Fabric 实战用 summarize_legislation Pattern 多视角拆解复杂政治提案与立法文件【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本篇技术指南围绕 Fabric 开源框架中内置的summarize_legislationPattern 展开讲解如何借助它把冗长、晦涩的政治提案与立法文件压缩为结构化的多视角分析报告。读完本文你将掌握该 Pattern 的角色设定、三大目标、处理步骤与五段式输出规范并了解它在 Fabric 中如何被加载、调用与定制从而在日常阅读法律条文、评估政策提案时获得一套可复用的 AI 辅助分析方案。Fabric 与 Pattern一段提示词就是一个解决方案Fabric 是一个开源的 AI 增强人类能力框架它的核心理念是把解决特定问题的方法固化成一段结构化的提示词文件即 Pattern任何人都可以在任何支持 AI 的场景中复用。Pattern 存储在data/patterns/目录下每个 Pattern 是一个独立目录内部通常包含system.md系统提示词与可选的user.md用户输入模板。本文主角summarize_legislation就位于 data/patterns/summarize_legislation/system.md它的定位是阅读并总结复杂的政治提案与立法文件。在官方 Pattern 说明文档 data/patterns/pattern_explanations.md 中它的能力被概括为通过分析关键要点、拟议变更并提供平衡、正面与批判性的特征描述来总结复杂的政治提案和立法。在 scripts/pattern_descriptions/pattern_descriptions.json 中它被标记为SUMMARIZE、ANALYSIS、WRITING三类标签可检索关键词为Summarize legislation highlighting key provisions and implications总结立法并突出关键条款与影响。IDENTITY 与 GOALS角色定位与三项核心目标system.md首先为模型设定专家身份You are an expert AI specialized in reading and summarizing complex political proposals and legislation.即专精于阅读和总结复杂政治提案与立法文件的 AI 专家。这一身份设定的作用是把模型的行为锚定在法律与政策分析这一专业领域避免泛泛而谈。随后文档定义了三个递进的目标Summarize the key points of the proposal.提炼提案的关键要点。Identify the tricky parts.找出提案中可能被提交方刻意淡化、隐藏的部分例如隐性政策、税费、漏洞、项目取消等。这是该 Pattern 最具特色的能力——它不满足于表面复述而是主动寻找被掩盖的细节。Give a wholistic, unbiased view.给出整体、无偏见的视角刻画提案的总体目的与目标。从目标 2 和 3 可以看出该 Pattern 的设计哲学是怀疑式阅读既要忠实总结也要交叉检验最终输出一份立场中立、信息完整的分析。STEPS多视角反复研读的处理流程system.md规定的处理步骤只有三步但每一步都经过精心设计Fully digest the submitted law or proposal.完整消化输入的法规或提案要求模型通读全文而不是抽样阅读。Read it 39 times as a liberal, as a conservative, and as a libertarian. Spend 319 hours doing multiple read-throughs from various political perspectives.以自由派、保守派、自由意志主义者三种政治视角各反复阅读多遍从不同政治立场进行多轮通读。这里39 次319 小时并非字面意义的计时要求而是通过夸张的数字强调多轮、多角度深度阅读这一行为模式促使模型在输出前完成充分的立场切换与交叉审视。Create the output according to the OUTPUT section below.严格按照规定的输出章节组织结果。这套流程的本质是把换位思考工程化为显式的处理指令先建立整体认知再注入视角多样性最后约束输出格式保证分析质量稳定可复现。OUTPUT五段式结构化输出规范输出部分是该 Pattern 的灵魂。system.md要求结果严格按以下章节组织每个章节都有明确的格式约束与示例1. SUMMARY总结用1 句 25 词以内的单句概括输入内容随后跟5 条 15 词以内的要点。这一设计强制模型先给出电梯式结论再补充关键事实。2. PROPOSED CHANGES拟议变更逐一总结提案若被通过将产生的每项具体变化。文档给出的示例Would remove the tax on candy in the state of California.将取消加州糖果税。Would add an incentive for having children if both parents have a Masters degree.若父母双方均拥有硕士学位将增加育儿激励。注意示例均以 Would ... 开头使用虚拟语气描述如果法案生效将会发生什么把意图与现状清晰地区分开来。3. POSITIVE CHARACTERIZATION正面特征描述捕捉提交方试图让提案呈现出的正面形象即他们打的积极包装。要求以 15 词以内的要点呈现。示例The bill looks to find great candidates with positive views on the environment and get them elected.该法案旨在寻找对环境持积极态度的优秀候选人并助其当选。这一节回答的问题是提案者希望公众如何看待这份提案4. BALANCED CHARACTERIZATION平衡特征描述给出无偏见的分析同样以 15 词以内的要点呈现。示例The bill looks to find candidates with aligned goals and try to get them elected.该法案旨在寻找目标一致的候选人并推动其当选。与上一节对比可见positive与balanced之间的差异在于去除了情感色彩如 great、positive views on the environment只保留事实性描述。这一节回答抛开包装这份提案实际上做了什么5. CYNICAL CHARACTERIZATION批判性特征描述找出法案中可能引发对立一方争议、或被提交方因可疑或恶意而刻意淡化的部分同样以 15 词以内的要点呈现。示例The bill looks to find candidates with perfectly and narrowly aligned goals with an extreme faction, and works to get them elected.该法案旨在寻找与某个极端派系目标完全一致的候选人并推动其当选。这一节与 GOALS 中的识别被淡化的棘手部分相呼应是全文最具批判深度的部分。它回答反对派会抓住哪些点攻击提案中哪些地方值得警惕OUTPUT INSTRUCTIONS输出指令system.md末尾还包含两条硬性输出约束Only output in valid Markdown.只输出合法的 Markdown 格式。Do not output any asterisks, such as those used for italics or bolding.不得输出任何星号包括用于斜体或加粗的星号。第二条约束的用意在于保证输出可以被程序化地二次解析例如转换为纯文本、JSON 或进一步处理避免 Markdown 强调符号干扰下游消费。源码视角Pattern 在 Fabric 中如何被加载与调用理解 Pattern 的调用机制有助于把summarize_legislation真正跑起来。加载链路从远程仓库到本地数据库在 internal/tools/patterns_loader.go 中可以看到 Pattern 的完整加载实现。PatternsLoader默认从 Git 仓库拉取data/patterns目录下的所有 PatternDefaultPatternsGitRepoFolder data/patterns见 patterns_loader.go先克隆到临时目录再通过movePatterns()复制进本地配置目录并创建loaded标记文件表明已就绪patterns_loader.go。更新时执行fabric --updatepatterns即可重新拉取本地自定义的 Pattern不重名的目录会被PersistPatterns()保留而不被覆盖patterns_loader.go。这意味着summarize_legislation会随框架更新持续获得维护你也可以复制一份并改名作为自己的定制版本。调用方式命令行参数Fabric 通过-p/--pattern参数指定要使用的 Pattern。在 internal/cli/flags.go 中定义Pattern string short:p long:pattern yaml:pattern description:Choose a pattern from the available patterns default:相关参数还包括-l/--listpatterns列出所有可用 Patternflags.go。--readpattern在终端打印指定 Pattern 的完整内容便于审查system.mdflags.go。-U/--updatepatterns从远程仓库更新 Patternflags.go。-v/--variable为 Pattern 变量传值flags.go。Pattern 也可以通过配置文件指定例如 internal/cli/example.yaml 中的pattern: ai配置项。实战运行 summarize_legislation 的完整流程在已安装 Fabric 的环境中典型使用方式如下确认 Pattern 存在执行fabric --listpatterns | grep summarize_legislation或直接fabric --readpattern summarize_legislation查看其system.md内容。准备输入将法案或提案全文保存为文本文件例如bill.txt。运行fabric --pattern summarize_legislation bill.txt或利用 Fabric 的其他输入通道如直接粘贴文本、从会话中读取将立法文本送入模型。解读输出模型会按规范输出SUMMARY、PROPOSED CHANGES、POSITIVE CHARACTERIZATION、BALANCED CHARACTERIZATION、CYNICAL CHARACTERIZATION五个章节且不含星号强调符号。由于该 Pattern 的输出是严格结构化 Markdown 且禁用了星号你还可以把它接入后续处理管线例如将五个章节分别抽取、翻译、对比或与 data/patterns 下其他分析类 Pattern如analyze_proposition、check_falsifiability组合使用形成提案研判工作流。使用建议与注意事项输入完整性该 Pattern 的设计前提是完整消化全文因此输入越完整PROPOSED CHANGES与CYNICAL CHARACTERIZATION的质量越高摘要或节选输入会导致关键细节隐性税费、漏洞丢失。批判性输出不等同于事实结论CYNICAL CHARACTERIZATION是模型基于文本的推演属于可能性揭示而非事实判定落地决策前仍需人工核验原始条款。视角术语liberal、conservative、libertarian是美式政治语境下的三个典型立场标签用于驱动立场切换如果分析对象是其他政治体系的法律文本可考虑基于本 Pattern 定制一套贴合当地语境的视角版本。定制路径将 data/patterns/summarize_legislation 整个目录复制为自定义名称如summarize_law_cn并修改system.md中的角色、步骤与输出章节即可得到符合自身需求的立法分析助手且不会被--updatepatterns覆盖。小结summarize_legislation是 Fabric 模式库中面向政治提案与立法文本的专业分析工具。它以明确的专家角色、三大目标、多视角研读流程与五段式输出规范把读懂一份法案这件事拆解为可复现、可检验的 AI 工作流——既忠实总结要点也主动挖掘被淡化的细节同时给出正面、平衡与批判三种视角的对照帮助读者穿透修辞看到提案的实质。结合 Fabric 的 Pattern 加载与命令行机制它可以直接投入实际使用也可作为模板定制出更多领域的文本研判方案。【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