企业官网建设流程全解析

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

1. 多维衡量销售人员在通话中的表现（判断"做得好不好"）；
2. 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"）；
3. 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

1. 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；
2. 分析通话：基于提供的转录文本分析整场销售通话；
3. 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；
4. 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

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：

1. 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；
2. 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）
3. SALES CALL PERFORMANCE RATINGS：给出 SALES FUNDAMENTALS 与 PITCH ALIGNMENT 两个维度的 1-10 分；
4. RECOMMENDATIONS：10 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/--topp：Top 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

1. 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；
2. 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；
3. 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