Fabric 商业创意提取实战：精通 extract_business_ideas 模式的挖掘、升级与落地

Fabric 商业创意提取实战：精通 extract_business_ideas 模式的挖掘、升级与落地

【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

extract_business_ideas是 Fabric 开源框架中专门用于从任意内容中系统性挖掘商业创意的 AI 模式（Pattern）。本文将围绕其在仓库中的完整定义 data/patterns/extract_business_ideas/system.md，逐段拆解该模式的角色设定、双阶段输出结构与输出纪律，并结合 Fabric 的 CLI 用法、模式文件组织方式和相关源码说明运行原理。读完本文，你将能够直接调用该模式处理行业报告、播客转录、访谈文稿等内容，得到"提取全部商业创意 + 深度推演 Top 10 邻接创意"的结构化结果，并把它接入你自己的分析管线。

模式定位：一句话说明它能做什么

在 Fabric 官方按目录整理的 data/patterns/pattern_explanations.md 中，extract_business_ideas的定位描述是：

Extracts top business ideas from content and elaborates on the best 10 with unique differentiators.

也就是说，该模式解决的核心问题是：面对一段（可能很长、很杂的）输入内容，如何不遗漏地捕获其中值得关注的商业想法，并在此基础上做一层"二次创作"——把最好的候选想法迁移到相邻领域，让每个想法都能长出差异化的新卖点。它并非让 AI 凭空生成商业计划书，而是要求模型忠实于输入内容完成"提取 + 推演"两步工作。

模式文件结构：读懂 Fabric 的 system.md 编排规范

Fabric 的每一个 Pattern 都由存储在data/patterns/<pattern_name>/目录下的 Markdown 文件构成，extract_business_ideas同样遵循这一布局。仓库主 README 明确说明 Fabric 的提示词与普通 Prompt 的不同之处：用 Markdown 保证最大可读性与可编辑性，这不仅方便人阅读，也让接收它的 AI 更容易理解指令结构与执行顺序（见 README.md 中 "Our approach to prompting" 一节）。

打开 data/patterns/extract_business_ideas/system.md，可以看到它由四个清晰的章节组成，这也是 Fabric 模式组织提示词的典型方式：

章节	在本模式中的作用
IDENTITY and PURPOSE	定义模型承担的角色——一个"对能革新或彻底改造现有/新兴行业的商业创意极其敏感"的提取助手，并要求模型"深呼吸、逐步思考"以获得最佳结果，同时赋予其充分的自由发挥空间
OUTPUT SECTIONS	规定输出的两大区块及其内容标准（EXTRACTED_IDEAS与ELABORATED_IDEAS）
OUTPUT INSTRUCTIONS	设定输出的硬性纪律（格式、列表风格、去重规则等）
INPUT:	输入内容的占位标记，等待用户填充

双阶段输出：先穷尽提取，再邻接推演

OUTPUT SECTIONS是本模式的核心骨架，它定义了前后两个递进的输出区块：

第一阶段：EXTRACTED_IDEAS——穷尽式提取全部顶级创意

• 该模式首先从输入内容中提取所有顶级商业创意。
• 数量上不设上限——可能只有几条，也可能多达40 条，全部汇总在EXTRACTED_IDEAS区块下。
• 这一阶段的价值在于"穷尽"：它不要求模型立刻做价值判断并丢弃"次要"想法，而是先保证高召回率，为后续筛选与推演提供足够的原料。

第二阶段：ELABORATED_IDEAS——精选 Top 10 并做邻接迁移

• 在完成穷尽提取后，模式要求挑选出最好的 10 个创意进行深化阐述。
• 深化的方式是pivoting into an adjacent idea——即把原有创意"转译/迁移"到一个相邻但不同的领域或应用场景，从而产生新的创意形态。
• 这 10 条推演结果要求彼此各不相同，并且各自拥有一个有趣、清晰的差异化卖点（differentiator），避免出现同质化改造。

用一句话概括这套设计的意图：第一步保证"该抓的都抓到了"，第二步保证"最好的想法不只停留在原样，而是被推向下一个可行动的形态"。对产品经理、独立开发者、市场研究者而言，这相当于把"读材料"和"头脑风暴"两件事打包在一个 Prompt 里完成。

输出纪律：约束模型行为的关键条款

OUTPUT INSTRUCTIONS中的规则决定了模型输出的可用性，实际使用时值得逐条对照检查：

1. 只输出 Markdown——所有结果必须是干净的 Markdown 文本。
2. 不要给出警告或备注——除了规定的区块外不要附加任何说明文字（例如不要输出"以下只是建议"之类的免责声明）。
3. 使用编号列表，而不是项目符号——所有想法必须以数字编号列表呈现。
4. 不重复想法——无论是提取阶段还是推演阶段，同一条创意只能出现一次。
5. 列表条目的开头用词不能重复——同一列表中不同条目不能都以相同单词开头（这条规则专门用来对抗 LLM 输出同质化的倾向，强迫每条想法都有独立的表述角度）。

从 internal/tools/custom_patterns 与 internal/tools/patterns_loader.go 的源码可以看到，Fabric 的 Pattern 文件是完整、逐字注入给模型作为系统提示的，因此这些纪律性条款会真实作用于每一次生成，而不是装饰性文字。

运行方式：在 Fabric CLI 中调用该模式

基础调用：从标准输入喂入内容

安装并完成fabric --setup（按 README.md 的指引配置 AI 供应商）后，最直接的用法是把文本通过管道喂给该模式：

cat industry_analysis.txt | fabric --pattern extract_business_ideas

也可以先抓取网页再送入（Fabric 使用 Jina AI 将 URL 抓取为 Markdown 后发给模型）：

fabric -u https://example.com/some-industry-report -p extract_business_ideas

把文章正文粘贴到剪贴板后，在 macOS 上可以写作：

pbpaste | fabric --pattern extract_business_ideas

从 internal/cli/flags.go 的 flag 定义可以看到，--pattern/-p用于"从可用模式中选择一个模式"，它与-v/--variable（模式变量替换）、--dry-run（不真正调用模型、仅预览将要发送的提示）等开关是正交的。建议先用调试模式确认提示构造是否符合预期：

echo "paste your content here" | fabric --dry-run -p extract_business_ideas

进阶：流式输出、会话与模式级模型映射

• 流式输出：加--stream可边生成边显示结果，适合长内容场景（fabric --stream --pattern extract_business_ideas）。

• 模式级模型映射：在 internal/cli/chat.go 中可以看到，当指定了--pattern而未指定--model时，Fabric 会查找环境变量FABRIC_MODEL_<PATTERN>（模式名中的连字符会被替换为下划线）。因此你可以在配置中为该模式单独指定一个更擅长发散创意的模型：

  export FABRIC_MODEL_EXTRACT_BUSINESS_IDEAS="openai/gpt-4o" echo "$content" | fabric --pattern extract_business_ideas

  当模式名含有连字符时，环境变量名中的连字符替换为下划线；本模式名extract_business_ideas全为下划线，因此对应变量为FABRIC_MODEL_EXTRACT_BUSINESS_IDEAS。

• 别名快速调用：README 提供了为全部模式生成 shell 别名的脚本思路，例如alias extract_business_ideas="fabric --pattern extract_business_ideas"（见 README.md 中 "Add aliases for all patterns" 一节），之后即可直接用命令名调用。

查看模式与确认可用性

• fabric --listpatterns：列出所有已安装模式，确认extract_business_ideas在列。
• fabric --readpattern extract_business_ideas：直接把该模式的提示全文打印到终端，便于在不发请求的情况下审查其内容。
• 需要更新到最新模式库时执行fabric -U/--updatepatterns；如果你的自定义模式存放在独立的模式目录中，可参考 internal/tools/custom_patterns/custom_patterns.go 中自定义模式目录的配置方式。

把它放进更大的工作流：与相邻商业类模式的组合

在 data/patterns/suggest_pattern/system.md 的类别清单中，extract_business_ideas同时出现在BUSINESS与EXTRACT两个类别下。这意味着 Fabric 官方建议把它当作商业分析"输入端"的工具，常见的组合思路包括：

• 输入侧先转化：若原始内容是视频/播客，先用fabric -y <youtube-url>或转录工具拿到文本，再送入extract_business_ideas。
• 输出侧再深化：EXTRACTED_IDEAS得到的一手创意可继续交给 create_prd 转成产品需求文档，或用 create_hormozi_offer 把其中某个想法包装成一个可投放市场的"offer"。
• 横向素材补充：在分析创作者/电商内容时，可先用 extract_affiliate_products、extract_video_commerce_entities 提取商业实体，再把结果作为输入交给本模式做创意层面推演；而 analyze_monetization_opportunities 则负责评估已有变现机会，与本模式形成"找机会—评机会"的互补。

将以上串联成管道即可形成一条"内容 → 商业创意 → 可执行方案"的自动分析线，这正是 Fabric 提倡的"把复杂任务拆成可组合的细粒度 Pattern"的用法。

使用技巧与注意事项

基于模式文件本身约束并参考 Fabric 的提示工程实践，使用时有几点值得注意：

1. 输入质量决定提取上限：该模式要求"忠实于输入内容"提取创意，输入里没有提到的行业与方向不会被凭空创造（推演阶段的"邻接迁移"会带来扩展，但根仍然在被提取的想法上）。因此喂给它足够详实、信息密度高的材料（深度行业报告、创始人访谈、财报电话会记录等）效果最佳。
2. 数量纪律可预期：输出可能为几条到 40 条不等，这取决于输入中真正包含多少独立想法。若你希望得到更稳定的条数，可在输入前用-v或--input-has-vars相关机制结合模式变量来附加要求（具体变量语法见fabric -h中的-v/--variable与--input-has-vars说明）。
3. 关注差异化检查点：模式明确要求 Top 10 各条目"唯一且各有差异化卖点"，且条目开头用词不得重复。拿到结果后可按这两条标准快速质检——出现大量结构雷同的条目通常意味着输入内容本身同质化较高，或需要拆小输入范围重新运行。
4. 输出只含两个区块：EXTRACTED_IDEAS与ELABORATED_IDEAS之外不应出现模型自行添加的分析、总结或免责声明，这也便于下游程序直接按区块解析输出。

小结

extract_business_ideas是 Fabric 商业分析模式库中"挖掘创意"环节的代表：它的核心不复杂——先用EXTRACTED_IDEAS穷尽式捞取输入中的全部商业创意，再用ELABORATED_IDEAS对最优 10 条做邻接领域推演并保证差异化——但配合 Fabric 严谨的角色设定与输出纪律，它能把一次普通的"读内容"升级成可控、可解析、可复用的创意流水线。掌握了它的文件结构、CLI 用法与组合策略后，你既可以直接在终端使用它，也可以把它作为自定义模式与更大分析工作流的起点。

【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