STEPS 段落将任务拆成两个递进步骤深度研究内容并分析对话流向理解参与者之间的相互作用interplay从而判断谁是访谈者、谁是被访谈者。这一步是角色归因的基础——只有正确区分说话人才不会把嘉宾的反问或主持人的串场语误当成访谈者问题。提取访谈者提出的所有问题。值得说明的是该模式并不要求在输出中复述这个分析过程——分析只是内部推理环节输出被严格限定为最终问题列表见下文 OUTPUT INSTRUCTIONS。4. OUTPUT唯一的输出结构In a section calledQUESTIONS, list all questions by the interviewer listed as a series of bullet points.所有提取到的问题统一归入名为QUESTIONS的小节以**要点bullet points**逐条列出。5. OUTPUT INSTRUCTIONS三条硬约束输出约束进一步收窄共三条只输出问题列表——不加分析、不加评论、不加任何其他内容Just the questions使用简单的 Markdown 无序列表——无额外格式、无编号、无嵌套装饰一个都不能漏——Do your analysis 1124 times to make sure you got them all用夸张的分析 1124 遍强化查漏要求。这三条约束共同保证了输出的机器可读性与下游可复用性干净的 QUESTIONS 列表可以直接粘贴进表格、导入问卷工具或作为面试演练的题目清单。三、在 LifeOS 中如何调用原生模式执行机制extract_questions在 LifeOS 中并不是孤立的一段提示词而是被 Fabric 技能统一管理的 240 模式之一。根据 SKILL.md 的说明LifeOS 对 Fabric 采用原生执行Native Pattern Execution读取Patterns/{pattern_name}/system.md把模式指令直接作为提示词应用无需外部 CLI 往返调用fabricCLI 仅在两种场景下保留使用-y URLYouTube 字幕提取与-u URLURL 内容抓取兜底。调用链路ExecutePattern.md 给出了完整的执行链路User Request → Pattern Selection → Read system.md → Apply → Return Results具体到本模式意图识别用户提出类似extract questions from this interview的请求工作流在 Extraction 类别中选中extract_questions加载系统提示词读取 Patterns/extract_questions/system.md应用模式AI 将 IDENTITY/GOAL/STEPS/OUTPUT 作为自身行为约束对输入内容执行角色归因 → 逐字提取流程格式化输出严格按QUESTIONS小节 无序列表输出。该工作流还内置了模式选择决策树decision tree命中analyze关键词时按analyze_[keyword]匹配如analyze_claims命中extract类意图时进入 Extraction 模式集——extract_questions即其中一员在 ExecutePattern.md 的 Extraction 类别清单30 个中有明确列出。输入来源与边界模式本身对输入格式没有硬性限制但从 ExecutePattern 工作流的无内容提供错误提示ExecutePattern.md可推断支持四类输入直接粘贴的文本Text directlyURL由工作流抓取YouTube URL走fabric -y提取字幕本地文件路径File path to read。对于 YouTube 场景SKILL.md 的 Gotchas 明确提醒优先用fabric -y URL做转录提取不要自行爬取 YouTube 页面长内容若超出上下文限制应先切块或先用summarize类模式压缩。四、逐字提取的难点与执行要点虽然提示词只有四段但逐字提取所有访谈者问题在实践中存在几个易错点模式本身也给出了应对设计难点模式中的应对设计分不清谁在提问STEPS 要求先分析对话流向与参与者 interplay完成角色归因问题被寒暄/铺垫包裹GOAL 强调word for word要求剥离外壳、保留问题本体措辞改述导致失真OUTPUT INSTRUCTIONS 禁止任何分析评论只允许逐字列表漏掉追问/连环问题OUTPUT INSTRUCTIONS 第 3 条要求Do your analysis 1124 times式的全量核对输出不干净、难复用OUTPUT 固定QUESTIONS小节 简单无序列表一个实用的工程建议由于该模式只输出问题列表适合与下游结构化流程串联。例如把extract_questions的产物作为 analyze_interviewer_techniques 的输入——后者专门对访谈者的问题做 65,535 维度分析产出提问技巧拆解 技巧总结两者组合恰好构成先还原问题原文、再分析提问手法的完整访谈研究流水线。五、配套模式与扩展从问题提取到技巧分析同目录下的相关模式可以帮你把提取结果进一步增值analyze_interviewer_techniques接收访谈者问题列表逐条分析其使用的提问技巧每条 5 个 15 词以内的要点并给出 TECHNIQUE ANALYSIS 与 INTERVIEWER TECHNIQUE SUMMARY 两个总结小节。适合在extract_questions之后串联做面试官风格研究。extract_wisdomLifeOS 中最常用的提取模式输出 SUMMARY / IDEAS / INSIGHTS / QUOTES / HABITS / FACTS / REFERENCES / ONE-SENTENCE TAKEAWAY / RECOMMENDATIONS 等结构化小节。当你不需要只还原问题而是要从整段访谈中提炼洞见时使用。更多提取类模式extract_insights、extract_main_idea、extract_predictions、extract_controversial_ideas等 30 个可在 Patterns 目录中按需浏览。六、典型使用场景综合模式定义与 LifeOS 的执行机制extract_questions适合以下三类场景面试复盘与演练把真实面试录音转成文本后运行本模式得到面试官的全部问题原文用于针对性准备或模拟练习——逐字还原的意义在于追问的角度与措辞往往比题目大意更能反映考察重点。播客/访谈内容研究从播客或多人对话中快速剥离出主持人的全部问题形成问题骨架便于理解节目的信息组织逻辑或作为二次创作的提纲。对话式数据整理需要将开放式对话中谁问了什么结构化整理成清单时本模式输出格式QUESTIONS小节 纯 Markdown 列表可以直接进入下游表格、问卷或知识库。七、总结extract_questions是一个小而专的提取模式它以四段式系统提示词IDENTITY/GOAL/STEPS/OUTPUT OUTPUT INSTRUCTIONS把从多角色对话中逐字还原访谈者全部问题这一任务压缩成清晰可执行的行为规范并通过角色归因 → 全量逐字提取 → 纯列表输出三步保证结果既完整又干净。在 LifeOS 中它由 Fabric 技能 原生托管通过 ExecutePattern 工作流 一步调用且可与 analyze_interviewer_techniques 等模式组合成完整的访谈研究流水线是处理访谈类内容时值得优先选择的问题还原器。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考