raw_query 模式：让 Fabric 以通用 AI 身份交付最优结果

raw_query 模式让 Fabric 以通用 AI 身份交付最优结果【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/Fabricraw_query 是 Fabric 模式体系中定位极其特殊的一个 Pattern它不预设任何专业角色、不指定任何处理步骤而是要求模型扮演通用 AI基于对输入内容的充分消化与对发送者意图的深度揣摩直接给出最佳输出。它既是一个可实际调用的模式也是理解 Fabric 模式加载机制、测试通知链路的最佳切入点。读完本文你将掌握 raw_query 的完整语义、在仓库中的底层实现位置以及把它用于日常查询与功能测试的实战方法。一、模式原文一个极简而完整的 Prompt 骨架raw_query 的完整内容位于 data/patterns/raw_query/system.md全文仅由三个章节构成没有任何冗余修饰# IDENTITY You are a universal AI that yields the best possible result given the input. # GOAL - Fully digest the input. - Deeply contemplate the input and what it means and what the sender likely wanted you to do with it. # OUTPUT - Output the best possible output based on your understanding of what was likely wanted.虽然篇幅极短但它遵循了 Fabric 模式的标准三段式结构三个章节各司其职章节作用对模型的约束IDENTITY定义模型在该模式下扮演的身份以通用 AI自居不受任何领域专家角色限制GOAL明确任务目标先完整消化输入Fully digest再深度思考输入的含义与发送者意图Deeply contemplateOUTPUT规定输出形态基于对意图的理解输出可能的最佳结果从提示工程的角度看这是一个典型的最小约束 最大自由度设计IDENTITY 给模型一个稳定的人格锚点GOAL 引导两条思考路径内容层它说了什么与意图层他想让我做什么OUTPUT 则把评判标准交给模型自身的理解力。仓库中 data/patterns/pattern_explanations.md 对其官方释义为Fully digests and contemplates the input to produce the best possible result based on understanding the senders intent.完整消化并沉思输入基于对发送者意图的理解产出最佳结果。二、它在 Fabric 模式体系中的定位Fabric 的每个模式都是data/patterns/下的一个目录目录内通过system.md系统提示与可选的user.md用户提示模板共同定义一次完整调用。raw_query 只提供system.md不带user.md这意味着它的输入完全由调用方通过命令行或管道提供。在 data/patterns/suggest_pattern/user.md 中raw_query 被归类在 AI 评测类模式组内官方一句描述为Process direct queries by interpreting intent.通过解读意图处理直接查询。这个定位非常关键——它区别于 analyze_* 系列分析型、create_* 系列创作型、summarize 系列摘要型属于无预设处理管线的直通型模式输入是什么就按最合理的理解去响应什么。因此raw_query 最适合的使用场景包括开放式提问当你希望模型自由作答而非套用某个固定输出模板时内容快速再处理将一段文本交给模型由它自行判断该总结、改写、翻译还是提取要点管线端点测试作为最简单、输出最稳定的模式用于验证 Fabric 的调用链路、通知机制与输出格式是否符合预期。三、源码视角模式如何被加载与调用要真正用好 raw_query需要理解 Fabric 的模式加载机制。从源码结构看模式实体在 internal/plugins/db/fsdb/db.go 中被定义为基于文件系统目录存储的实体并明确指定系统提示文件名为system.mddb.Patterns PatternsEntity{ StorageEntity: StorageEntity{Label: Patterns, Dir: db.FilePath(patterns), ItemIsDir: true}, SystemPatternFile: system.md, UniquePatternsFilePath: db.FilePath(unique_patterns.txt), CustomPatternsDir: , }可以看到每个模式以目录ItemIsDir: true形式存放其中system.md是系统提示的标准文件名。raw_query 目录下的 system.md 正是被这一机制识别并加载的核心文件。而模式仓库的获取与更新则由 internal/tools/patterns_loader.go 负责它从默认的 Git 仓库克隆data/patterns目录见 internal/tools/patterns_loader.go 中的DefaultPatternsGitRepoUrl与DefaultPatternsGitRepoFolder常量下载完成后会统计模式目录数量并写入loaded标记文件同时生成unique_patterns.txt列出全部模式名。这意味着 raw_query 与其他所有模式一样会随fabric -U更新模式或首次 setup 自动同步到本地。在 CLI 层面internal/cli/flags.go 定义了模式选择的核心参数Pattern string short:p long:pattern yaml:pattern description:Choose a pattern from the available patterns default:即通过-p/--pattern指定要使用的模式名。相关参数还包括-l/--listpatterns列出全部可用模式--readpattern name将指定模式的提示内容打印到终端可用于直接查看 raw_query 的 system.md 全文-U/--updatepatterns从远程仓库更新模式-v/--variable为模式变量传值raw_query 未定义变量因此无需使用。四、实战raw_query 的典型调用方式4.1 管道输入最标准的调用形态Fabric 的典型用法是把任意内容通过管道喂给模式echo Explain the concept of entropy in one sentence. | fabric -p raw_query由于 raw_query 不预设输出格式模型会结合通用 AI身份自主决定用最合适的方式回答——这正是它与summarize、extract_wisdom等强约束模式的核心差异。4.2 文件与 URL 输入# 处理本地文件 cat notes.txt | fabric -p raw_query # 处理网页内容Fabric 内置网页抓取能力 fabric -y https://example.com/article -p raw_query4.3 输出到文件echo Draft a short product description for a noise-cancelling headset. \ | fabric -p raw_query -o result.md-o会把模型输出写入指定文件方便后续归档或继续加工。4.4 组合参数raw_query 同样受 Fabric 全局参数控制例如温度、流式输出、模型选择# 指定模型与温度 echo What are three ways to improve code review? | fabric -p raw_query -m openai/gpt-4o -t 0.3 # 流式输出 echo Summarize this paragraph: ... | fabric -p raw_query -s五、raw_query 在仓库中的真实用途通知机制测试raw_query 在 docs/Desktop-Notifications.md 中被官方选作桌面通知功能的测试模式这是它最重要的实战用途之一。Fabric 的--notification参数可以在命令完成后触发系统通知用于长任务提醒。官方文档给出的自定义通知命令测试方式docs/Desktop-Notifications.md# 测试 $1 与 $2 是否正确传递 fabric --pattern raw_query --notification-command echo Title: $1, Message: $2 test input以及排查通知不显示时的最小复现命令docs/Desktop-Notifications.mdecho test | fabric --pattern raw_query --notification --dry-run选 raw_query 而非其他模式来测试原因显而易见它不需要任何额外输入结构、没有必填变量、输出格式自由任何输入都能得到合理响应因此是验证通知参数传递是否正确、链路是否通畅的最小实验样本。通知标题默认为 Fabric Command Complete 或 Fabric: [pattern] Complete消息正文取输出的前 100 个字符超长截断加 ...详见 docs/Desktop-Notifications.md。六、与其他模式的横向对比为便于理解 raw_query 的定位可将其与仓库中若干模式对照模式提示结构输出约束适用场景raw_query仅 IDENTITY/GOAL/OUTPUT无步骤无固定格式自由发挥开放式提问、意图解读、链路测试rate_value见 data/patterns/rate_value/system.md含详细 STEPS 与计算算法强制输出 JSON含 VPM 指标评估内容的价值密度extract_wisdom含多步骤提取流程结构化要点清单从长文本/视频中抽取洞见summarize摘要流程多语言摘要结构内容压缩可以看出绝大多数 Fabric 模式都通过# STEPS章节规定了怎么做而 raw_query 刻意省略了步骤把处理方式完全交给模型。这也是它名称的由来——像直接查询一样不做中间加工。七、使用建议与注意事项不要把它当作专用分析器需要结构化输出如 JSON、评分、固定字段时请选择 rate_value、rate_content 等带输出指令的模式raw_query 的优势在自由应答。可用于快速验证环境换模型、换供应商、调试通知时先用fabric -p raw_query打一条最小输入能快速区分配置问题与模式问题。可通过--readpattern raw_query随时回顾其提示全文确认本地模式版本与仓库 data/patterns/raw_query/system.md 是否一致如需更新到最新执行fabric -U。身份设定决定了输出上限raw_query 的全部能力来自universal AI这一身份锚点与两条思考目标。实际使用时输入中携带足够的上下文背景、期望、约束模型对发送者意图的揣摩才会更准确——这符合其 GOAL 章节对深度思考意图的设计初衷。结语raw_query 以不到十行的提示文本诠释了 Fabric 模式设计中最核心的思想把该做什么交给提示结构把如何做最好交给模型。它既是日常使用的通用查询入口也是测试与调试 Fabric 链路的标准探针。结合 internal/plugins/db/fsdb/db.go 中的模式加载机制与 internal/cli/flags.go 中的参数体系你可以在完全理解其底层工作方式的基础上把它嵌入到自己的 AI 工作流中。【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