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：

1. 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"。
2. 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：

1. 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"；
2. 使用简单的 Markdown 无序列表——无额外格式、无编号、无嵌套装饰；
3. 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 URL（YouTube 字幕提取）与-u URL（URL 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：

1. 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；
2. 加载系统提示词：读取 Patterns/extract_questions/system.md；
3. 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；
4. 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 directly）；
• URL（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：

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_wisdom：LifeOS 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：

1. 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。
2. 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。
3. 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