Fabric 模式实战用 analyze_claims 对任何言论做证据核查与 A–F 可信度评级【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 开源仓库内置的analyze_claims模式展开它把批判性评估一段论述编码为结构化提示词强制模型区分论点与事实主张对每条主张分别收集支持证据与反驳证据、识别逻辑谬误并给出 A–F 六个等级的可信度评级。读完本文你将掌握该模式的完整输出契约、A–F 评级与三项总分的设计含义以及通过fabricCLI 以管道、流式输出和 URL 抓取三种方式运行它的具体命令并能直接把它复制到任何 AI 应用中进行日常言论与资讯核查。模式定位客观、居中视角的真值声明分析器analyze_claims/system.md 是一份纯系统提示词System Prompt它的 IDENTITY 与 PURPOSE 段落给出了角色的精确定义You are an objectively minded and centrist-oriented analyzer of truth claims and arguments.即模型被设定为一个持客观、居中倾向的真值声明truth claims与论证arguments分析器专门负责做四件事分析并评级输入文本中作出的真值声明为这些声明提供支持性证据同时提供与之相关的反方论证与反证counter-arguments / counter-evidence为每一条真值声明输出一个可信度评级。其最终目的文档原话是provide a concise and balanced view of the claims made in a given piece of input so that one can see the whole picture—— 对一段输入中作出的种种声明给出简洁且均衡的视图让读者得以看到全貌而不是只见一面之词。这正是该模式与普通问答提示词的本质差异它要求的不是同意或反驳而是把正反证据并列、让信度量化可见。在 Fabric 的模式生态中它的用途被定位为一句话见 pattern_explanations.md 的清单Analyse and rate truth claims with evidence, counter-arguments, fallacies, and final recommendations.在 scripts/pattern_descriptions/pattern_descriptions.json 中它被打上了ANALYSIS、RESEARCH、CR THINKING三枚标签这清晰地表明它属于分析/研究/批判性思维类模式而不是摘要、改写或创意生成类。相邻的同类模式包括 analyze_debate/system.md解析辩论中的主张、共识与分歧、find_logical_fallacies/system.md专门找逻辑谬误与 check_falsifiability/README.md可证伪性核查而analyze_claims的特色在于把证据支撑 反证 谬误 量化评级整合为一条流水线。处理流程设计先拆解后核查再评级该模式的 STEPS 段落极短却至关重要只有两条指令Deeply analyze the truth claims and arguments being made in the input.Separate the truth claims from the arguments in your mind.理解这一设计是使用该模式的关键。它强制模型在内心先把输入拆成两类不同对象真值声明truth claims可以用对/错、真/假来判定的断言例如某国 GDP 增速为 X%、该药物经三期临床验证有效论证arguments由前提推导结论的推理过程可能本身逻辑成立、前提却站不住也可能诉诸谬误。二者的错误类型不同声明可能不实论证可能无效。如果模型不先完成这一步分离就容易把一个论证是否雄辩误当成它主张的事实是否成立来评价。紧随其后的一句Take a step back and think step by step about how to achieve the best possible output given the goals above.则是要求模型后退一步、按步骤规划输出这也解释了为什么最终输出会呈现高度结构化的固定骨架。这种身份IDENTITY→ 目标PURPOSE→ 步骤STEPS→ 输出说明OUTPUT INSTRUCTIONS→ 输入位INPUT的组织方式与仓库中的 official_pattern_template/system.md 模板骨架IDENTITY、GOALS、STEPS、OUTPUT、OUTPUT INSTRUCTIONS、INPUT高度一致README 也在 README.md 中说明Fabric 的模式用 Markdown 编写以保证最大可读性、指令极其明确并且几乎只用 System 段we tend to use the System section of the prompt almost exclusively。analyze_claims正是这一风格的典型样本从文件布局看本模式只包含 system.md 一份正文同目录的 user.md 为空文件整份核查逻辑全部承载于系统提示词侧。输出契约逐段拆解七段式结构化报告OUTPUT INSTRUCTIONS 是整份文档的主体它定义了模型必须原样输出的七大部分。理解这段契约是正确解读与二次加工模型结果的前提。1. ARGUMENT SUMMARY30 词内的论点摘要首先在名为ARGUMENT SUMMARY:的小节输出对整体论证的摘要硬性约束为少于 30 词less than 30 words。注意这里压的是论点而非逐条声明目的是让读者在进入繁复的证据核对前先获得一句能抓住输入核心脉络的高度浓缩判断。2. TRUTH CLAIMS逐条主张的五件套核查这是模式的核心环节。在TRUTH CLAIMS:小节模型需要对输入中的每一条真值声明依次执行以下六步CLAIM:—— 用少于 16 词复述这条主张CLAIM SUPPORT EVIDENCE:—— 给出该主张为真的坚实、可验证证据有效、已核实、易于交叉印证的事实/数据/统计并逐条给出引用来源。文档特别强调DO NOT make any of those up. They must be 100% real and externally verifiable.不得编造必须 100% 真实且可被外部验证CLAIM REFUTATION EVIDENCE:—— 与之对称给出该主张为假/站不住的坚实、可验证证据同样要求来源 100% 真实可外部核实、禁止编造LOGICAL FALLACIES:—— 列出该论证正在犯的逻辑谬误清单并附简短引文片段作为示例CLAIM RATING:—— 在CLAIM RATING:小节为这条主张打分LABELS:—— 给出对该主张的定性标签清单。CLAIM RATING 采用六档制无 E 档等级含义ADefinitely True确定为真BHigh可信度高CMedium可信度中等DLow可信度低FDefinitely False确定为假量表刻意跳过了 E 档强迫评级者必须作出倾向真实或倾向虚假方向性的决定同时全档分级让正反证据不均衡的主张可以被压缩成单个字母便于横向比较多条声明。LABELS则要求模型从修辞/立场维度刻画该主张文档给出的示例词表涵盖风格与立场两大类例如specious貌似有理实则不然、weak薄弱、baseless毫无根据、personal attack人身攻击、emotional情绪化、defensive防御性、fallacious含谬误也包括extreme-right、progressive、woke、conservative、pandering等意识形态与迎合倾向标签。这层输出把事实上的对错与话语上的色彩分开记录——一条主张可以技术上为真评级高却以煽情话术包装带上 emotional / pandering 标签反之亦然。3. OVERALL SCORE对整段输入的三项总评在OVERALL SCORE:小节模型用同一套 A–F 量表为整段输入给出三个分数LOWEST CLAIM SCORE:全部主张中的最低评级整段输入最经不起推敲的下限HIGHEST CLAIM SCORE:全部主张中的最高评级可信度的上限AVERAGE CLAIM SCORE:全部主张的平均评级整体可信水平的集中趋势。这三个数字的组合本身就是高度浓缩的诊断信息极差大lowestF、highestA说明输入泥沙俱下部分属实、部分荒谬整体集中在 C/D 则说明输入经不起核查但并非全盘造假。读者可以只看这一节就对输入的水分快速建立直觉。4. OVERALL ANALYSIS30 词的综合评述与认知更新建议最后在OVERALL ANALYSIS:小节模型输出一段30 词的总结覆盖输入论证质量、其弱点、其优点以及基于这些论证应如何更新自己对世界的理解的建议。这一节的特殊价值在于它把纯批判推向建设性收尾——不是否定或认可而是给出一个认知层面的行动方向。模式级约束它如何自我设限以保证可信度值得专门强调的是这份文档的可靠性工程不只体现在结构上还体现在它对模型的多层自我设限证据真实性条款被重复两遍在 CLAIM SUPPORT EVIDENCE 与 CLAIM REFUTATION EVIDENCE 两处都出现证据必须真实、可验证、附来源禁止编造的强约束这是针对 LLM 最容易失守的幻觉引用问题进行的双重兜底字数硬约束ARGUMENT SUMMARY30 词、每条 CLAIM16 词、OVERALL ANALYSIS30 词的长度上限迫使模型压缩信息、舍弃含混修辞提及即核查机制文档要求为支持证据与反驳证据分别提供可外部核实的引用实质是把信我转译为去查让输出天然成为进一步核实的索引。同时必须诚实指出其边界评级高度依赖模型的世界知识与时效性对超出训练范围的新事件、新数据A/F 判断可能失真证据必须是真实引用是强指令而非硬保证最终逐条核验责任仍在使用者且centrist-oriented居中取向本身是一种对视角的设定不等同于客观真理。因此推荐的用法是把它当作第一轮审稿让模式产出证据清单、谬误候选与初判分数再由你对其中的关键引用做人工复核。命令行实战三种方式运行 analyze_claims在 Fabric 中Pattern模式是附带在命令后的一个--pattern/-p参数。仓库 README.md 直接给出了analyze_claims的三条真实可运行示例覆盖三种典型输入源方式一从剪贴板/标准输入读取文本pbpaste | fabric --stream --pattern analyze_claimspbpaste是 macOS 下读取剪贴板的命令Windows/Linux 的剪贴板替代命令可查阅 README.md 的pbpaste小节文本经标准输入送入模式。加上--stream后模型输出会即时流式打印适合较长的核查文本。方式二配合任意标准输入来源cat article.txt | fabric --pattern analyze_claimsFabric 的通用调用约定是输入经 stdin 进入、结果在 stdout 输出因此任何能输出文本的命令cat、curl、其他命令的 stdout都可以作为待核查言论的来源。方式三直接分析一个网页fabric -u https://example.com/some-page -p analyze_claims-u让 Fabric 先用内置的 Jina AI 抓取工具把目标 URL 转成干净的 Markdown再交给analyze_claims分析——特别适合对博客文章、新闻稿、产品页做整页声明核查。此外仓库模式内置在 data/patterns 目录之外README 也说明了自定义模式的位置把yourpatternname/system.md放入~/.config/fabric/patterns/即可注册自己的模式。由于analyze_claims本身就是纯文本 Markdown即使不安装 CLI也可以直接把 system.md 全文粘贴到 ChatGPT 等任意支持 System Prompt 的应用里使用——README 亦明确欢迎这种只取用 Patterns的用法。典型应用场景与配合建议综合上面的机制analyze_claims在以下场景中最能发挥价值资讯与媒体素养对一篇立场鲜明的时评、新闻稿或社交媒体长文快速得到论点一句话摘要 逐条主张正反证据 全篇 A–F 评级分布抵御单一信源说服研究文献审读对论文、行业报告中下结论的段落逐句剥离声明识别哪些结论有硬证据、哪些只是推断甚至过度引申辩论/言论复盘配合 analyze_debate/system.md 使用先用 analyze_claims 逐方核查其事实声明再用 analyze_debate 评估整体交锋质量写作自检把自己的观点稿反过来跑一遍该模式看会被如何挑刺——支持证据是否扎实、是否存在谬误标签作为发布前的反向质检。需要留意的还有输出长度与延迟一份声明密集的输入会产生逐条展开的长报告建议开启--stream降低等待感若只想要快速初判可优先阅读OVERALL SCORE与OVERALL ANALYSIS两节。小结analyze_claims是对如何核查一句话这一软技能的可复用工程化它用强制拆解声明 vs 论证、正反对照支持证据 vs 反驳证据、谬误标注、A–F 六档评级与最低/最高/平均三项总分把一次高质量的批判性阅读变成了确定性的、可逐条复核的结构化产出。理解了它的输出契约与约束边界你就既能通过fabric --pattern analyze_claims在命令行中直接使用它也能把它迁移到任意 AI 应用中为信息环境里辨别真伪这件越来越重要的事增加一条低成本的自动化防线。【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