📌 本主題系列工作流所生成的文章，請參考另一個主題系列：[轉生到鬼島的反派，為了生存必須在30天內學會30種 AI 工具！]
📌 本主題內容以個人經驗為主探索 AIGC 協作工作流，建議讀者搭配個人情境參考適用程度
📌 文中使用『引用格式』代表輸入的 Prompt

💡
這是輸入的 Prompt

⚠️ 天才與瘋子只有一線之隔，使用 AIGC 請注意幻覺的副作用，建議搭配應用領域的相關 domain 服用。
⚠️ 由於 AIGC 突飛猛進，本系列介紹的工具版本可能快速的變更而有所差異

Divide and Conquer

Fabric 的另一大優勢是能將多個提示語串聯起來，允許更複雜的工作流程。Fabric 的一切都是在命令行中完成的，你可以通過管道將文字內容發送到 Fabric 命令，然後可能再將 Fabric 的輸出管道到另一個 Fabric 命令或文件中保存答案。

例如，你可以從一個視頻中提取主要想法，然後直接撰寫一篇基於這些想法的文章。就像下面的命令行指令：

yt "<YouTube-URL>" | fabric -p extract-ideas | fabric -p micro-essay

這種靈活性使得 Fabric 成為一個強大的工具，尤其是在需要快速處理大量資訊的情境中。

Fabric 是一個由 Daniel Miessler 創建的工具，用於收集優秀的提示詞，並提供一個工具來在你想使用的任何服務或本地模型上運行它們。它還提供了一些其他的輔助工具，使你能夠獲取大語言模型需要的內容來完成有用的事情。

在 AIGC 的世界中，許多人常常會因為不夠精確的提示語而感到挫折。我親身經歷過多個 AIGC 專案，深知有效提示語的價值。無論你使用的是哪一種 AIGC 服務，像是 ChatGPT 或是其他的 AI 服務，提出更好的問題，往往能得到更好的答案。然而，想出這些問題其實相當困難。

當我們與 AI 互動時，我們常希望能夠簡單地提出問題，然後 AI 就能理解我們的需求並給出正確的答案。但實際上，我們有時會得到一些意想不到的回答。簡單的提示語如「總結這個」或「分析那個」留下太多空間給大語言模型（LLM）自行推斷，因此你很可能會得到出乎意料的結果，然後得出 AI 只不過是個玩具的結論。

但在使用大型語言模型（LLM）時，給予正確的提示和數據指令是相當困難的。你需要提供大量的指示，可能是幾段甚至幾頁的內容，才能獲得理想的結果。而這正是 Fabric 的用武之地。Fabric 提供了一種優秀的思維鏈模式，讓你能夠持續從這些大型語言模型中獲得好的結果，根據你想達成的目標。

Fabric 的理念是將問題分解為小部分，然後逐一應用於 AI。這種方法讓你能夠獲得最佳效果。今天，與大型語言模型（LLM）互動的最佳方式就是這樣：不是一次提問就能得到你想要的結果，而是要創建一個巨大的指令集，然後將這些指令分解成多個部分，最後得到最終的輸出。

例如你想把一段 YouTube 影片內容總結出來，這個請求其實分為幾個部分。首先，你需要獲取影片的文字紀錄，然後再讓大語言模型（LLM）分析內容並產生摘要。

看看這個 Markdown 文件，它詳細描述了一個方法來總結內容，看起來像是寫給人類閱讀並執行的，而事實上也是這樣運作的。這只是一個在 Fabric 中稱為「Pattern」的例子。

假設你想要完成一個特定任務，比如從數據中提取資訊或總結數據，但你希望它以特定格式呈現。這些模型會按照你的要求執行，只要你具體說明。而這正是 Fabric 的核心理念：一個開放源代碼框架，旨在通過 AI 增強人類能力，尤其是在使用大型語言模型（LLM）方面。

在實際應用中，Fabric 的模式可以涵蓋從內容提取到個性分析等多種功能。這不僅提高了效率，也使得日常生活中應用 AI 變得更加可行。如果你成功安裝了 Fabric，那麼你就可以使用它來進行各種任務。這些大型語言模型需要非常具體的提示，而 Fabric 提供了大量的 Pattern，讓你可以輕鬆使用。無論是威脅檢測、總結、創建標籤，還是分析聲明，Fabric 都有相應的 Pattern 來支援你。

總而言之，Fabric 是一個強大而靈活的工具，能夠幫助你更有效地使用大型語言模型（LLM）。通過預先構建的模式和指令，它大大簡化了使用過程，使你能夠專注於解決實際問題，而不是被繁瑣的設置所困擾。