Einleitung
Sie kennen das Szenario: Ein Unternehmen verkündet eine neue Richtlinie, eine prominente Persönlichkeit äußert sich kontrovers oder eine überraschende Nachricht schlägt ein. Die sozialen Medien reagieren explosiv – und die Folgen sind selten vorhersehbar.
Was wäre, wenn Sie vorab simulieren könnten, wie sich ein solches Szenario entwickelt?
MiroFish ist eine Multi-Agenten-KI-Simulationsplattform für „Was wäre wenn“-Fragen im Bereich Social Media. Die Plattform erzeugt eine digitale Parallelwelt, in der Hunderte KI-Agenten mit unterschiedlichen Eigenschaften, Erinnerungen und Verhaltensmustern interagieren. Sie laden Ausgangsmaterial (z. B. Artikel, Richtlinien, Studien) hoch und simulieren, wie verschiedene Zielgruppen über Zeit reagieren.
💡 Das MiroFish-Team hat sämtliche Simulations-APIs mit Apidog entwickelt und getestet. Von der Endpunkt-Erstellung für Graph-Konstruktion bis zur Validierung der Interview-API diente Apidog in der gesamten Entwicklung als Single Source of Truth für Backend und Frontend.
In diesem Artikel erhalten Sie einen technischen Leitfaden: Was leistet MiroFish? Wie funktioniert Multi-Agenten-Simulation? Wann ist der Einsatz sinnvoll?
Welches Problem löst MiroFish?
Die Vorhersagelücke
Social Media entwickelt sich rasant und oft unberechenbar. Klassische Analysewerkzeuge liefern nur rückblickende Erkenntnisse:
- Stimmungsanalyse: Zeigt, was Nutzer jetzt denken
- Trendüberwachung: Erfasst, was heute populär ist
- Engagement-Metriken: Messen, was bereits geschehen ist
Keines davon zeigt, was passieren könnte, wenn Sie eine neue Ankündigung machen oder eine Kontroverse beantworten.
Die Alternative: Digitale Parallelwelten
MiroFish geht einen anderen Weg – statt Analyse echter Plattformen wird eine Simulation aufgebaut:
- Wissensgraph aus den Eingabedokumenten erstellen
- Entitäten extrahieren (Personen, Organisationen, Medien) und als Agenten modellieren
- Persönlichkeiten zuweisen (Aktivität, Einfluss, Standpunkte)
- Simulation durchführen – Agenten posten, kommentieren, reagieren über simulierte Zeiträume
- Ergebnis analysieren: Welche Narrative entstehen? Wer dominiert? Wie bilden sich Gegenbewegungen?
Stellen Sie sich das als „Flugsimulator“ für Social-Media-Szenarien vor.
Wie MiroFish funktioniert: Der Fünf-Schritte-Workflow
┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ Step 1 │ ──► │ Step 2 │ ──► │ Step 3 │ ──► │ Step 4 │ ──► │ Step 5 │
│ Ontology │ │ GraphRAG │ │ Env │ │ Simulation │ │ Report │
│ Generation │ │ Build │ │ Setup │ │ Run │ │ Generation │
└─────────────┘ └─────────────┘ └─────────────┘ └─────────────┘ └─────────────┘
Schritt 1: Ontologie-Generierung
- Eingabedokumente und Anforderungen werden analysiert
- Ein LLM generiert automatisch eine Ontologie:
- 10 Entitätstypen (z.B. Student, Professor, Medienunternehmen)
- 10 Beziehungstypen (z.B. ARBEITET_FÜR, KOMMENTIERT)
- Attribute je Typ
- Struktur: 8 spezifische Typen plus Fallbacks
PersonundOrganisation
Schritt 2: GraphRAG-Konstruktion
- Dokumente in Abschnitte (500 Zeichen, 50 Zeichen Überlappung) teilen
- Batches via Zep Cloud verarbeiten:
- Eigenständigen Graph mit ID anlegen
- Ontologie setzen
- Batches zur Entitäts-/Relationsextraktion senden
- Verarbeitung abwarten
- Finalen Graph mit Knoten und Kanten abrufen
Ergebnis: Ein Wissensgraph mit Hunderten/tausenden verknüpften Entitäten.
Schritt 3: Umgebungs-Setup
- Konfigurationsgenerator analysiert Graph und erstellt Agentenparameter:
- Zeiteinstellungen: z.B. chinesische Muster (Peak: 19–22 Uhr)
- Ereignisse: Startbeiträge, Hot Topics
- Agenten-Aktivität: Beiträge/Stunde, Antwortverzögerungen, Einfluss
- Plattformen: Twitter & Reddit mit eigenen Viralitätsregeln
Schritt 4: Simulationslauf
- Agenten werden nach Aktivitätsplan aktiv
- Aktionen: Posten, Kommentieren, Reagieren
- Parallele Simulationen auf Twitter/Reddit
- Aktionen werden in Echtzeit als JSONL geloggt
72 Stunden Simulation = Tausende Aktionen pro Plattform.
Schritt 5: Berichterstellung
- Drei Tools analysieren die Ergebnisse:
- InsightForge: Detaillierte Recherche (Fragen zerlegen)
- PanoramaSearch: Komplette Übersicht inkl. historischer Fakten
- InterviewAgents: Live-Interviews mit Agenten (IPC)
Ergebnisbericht zeigt: Narrative, Schlüsselmomente, einflussreiche Stimmen, Gegenbewegungen.
Was sind KI-Agenten in MiroFish?
Jeder Agent ist eine eigenständige KI-Entität mit spezifischen Attributen:
| Attribut | Beschreibung | Beispiel |
|---|---|---|
| Identität | Name, Benutzername, Biografie | @ZhangWei_Student |
| Persona | Persönlichkeit, Hintergrund | „Doktorand, der über KI-Ethik forscht“ |
| Aktivitätsniveau | Posting-Häufigkeit (0.0–1.0) | 0.8 = sehr aktiv |
| Aktive Stunden | Wann online | [8,9,10,11,18,19,20,21,22,23] |
| Antwortverzögerung | Reaktionszeit (Minuten) | 5–30 Min. |
| Einflussgewicht | Sichtbarkeit für andere | 0.8 (niedrig) bis 3.0 (hoch) |
| Haltung | Position zu Themen | unterstützend, ablehnend, neutral |
| Speicher | Historie der Aktionen/Interaktionen | Gespeichert im Zep-Cloud-Graph |
Entscheidungen werden autonom getroffen: Agenten bestimmen, wann/wie sie posten und reagieren – abhängig von Persönlichkeit und Simulationsstatus.
Was können Sie simulieren?
Nachrichten & Richtlinien-Ankündigungen
- Richtlinienentwurf oder Artikel hochladen
- Fragen: Wer verstärkt die Botschaft? Welche Kritik kommt? Wie entwickeln sich Narrative in 24–72h?
Akademische Forschung
- Forschungspapier hochladen
- Fragen: Was wird aufgegriffen? Wo entstehen Missverständnisse? Unterschied Experten-Laien?
Krisenszenarien
- Vorfallberichte/BG-Material hochladen
- Fragen: Wie ändert sich das Narrativ bei sofortiger vs. später Reaktion? Welche Influencer treiben die Diskussion?
Literarische & historische Analyse
- Roman oder historischer Text hochladen
- Fragen: Wie reagieren Charaktere außerhalb des Buchendes? Welche alternativen Verläufe sind plausibel?
Was macht MiroFish anders?
Schwarmintelligenz statt Einzelagenten
Statt einen Nutzer zu simulieren, agieren Hunderte von Agenten mit unterschiedlichen Persönlichkeiten. Emergenz entsteht durch Interaktion, nicht Skripte.
Dual-Plattform-Simulation
- Twitter: Schnelle Verbreitung, hoher Influencer-Einfluss
- Reddit: Thread-Diskussionen, Community-getriebene Narrative
Vergleiche zeigen, wie sich Mechaniken auf Ergebnisse auswirken.
Temporaler Wissensgraph
Beziehungen enthalten Zeit-Metadaten:
-
valid_at: Gültigkeitsbeginn -
invalid_at: Gültigkeitsende -
expired_at: Abgelöst
So lässt sich der Verlauf nachvollziehen, nicht nur der Endzustand.
Live-Agenten-Interviews
Interviewen Sie Agenten während/nach der Simulation für qualitative Insights – direkt aus Agentenperspektive.
Technische Architektur auf einen Blick
┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
│ Frontend │ │ Backend │ │ External │
│ (Vue.js) │ ◄─► │ (FastAPI) │ ◄─► │ Services │
│ │ │ │ │ │
│ - Graph builder │ │ - REST API │ │ - Zep Cloud │
│ - Simulation │ │ - Subprocess │ │ - LLM API │
│ monitor │ │ management │ │ - OASIS │
│ - Report viewer │ │ - JSONL stream │ │ Framework │
└─────────────────┘ └─────────────────┘ └─────────────────┘
Backend-Stack
- Python FastAPI: REST-Endpunkte
- OASIS Framework: Agentensimulation
- Zep Cloud: Wissensgraph-Speicherung und -Abfrage
- SQLite: Simulationsstatus
Frontend-Stack
- Vue.js 3: Reaktive UI
- WebSocket: Echtzeit-Updates
- D3.js: Graph-Visualisierung
API-Design mit Apidog
Das Backend stellt 40+ Endpunkte in 5 Diensten bereit:
| Dienst | Endpunkte | Zweck |
|---|---|---|
| Graph-Erstellung | 8 | Ontologie, Batch-Upload, Statusabfrage |
| Entitätsleser | 4 | Entitäten filtern, Typauswahl, Export |
| Konfigurationsgenerator | 6 | Zeit-/Ereignis-/Agenten-/Plattform-Konfiguration |
| Simulations-Runner | 12 | Start, Stopp, Monitoring, Interviews, Status |
| Berichtsgenerator | 5 | Abruf, Analyse, Zusammenfassung |
Apidog wurde genutzt zum Design, Mocking und zur Dokumentation aller APIs – und garantiert Konsistenz zwischen Frontend und Backend.
Wann sollten Sie MiroFish verwenden?
Geeignete Anwendungsfälle
- Szenarioplanung: „Was passiert, wenn wir X ankündigen?“
- Stakeholder-Analyse: „Wie reagieren verschiedene Gruppen?“
- Narrativ-Verfolgung: „Entstehen Gegenargumente?“
- Forschungsvalidierung: „Testen unserer Hypothesen zum Nutzerverhalten“
- Pädagogische Szenarien: „Wie würden historische Figuren auf moderne Ereignisse reagieren?“
Ungeeignete Anwendungsfälle
- Präzise Vorhersagen: MiroFish liefert plausible, aber keine garantierten Ergebnisse
- Echtzeitüberwachung: Simulation, keine Live-Datenanalyse
- Kleine Umfragen: Das System entfaltet seinen Wert bei vielen Agenten
- Nicht-soziale Phänomene: Fokus auf Social-Media-Dynamik, nicht Wirtschaft/Physik
Erste Schritte mit MiroFish
Anforderungen
- Python 3.10+
- Node.js 18+
- Zep Cloud API-Schlüssel
- LLM API-Zugang (OpenAI-kompatibel)
Schnellstart
# Repository klonen
git clone https://github.com/666ghj/MiroFish.git
cd MiroFish
# Abhängigkeiten installieren
pip install -r requirements.txt
npm install
# Umgebungsvariablen konfigurieren
cp .env.example .env
# Bearbeiten Sie .env mit Ihren API-Keys
# Backend starten
python backend/app/main.py
# Frontend starten
npm run dev
Erste Simulation
- Dokumente hochladen: PDF, TXT oder MD
- Simulationsfrage definieren: Was möchten Sie untersuchen?
- Ontologie generieren: Entitätstypen vorschlagen lassen
- Wissensgraph erstellen: Entitäten und Beziehungen extrahieren
- Konfigurieren & Ausführen: Simulationsdauer festlegen, starten
- Überwachen & Interviewen: Aktionen live beobachten, Agenten interviewen
- Bericht generieren: Zusammenfassung erhalten
Eine typische Simulation ist in 30–60 Minuten abgeschlossen.
Häufig gestellte Fragen
Wie genau sind die Simulationen?
MiroFish liefert plausible Szenarien auf Basis Ihrer Eingaben und Verhaltensmodelle – keine garantierten Vorhersagen. Nutzen Sie es zur Entdeckung unerwarteter Dynamiken.
Wie viele Agenten kann MiroFish simulieren?
50–200 Agenten laufen problemlos. Mehr (500+) sind möglich, erfordern aber mehr Ressourcen und Zeit.
Kann ich das Agentenverhalten anpassen?
Ja, Sie können Aktivitätsmuster, Einflussgewichte und Haltungen verändern. Fortgeschrittene Nutzer passen Agentenkonfigurationen direkt an.
Unterstützt MiroFish auch nicht-chinesische Szenarien?
Standardmäßig ist die Zeitzonen-Logik auf chinesische Social-Media-Muster optimiert. Sie können jedoch Zeitpläne für andere Regionen anpassen.
Sind meine Daten privat?
Dokumente werden lokal verarbeitet und zur Entitätsextraktion an Zep Cloud gesendet. Prüfen Sie bei sensiblen Daten die Zep-Nutzungsbedingungen oder setzen Sie auf lokale Alternativen.
Fazit
MiroFish ermöglicht es Ihnen, komplexe Social-Media-Szenarien in digitalen Parallelwelten zu simulieren – bevor sie Wirklichkeit werden. Durch die Simulation von Hunderten KI-Agenten mit individuellen Persönlichkeiten und Verhaltensweisen decken Sie Narrative, Gegenbewegungen und Schlüsselakteure auf, die klassische Analysetools nicht erfassen.
Ob für Policy-Tests, Forschung oder literarische Szenarien: MiroFish eröffnet neue Perspektiven beim Verständnis sozialer Dynamiken.
Top comments (0)