Fabric: 用模块化 AI 提示词框架增强人类能力

痛点切入：AI 时代的「整合焦虑」

你一定有过这样的体验——刷到一篇 2 万字的英文技术报告，想快速提炼核心观点；面试了 5 位候选人，HR 发来一大摞简历需要横向对比；开源项目 Issue 区积压了几十条讨论，需要快速判断优先级……这些任务本质上都是重复性的信息处理，AI 完全可以帮你搞定，但你就是找不到趁手的工具。

市面上的 AI 聊天界面（ChatGPT、Claude网页版）每次都要手敲提示词，而且不同任务需要反复调整措辞。更要命的是，这些工具无法直接读取你的本地文件、无法调用特定 API、无法与你常用的工作流集成。Fabric 正是为了解决这个「AI 整合问题」而生——它不关心 AI 能力本身，而是专注于解决：如何把 AI 能力模块化地嵌入到你的真实工作场景中。

项目起源：安全博主的 AI 实践之路

Fabric 由 Daniel Miessler 创立。Miessler 是信息安全领域的老兵，创办了知名博客 Unsupervised Learning，长期撰写科技、安全、哲学相关的内容，同时也是颇受欢迎的技术演讲者。

2023 年初，Miessler 开始系统性地用 AI 辅助内容创作和日常工作时，发现一个核心矛盾：AI 本身能力很强，但缺乏可复用的任务封装。他花大量时间反复撰写相似的提示词，既低效又难以保持一致性。于是 Fabric 的想法逐渐成型——创建一个开源框架，专门管理 AI 的「任务模板」（Fabric 称之为 Patterns）。

项目于 2023 年中开源，迅速在开发者社区传播。README 文件本身就像一份详细的使用手册，涵盖了哲学理念、安装方式、示例场景，甚至包括完整的国际化（i18n）指南。2025 年底，Fabric 添加了完整的国际化支持，README 已有中文版本。

核心设计：Patterns + Providers 双层架构

Patterns（模式库）：AI 任务的可复用封装

Fabric 的核心是 Patterns——一种结构化的提示词模板。每个 Pattern 对应一个特定任务场景，比如：

Pattern 名称	功能
`summarize`	长文摘要，提取核心要点
`analyze_claims`	分析论证逻辑，识别论点/论据
`analyze_paper`	学术论文深度分析
`analyze_resume`	简历评估与候选人对比
`analyze_incident`	安全事件/故障报告分析
`analyze_malware`	恶意软件静态分析报告
`create_qa_from_doc`	从文档生成问答对
`extract_wisdom`	从播客/会议记录提取洞见

项目在 data/patterns/ 目录下维护了数百个细分场景的 Pattern，覆盖写作、分析、代码、创意等大类。每个 Pattern 目录内通常包含：

system.md — 系统级指令（AI 的角色定位和处理框架）
user.md — 用户提示模板（可接受输入变量）
可选元数据文件

Providers（服务商）：统一接口对接多 AI 后端

Fabric 的另一核心抽象是 Providers——通过标准化的 Go 接口，Fabric 可以对接几乎所有主流 AI 服务商：

OpenAI（GPT-4o、GPT-4o-mini、o1、o3、o4-mini、Codex）
Anthropic（Claude Opus 4.5、Sonnet 4、Haiku 3）
Google（Gemini 系列）
AWS Bedrock（Claude、Gemini、Mistral 等）
Azure OpenAI + Azure AI Gateway
Ollama（本地模型，支持 Llama、Mistral 等开源模型）
Venice AI（隐私优先的开源 AI 平台）
DigitalOcean GenAI
Z AI
Abacus AI

通过 go.mod 可以看到，Fabric 深度集成了各家的官方 SDK（anthropics-sdk-go、openai-go、ollama、aws-sdk-go-v2），而非简单调用 REST API，保证了类型安全和稳定性。

Strategies（推理策略）：让 AI 学会「思考方式」

Fabric 还在 data/strategies/ 中定义了多种推理策略，类似于 Chain-of-Thought（CoT）、Tree-of-Thoughts（ToT）等高级推理范式。内置策略包括：

cot.json — Chain-of-Thought（链式思考）
tot.json — Tree-of-Thoughts（思维树）
aot.json — Algorithm of Thoughts（算法化思考）
reflexion.json — Reflexion（反思机制）
self-consistent.json — 自洽性推理
self-refine.json — 自我优化
cod.json — Code-based Reasoning（代码推理）
ltm.json — Long-Term Memory（长期记忆）

这些策略可以与 Patterns 组合使用，让同一个任务在不同推理模式下产生不同质量的输出。

Web UI：SvelteKit 构建的现代交互界面

除了纯 CLI，Fabric 还提供了完整的 Web UI（基于 SvelteKit + TailwindCSS + TypeScript）。Web UI 允许用户在浏览器中：

搜索和浏览所有可用 Patterns
预览每个 Pattern 的系统/用户提示内容
在线执行 Pattern 并查看输出
管理 AI Provider 配置（API Key 管理）
查看交互式概念图和文档

Fabric Web UI 截图

图1：Fabric Web UI 截图，展示 Pattern 列表和在线执行功能。

Web UI 的 package.json 显示使用了 @sveltejs/kit、svelte、@skeletonlabs/skeleton（UI组件库）、tailwindcss 等现代前端技术栈，支持 PWA 和国际化。

REST API：深度集成到现有工作流

Fabric 还内置了 Gin（Go Web 框架）驱动的 REST API 服务，提供了 /swagger/index.html 交互式 Swagger 文档。API 可以：

上传文件供 Pattern 处理
选择 Pattern 和推理策略
指定 AI Provider
获取结构化输出

这意味着 Fabric 不只是一个工具，更是一个可以嵌入到自动化流水线中的 AI 微服务。

适用人群：谁应该用 Fabric？

强烈推荐：

内容创作者：需要频繁从长文档/播客/视频中提取关键信息的写作者
安全分析师：处理漏洞报告、恶意软件分析、安全公告的技术人员
HR/猎头：批量处理简历、对比候选人背景
开发者：代码审查、文档生成、PR 分析

有限适用：

习惯图形界面、不熟悉命令行的用户（Web UI 仍在活跃开发中）
已有类似 AI 工作流（Zapier、LangChain）的团队（需评估迁移成本）

不推荐：

仅需要简单问答的用户（直接用 ChatGPT 更省事）
需要复杂 Agent 编排的复杂任务（Fabric 是轻量框架，不适合复杂多步推理链）

争议与局限

Pattern 质量参差不齐：社区贡献的 Pattern 数量众多，但质量没有统一审核机制，部分 Pattern 可能产生不稳定输出。
Provider 配置复杂：同时维护多个 AI 服务商的 API Key，对普通用户有一定门槛。
无本地向量存储：不像 RAG 系统，Fabric 本身不维护知识库，每次调用都是独立的 Prompt-Response 交互。
强依赖网络：即使使用 Ollama 本地模型，Pattern 的管理和执行仍需联网获取更新。

行业意义：开源社区的「AI 工具集」运动

Fabric 4 万+ Star 的背后，反映的是一个更大的趋势：AI 工具的「中间件化」。随着 AI 能力越来越强、越来越便宜，市场开始关注如何将这些能力整合进已有的工作流，而非另起炉灶做一个新的「AI 聊天界面」。

类似的趋势还体现在：

Prompt engineering 工具链的成熟（LangChain、PromptFlow、Dify）
开源 Pattern/Template 社区的兴起
AI Gateway/Proxy 产品的流行

Fabric 的定位是「AI 能力的组织层」——它不取代底层 AI 服务商，也不追求极简的 UX，而是在两者之间构建了一个高度可组合、可扩展、可 Fork 的中间层。这种开源、模块化的设计哲学，是 Fabric 与商业 AI 产品的根本区别。

快速上手

# 安装（macOS/Linux）
curl -fsSL https://raw.githubusercontent.com/danielmiessler/Fabric/main/scripts/setup.sh | bash

# 列出所有 Patterns
fabric --list

# 使用 summarize Pattern 总结文章
cat article.txt | fabric --patterns summarize

# 启动 Web UI
cd web && npm install && npm run dev

作者：Daniel Miessler（@danielmiessler） 许可证：MIT 最新版本：v1.4.437（2026年3月）

Fabric: 用模块化 AI 提示词框架增强人类能力

痛点切入：AI 时代的「整合焦虑」

项目起源：安全博主的 AI 实践之路

核心设计：Patterns + Providers 双层架构

Patterns（模式库）：AI 任务的可复用封装

Fabric 的核心是 Patterns——一种结构化的提示词模板。每个 Pattern 对应一个特定任务场景，比如：

Pattern 名称	功能
`summarize`	长文摘要，提取核心要点
`analyze_claims`	分析论证逻辑，识别论点/论据
`analyze_paper`	学术论文深度分析
`analyze_resume`	简历评估与候选人对比
`analyze_incident`	安全事件/故障报告分析
`analyze_malware`	恶意软件静态分析报告
`create_qa_from_doc`	从文档生成问答对
`extract_wisdom`	从播客/会议记录提取洞见

项目在 data/patterns/ 目录下维护了数百个细分场景的 Pattern，覆盖写作、分析、代码、创意等大类。每个 Pattern 目录内通常包含：

system.md — 系统级指令（AI 的角色定位和处理框架）
user.md — 用户提示模板（可接受输入变量）
可选元数据文件

Providers（服务商）：统一接口对接多 AI 后端

Fabric 的另一核心抽象是 Providers——通过标准化的 Go 接口，Fabric 可以对接几乎所有主流 AI 服务商：

OpenAI（GPT-4o、GPT-4o-mini、o1、o3、o4-mini、Codex）
Anthropic（Claude Opus 4.5、Sonnet 4、Haiku 3）
Google（Gemini 系列）
AWS Bedrock（Claude、Gemini、Mistral 等）
Azure OpenAI + Azure AI Gateway
Ollama（本地模型，支持 Llama、Mistral 等开源模型）
Venice AI（隐私优先的开源 AI 平台）
DigitalOcean GenAI
Z AI
Abacus AI

Strategies（推理策略）：让 AI 学会「思考方式」

Fabric 还在 data/strategies/ 中定义了多种推理策略，类似于 Chain-of-Thought（CoT）、Tree-of-Thoughts（ToT）等高级推理范式。内置策略包括：

cot.json — Chain-of-Thought（链式思考）
tot.json — Tree-of-Thoughts（思维树）
aot.json — Algorithm of Thoughts（算法化思考）
reflexion.json — Reflexion（反思机制）
self-consistent.json — 自洽性推理
self-refine.json — 自我优化
cod.json — Code-based Reasoning（代码推理）
ltm.json — Long-Term Memory（长期记忆）

这些策略可以与 Patterns 组合使用，让同一个任务在不同推理模式下产生不同质量的输出。

Web UI：SvelteKit 构建的现代交互界面

除了纯 CLI，Fabric 还提供了完整的 Web UI（基于 SvelteKit + TailwindCSS + TypeScript）。Web UI 允许用户在浏览器中：

搜索和浏览所有可用 Patterns
预览每个 Pattern 的系统/用户提示内容
在线执行 Pattern 并查看输出
管理 AI Provider 配置（API Key 管理）
查看交互式概念图和文档

Fabric Web UI 截图

图1：Fabric Web UI 截图，展示 Pattern 列表和在线执行功能。

Web UI 的 package.json 显示使用了 @sveltejs/kit、svelte、@skeletonlabs/skeleton（UI组件库）、tailwindcss 等现代前端技术栈，支持 PWA 和国际化。

REST API：深度集成到现有工作流

Fabric 还内置了 Gin（Go Web 框架）驱动的 REST API 服务，提供了 /swagger/index.html 交互式 Swagger 文档。API 可以：

上传文件供 Pattern 处理
选择 Pattern 和推理策略
指定 AI Provider
获取结构化输出

这意味着 Fabric 不只是一个工具，更是一个可以嵌入到自动化流水线中的 AI 微服务。

适用人群：谁应该用 Fabric？

强烈推荐：

内容创作者：需要频繁从长文档/播客/视频中提取关键信息的写作者
安全分析师：处理漏洞报告、恶意软件分析、安全公告的技术人员
HR/猎头：批量处理简历、对比候选人背景
开发者：代码审查、文档生成、PR 分析

有限适用：

习惯图形界面、不熟悉命令行的用户（Web UI 仍在活跃开发中）
已有类似 AI 工作流（Zapier、LangChain）的团队（需评估迁移成本）

不推荐：

仅需要简单问答的用户（直接用 ChatGPT 更省事）
需要复杂 Agent 编排的复杂任务（Fabric 是轻量框架，不适合复杂多步推理链）

争议与局限

Pattern 质量参差不齐：社区贡献的 Pattern 数量众多，但质量没有统一审核机制，部分 Pattern 可能产生不稳定输出。
Provider 配置复杂：同时维护多个 AI 服务商的 API Key，对普通用户有一定门槛。
无本地向量存储：不像 RAG 系统，Fabric 本身不维护知识库，每次调用都是独立的 Prompt-Response 交互。
强依赖网络：即使使用 Ollama 本地模型，Pattern 的管理和执行仍需联网获取更新。

行业意义：开源社区的「AI 工具集」运动

类似的趋势还体现在：

Prompt engineering 工具链的成熟（LangChain、PromptFlow、Dify）
开源 Pattern/Template 社区的兴起
AI Gateway/Proxy 产品的流行

快速上手

# 安装（macOS/Linux）
curl -fsSL https://raw.githubusercontent.com/danielmiessler/Fabric/main/scripts/setup.sh | bash

# 列出所有 Patterns
fabric --list

# 使用 summarize Pattern 总结文章
cat article.txt | fabric --patterns summarize

# 启动 Web UI
cd web && npm install && npm run dev

作者：Daniel Miessler（@danielmiessler） 许可证：MIT 最新版本：v1.4.437（2026年3月）