尧图网站建设 
Fabric 实战指南用 analyze_sales_call 模式系统化评估销售通话录音【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销售通话评估长期依赖管理者主观经验难以标准化、规模化复盘。Fabric 仓库内置的analyze_sales_call模式定义文件位于 data/patterns/analyze_sales_call/system.md把如何评判一场销售通话沉淀为一份结构化的 AI 系统提示词它要求模型先读懂公司业务上下文再从销售基本功与话术对齐度两个维度打分并输出失败点清单与改进建议。读完本文你将掌握该模式的完整设计逻辑、评分标尺与输出契约并能用 fabric CLI、配置文件与 REST API 三种方式把它接入自己的销售团队复盘流程。一、这个模式解决什么问题销售通话Sales Call复盘通常有三个痛点缺乏统一评估维度、反馈模糊不可执行、评估标准与公司战略脱节。analyze_sales_call模式给出的解法是把优秀销售评估师的经验封装成一段可复用的系统提示词system prompt任何接入 LLM 的对话都可以扮演这位评估专家。它在 Fabric 的 Pattern 体系中属于分析/评估一族。同一族还有 analyze_incident/system.md、analyze_answers、rate_ai_response 等模式它们共享读取输入 → 按维度分析 → 输出结构化结论的骨架。在仓库自带的 pattern_explanations.md 中该模式的定位被概括为Rates sales call performance across multiple dimensions, providing scores and actionable feedback based on transcript analysis.基于通话转录文本从多个维度评估销售表现给出评分与可执行的反馈。模式所属目录当前只包含一个system.md文件——没有配套的 user.md这意味着调用方需要把卖方公司业务上下文 通话转录文本一起作为用户输入喂给模型。二、Prompt 四段式解剖身份、目标、信念与步骤与其他 Fabric 模式一样可对照模板 data/patterns/official_pattern_template/system.md 观察同款结构该模式由四个递进的部分组成1. IDENTITY定义评估者身份You are an advanced AI specializing in rating sales call transcripts across a number of performance dimensions.这一句锁定模型扮演的角色——精通多维评估销售通话转录文本的高级 AI。设定身份的作用是让模型在生成时保持评估者立场而不是聊天者或销售教练立场。2. GOALS明确三大评估目标多维衡量销售人员在通话中的表现判断做得好不好给出清晰、可行动、可用于考核单通电话和销售个体的分数强调可量化、可用于评估基于分数输出精炼、可执行的改进反馈强调反馈要落到下一次行动。从源码结构看Fabric 中的每个 pattern 由system.md与可选的user.md组成见 internal/plugins/db/fsdb/db.go 中SystemPatternFile: system.md的常量定义其中 system 部分承担的就是这类行为准则设定user 部分才用于承载输入变量。3. BELIEFS AND APPROACH评估哲学——先懂生意再评话术该模式明确提出两条方法论信仰先全面理解业务才有正确上下文去评估销售通话销售团队/销售个人/单次通话不可能优秀除非销售真正理解公司——它的愿景、目标、产品以及这些东西与眼前客户的关联。这条信念直接决定了 STEPS 中的执行顺序业务上下文优先于话术技巧。也就是说该模式认为话术不对齐公司叙事是比临场发挥不佳更根本的失败这也解释了为什么评估维度里专门设置了 PITCH ALIGNMENT。4. STEPS四步评估流水线深度理解业务通读输入中SELLING COMPANY BUSINESS CONTEXT卖方公司业务上下文部分分析通话基于提供的转录文本分析整场销售通话核对对齐度评估销售人员的表达是否匹配公司官方口径pitch、使命、产品与愿景多维评分见下一节。注意输入契约模式约定输入必须包含两个部分——SELLING COMPANY BUSINESS CONTEXT供模型建立评估基准与通话转录文本被分析对象。缺少前者PITCH ALIGNMENT 维度便无法成立。三、评分体系与输出契约评分维度与 1-10 标尺维度含义考察要点SALES FUNDAMENTALS销售基本功销售执行是否扎实是否恰当推介产品、是否针对客户定制话术、是否妥善处理异议、是否推进成交或朝成交方向工作等PITCH ALIGNMENT话术对齐度表达与公司口径的一致性对话是否紧扣公司话术要点、愿景与产品而非泛泛而谈、模糊不清、漫无边际打分采用1-10 整数标尺语义锚点必须严格执行5 meh平庸7 decent尚可8 good良好9 great出色10 perfect完美4 及以下 不同程度的不合格。这一标尺的巧思在于把常被模糊使用的及格线显式化6 分是个尴尬的真空区逼迫评分者在平庸与尚可之间做明确取舍。规定的输出小节模式通过 OUTPUT 章节规定模型必须输出四个命名区块形成结构化、可机器解析、可入库的报告SALES CALL ANALYSIS OVERVIEW一段15 词的总体评价说明这通电话好在哪里/差在哪里CORE FAILURES销售未将话术对齐公司口径、或未使用恰当销售技巧的失败点列表模式内置了若干示例枚举不必尽列没有把产品与竞品做有效区分缺乏对客户的了解与共情把产品讲得跟其他一切东西没区别没有主动推动成交……列出所有相关项越多越好SALES CALL PERFORMANCE RATINGS给出 SALES FUNDAMENTALS 与 PITCH ALIGNMENT 两个维度的 1-10 分RECOMMENDATIONS10 条、每条15 词的要点列表指导该销售未来如何改进方法。值得注意模式全文出现了多次15-word 约束总览、每条建议这是典型的防冗长设计——用字数硬约束倒逼模型输出高密度、可执行的结论避免空话套话。四、在 Fabric 中调用该模式三种运行方式方式一CLI 直连最常用将含业务上下文与转录文本的文件通过管道送入fabric并用-p即--pattern见 internal/cli/flags.go 中Pattern字段的 short 定义-p/long定义pattern指定模式cat sales_call_transcript_with_context.txt | fabric --pattern analyze_sales_call常用配套参数源码字段见 internal/cli/flags.go-m/--model指定模型如-m gpt-4o或用-V指定厂商-t/--temperature温度默认 0.7结构化评分场景建议偏低如 0.2~0.4以提高一致性-T/--toppTop P默认 0.9-s/--stream流式输出便于实时阅读长报告-o/--output把报告写入文件如-o sales_review.md适合批量存档复盘--dry-run只打印将发给模型的组装内容而不真正调用适合调试你的输入是否写对了SELLING COMPANY BUSINESS CONTEXT区块-l/--listpatterns确认本机已加载该模式。把 10 通电话的转录批量跑完后再配合--session会话与-o输出即可沉淀一份可横向对比的评估台账。方式二YAML 配置文件固化默认Fabric 支持通过 YAML 配置固化参数示例见 internal/cli/example.yaml例如把模式名、模型与采样参数写死pattern: analyze_sales_call model: gpt-4o temperature: 0.2 topp: 0.9 stream: true从 internal/cli/flags.go 的Init()逻辑看CLI 显式传入的 flag 优先级高于 YAML 值二者冲突时以命令行参数为准因此你既可以把analyze_sales_call设为默认模式也可以在个别调用时用-p覆盖。方式三REST API 远程调用若启用服务端模式fabric --serve默认监听127.0.0.1:8080可直接调用 patterns 相关路由。由 internal/server/patterns.go 可见GET /patterns/analyze_sales_call读取该模式原始 system.md便于调试与审计模式内容POST /patterns/analyze_sales_call/apply提交 JSON 直接应用模式请求体结构为{input: ..., variables: {...}}其中input即你的业务上下文 通话转录。curl -X POST http://127.0.0.1:8080/patterns/analyze_sales_call/apply \ -H Content-Type: application/json \ -d {input: SELLING COMPANY BUSINESS CONTEXT: ... \n\n TRANSCRIPT: ...}该路由同时会把 URL query 参数与请求体内的variables合并后做变量替换源码见ApplyPattern中的合并逻辑因此你还可以通过变量机制把公司名/产品/本期重点话术做成可注入的模板。五、让评估更有效的三条实战建议写好 SELLING COMPANY BUSINESS CONTEXT 是成败关键。该模式把先懂生意设为信念输入里应包含公司愿景与阶段目标、核心产品线及卖点、与竞品的差异点、目标客户画像。上下文越扎实PITCH ALIGNMENT 评分越有据可依对同一通电话跑多次取一致评分虽被严格锚定但 LLM 单次输出仍有波动可固定 seed-e或降低 temperature 提升可复现性把 CORE FAILURES 与 RECOMMENDATIONS 结构化沉淀因为输出小节名固定可直接按小节名切分解析入库长期追踪单个销售人员的评分趋势与短板演化形成数据驱动的销售辅导闭环。六、小结analyze_sales_call展示了一种可复制的评估模式设计范式用 IDENTITY 锁定立场、用 GOALS 收敛目标、用 BELIEFS 确立业务对齐优先的价值取向、用 STEPS 固定评估流程、用锚定标尺与字数约束倒逼高质量输出。配合 Fabric 的 CLI、YAML 配置与 REST API 三种接入方式它既能单次复盘一通电话也能批量沉淀为销售团队的评估基础设施——这正是 Fabric用众包提示词解决特定问题理念在销售管理场景下的落地样本。【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 Fabric 实战指南：用 analyze_sales_call 模式系统化评估销售通话录音
Fabric 实战指南用 analyze_sales_call 模式系统化评估销售通话录音【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销售通话评估长期依赖管理者主观经验难以标准化、规模化复盘。Fabric 仓库内置的analyze_sales_call模式定义文件位于 data/patterns/analyze_sales_call/system.md把如何评判一场销售通话沉淀为一份结构化的 AI 系统提示词它要求模型先读懂公司业务上下文再从销售基本功与话术对齐度两个维度打分并输出失败点清单与改进建议。读完本文你将掌握该模式的完整设计逻辑、评分标尺与输出契约并能用 fabric CLI、配置文件与 REST API 三种方式把它接入自己的销售团队复盘流程。一、这个模式解决什么问题销售通话Sales Call复盘通常有三个痛点缺乏统一评估维度、反馈模糊不可执行、评估标准与公司战略脱节。analyze_sales_call模式给出的解法是把优秀销售评估师的经验封装成一段可复用的系统提示词system prompt任何接入 LLM 的对话都可以扮演这位评估专家。它在 Fabric 的 Pattern 体系中属于分析/评估一族。同一族还有 analyze_incident/system.md、analyze_answers、rate_ai_response 等模式它们共享读取输入 → 按维度分析 → 输出结构化结论的骨架。在仓库自带的 pattern_explanations.md 中该模式的定位被概括为Rates sales call performance across multiple dimensions, providing scores and actionable feedback based on transcript analysis.基于通话转录文本从多个维度评估销售表现给出评分与可执行的反馈。模式所属目录当前只包含一个system.md文件——没有配套的 user.md这意味着调用方需要把卖方公司业务上下文 通话转录文本一起作为用户输入喂给模型。二、Prompt 四段式解剖身份、目标、信念与步骤与其他 Fabric 模式一样可对照模板 data/patterns/official_pattern_template/system.md 观察同款结构该模式由四个递进的部分组成1. IDENTITY定义评估者身份You are an advanced AI specializing in rating sales call transcripts across a number of performance dimensions.这一句锁定模型扮演的角色——精通多维评估销售通话转录文本的高级 AI。设定身份的作用是让模型在生成时保持评估者立场而不是聊天者或销售教练立场。2. GOALS明确三大评估目标多维衡量销售人员在通话中的表现判断做得好不好给出清晰、可行动、可用于考核单通电话和销售个体的分数强调可量化、可用于评估基于分数输出精炼、可执行的改进反馈强调反馈要落到下一次行动。从源码结构看Fabric 中的每个 pattern 由system.md与可选的user.md组成见 internal/plugins/db/fsdb/db.go 中SystemPatternFile: system.md的常量定义其中 system 部分承担的就是这类行为准则设定user 部分才用于承载输入变量。3. BELIEFS AND APPROACH评估哲学——先懂生意再评话术该模式明确提出两条方法论信仰先全面理解业务才有正确上下文去评估销售通话销售团队/销售个人/单次通话不可能优秀除非销售真正理解公司——它的愿景、目标、产品以及这些东西与眼前客户的关联。这条信念直接决定了 STEPS 中的执行顺序业务上下文优先于话术技巧。也就是说该模式认为话术不对齐公司叙事是比临场发挥不佳更根本的失败这也解释了为什么评估维度里专门设置了 PITCH ALIGNMENT。4. STEPS四步评估流水线深度理解业务通读输入中SELLING COMPANY BUSINESS CONTEXT卖方公司业务上下文部分分析通话基于提供的转录文本分析整场销售通话核对对齐度评估销售人员的表达是否匹配公司官方口径pitch、使命、产品与愿景多维评分见下一节。注意输入契约模式约定输入必须包含两个部分——SELLING COMPANY BUSINESS CONTEXT供模型建立评估基准与通话转录文本被分析对象。缺少前者PITCH ALIGNMENT 维度便无法成立。三、评分体系与输出契约评分维度与 1-10 标尺维度含义考察要点SALES FUNDAMENTALS销售基本功销售执行是否扎实是否恰当推介产品、是否针对客户定制话术、是否妥善处理异议、是否推进成交或朝成交方向工作等PITCH ALIGNMENT话术对齐度表达与公司口径的一致性对话是否紧扣公司话术要点、愿景与产品而非泛泛而谈、模糊不清、漫无边际打分采用1-10 整数标尺语义锚点必须严格执行5 meh平庸7 decent尚可8 good良好9 great出色10 perfect完美4 及以下 不同程度的不合格。这一标尺的巧思在于把常被模糊使用的及格线显式化6 分是个尴尬的真空区逼迫评分者在平庸与尚可之间做明确取舍。规定的输出小节模式通过 OUTPUT 章节规定模型必须输出四个命名区块形成结构化、可机器解析、可入库的报告SALES CALL ANALYSIS OVERVIEW一段15 词的总体评价说明这通电话好在哪里/差在哪里CORE FAILURES销售未将话术对齐公司口径、或未使用恰当销售技巧的失败点列表模式内置了若干示例枚举不必尽列没有把产品与竞品做有效区分缺乏对客户的了解与共情把产品讲得跟其他一切东西没区别没有主动推动成交……列出所有相关项越多越好SALES CALL PERFORMANCE RATINGS给出 SALES FUNDAMENTALS 与 PITCH ALIGNMENT 两个维度的 1-10 分RECOMMENDATIONS10 条、每条15 词的要点列表指导该销售未来如何改进方法。值得注意模式全文出现了多次15-word 约束总览、每条建议这是典型的防冗长设计——用字数硬约束倒逼模型输出高密度、可执行的结论避免空话套话。四、在 Fabric 中调用该模式三种运行方式方式一CLI 直连最常用将含业务上下文与转录文本的文件通过管道送入fabric并用-p即--pattern见 internal/cli/flags.go 中Pattern字段的 short 定义-p/long定义pattern指定模式cat sales_call_transcript_with_context.txt | fabric --pattern analyze_sales_call常用配套参数源码字段见 internal/cli/flags.go-m/--model指定模型如-m gpt-4o或用-V指定厂商-t/--temperature温度默认 0.7结构化评分场景建议偏低如 0.2~0.4以提高一致性-T/--toppTop P默认 0.9-s/--stream流式输出便于实时阅读长报告-o/--output把报告写入文件如-o sales_review.md适合批量存档复盘--dry-run只打印将发给模型的组装内容而不真正调用适合调试你的输入是否写对了SELLING COMPANY BUSINESS CONTEXT区块-l/--listpatterns确认本机已加载该模式。把 10 通电话的转录批量跑完后再配合--session会话与-o输出即可沉淀一份可横向对比的评估台账。方式二YAML 配置文件固化默认Fabric 支持通过 YAML 配置固化参数示例见 internal/cli/example.yaml例如把模式名、模型与采样参数写死pattern: analyze_sales_call model: gpt-4o temperature: 0.2 topp: 0.9 stream: true从 internal/cli/flags.go 的Init()逻辑看CLI 显式传入的 flag 优先级高于 YAML 值二者冲突时以命令行参数为准因此你既可以把analyze_sales_call设为默认模式也可以在个别调用时用-p覆盖。方式三REST API 远程调用若启用服务端模式fabric --serve默认监听127.0.0.1:8080可直接调用 patterns 相关路由。由 internal/server/patterns.go 可见GET /patterns/analyze_sales_call读取该模式原始 system.md便于调试与审计模式内容POST /patterns/analyze_sales_call/apply提交 JSON 直接应用模式请求体结构为{input: ..., variables: {...}}其中input即你的业务上下文 通话转录。curl -X POST http://127.0.0.1:8080/patterns/analyze_sales_call/apply \ -H Content-Type: application/json \ -d {input: SELLING COMPANY BUSINESS CONTEXT: ... \n\n TRANSCRIPT: ...}该路由同时会把 URL query 参数与请求体内的variables合并后做变量替换源码见ApplyPattern中的合并逻辑因此你还可以通过变量机制把公司名/产品/本期重点话术做成可注入的模板。五、让评估更有效的三条实战建议写好 SELLING COMPANY BUSINESS CONTEXT 是成败关键。该模式把先懂生意设为信念输入里应包含公司愿景与阶段目标、核心产品线及卖点、与竞品的差异点、目标客户画像。上下文越扎实PITCH ALIGNMENT 评分越有据可依对同一通电话跑多次取一致评分虽被严格锚定但 LLM 单次输出仍有波动可固定 seed-e或降低 temperature 提升可复现性把 CORE FAILURES 与 RECOMMENDATIONS 结构化沉淀因为输出小节名固定可直接按小节名切分解析入库长期追踪单个销售人员的评分趋势与短板演化形成数据驱动的销售辅导闭环。六、小结analyze_sales_call展示了一种可复制的评估模式设计范式用 IDENTITY 锁定立场、用 GOALS 收敛目标、用 BELIEFS 确立业务对齐优先的价值取向、用 STEPS 固定评估流程、用锚定标尺与字数约束倒逼高质量输出。配合 Fabric 的 CLI、YAML 配置与 REST API 三种接入方式它既能单次复盘一通电话也能批量沉淀为销售团队的评估基础设施——这正是 Fabric用众包提示词解决特定问题理念在销售管理场景下的落地样本。【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