Thanawat Wongchai

Posted on Mar 19 • Originally published at apidog.com

MiroFish คืออะไร แพลตฟอร์ม AI จำลองสถานการณ์ทำนายผลลัพธ์โซเชียลมีเดีย

บทนำ

คุณเคยเห็นมันเกิดขึ้นแล้ว บริษัทประกาศนโยบายใหม่ คนดังแสดงความคิดเห็นที่ก่อให้เกิดการโต้แย้ง ข่าวที่ไม่มีใครคาดคิดเกิดขึ้น โซเชียลมีเดียระเบิดขึ้น และผลที่ตามมาก็แผ่ขยายออกไปในแบบที่ไม่มีใครคาดเดาได้

ลองใช้ Apidog วันนี้

จะเป็นอย่างไรหากคุณสามารถเห็นว่าสถานการณ์หนึ่งๆ จะดำเนินไปอย่างไรก่อนที่จะเกิดขึ้นจริงในโลกแห่งความเป็นจริง

MiroFish คือแพลตฟอร์มจำลองสถานการณ์ AI แบบหลายเอเจนต์ที่ตอบคำถาม "จะเกิดอะไรขึ้นถ้า" เกี่ยวกับโซเชียลมีเดีย แพลตฟอร์มนี้สร้างโลกดิจิทัลคู่ขนานที่ซึ่งเอเจนต์ AI หลายร้อยตัวที่มีบุคลิก ความทรงจำ และรูปแบบพฤติกรรมที่แตกต่างกัน สามารถโต้ตอบกันได้อย่างอิสระ คุณอัปโหลดข้อมูลเริ่มต้น—เช่น บทความข่าว ร่างนโยบาย หรือเอกสารวิจัย—และ MiroFish จะจำลองว่ากลุ่มเป้าหมายต่างๆ อาจมีปฏิกิริยาอย่างไรเมื่อเวลาผ่านไป

💡ทีม MiroFish สร้างและทดสอบ API การจำลองทั้งหมดโดยใช้ Apidog ตั้งแต่การออกแบบปลายทางสำหรับการสร้างกราฟไปจนถึงการตรวจสอบความถูกต้องของการตอบกลับ API สำหรับการสัมภาษณ์ Apidog ได้ทำหน้าที่เป็นแหล่งข้อมูลอ้างอิงหลักสำหรับสัญญาแบ็กเอนด์/ฟรอนต์เอนด์ตลอดการพัฒนา

คำอธิบายนี้จะครอบคลุมถึงสิ่งที่ MiroFish ทำ, การจำลองสถานการณ์แบบหลายเอเจนต์ทำงานอย่างไร และคุณอาจนำไปใช้เมื่อใด

MiroFish แก้ปัญหาอะไรได้บ้าง?

ช่องว่างในการคาดการณ์

โซเชียลมีเดียเคลื่อนไหวอย่างรวดเร็วและตอบสนองในรูปแบบที่คาดเดาไม่ได้ เครื่องมือวิเคราะห์แบบดั้งเดิมมองย้อนกลับไปในอดีต:

การวิเคราะห์ความรู้สึก (Sentiment analysis) บอกคุณว่าผู้คนคิดอะไร ในตอนนี้
การติดตามเทรนด์ (Trend monitoring) แสดงให้เห็นว่าอะไรเป็นที่นิยม ในวันนี้
ตัวชี้วัดการมีส่วนร่วม (Engagement metrics) วัดสิ่งที่ เกิดขึ้นไปแล้ว

เครื่องมือเหล่านี้ไม่มีเครื่องมือใดที่ช่วยให้คุณเห็นว่า อาจจะ เกิดอะไรขึ้น หากคุณเผยแพร่ประกาศนั้น ออกรายงานฉบับนั้น หรือตอบสนองต่อข้อโต้แย้งนั้น

ทางเลือก: โลกดิจิทัลคู่ขนาน

MiroFish ใช้วิธีการที่แตกต่างออกไป แทนที่จะวิเคราะห์โซเชียลมีเดียจริง มันสร้างเวอร์ชันจำลองขึ้นมา:

สร้างกราฟความรู้ จากเอกสารต้นฉบับของคุณ
ดึงเอนทิตี (บุคคล, องค์กร, สื่อ) และเปลี่ยนให้เป็นเอเจนต์ AI
กำหนดบุคลิกภาพ ตามข้อมูลที่ดึงมา (ระดับกิจกรรม, น้ำหนักอิทธิพล, จุดยืน)
เรียกใช้การจำลองสถานการณ์ ที่ซึ่งเอเจนต์โพสต์ แสดงความคิดเห็น และตอบสนองตลอดหลายชั่วโมงหรือหลายวันในการจำลอง
วิเคราะห์ผลลัพธ์ เพื่อดูว่าเรื่องเล่าก่อตัวขึ้นอย่างไร เสียงใดมีอิทธิพล และการเคลื่อนไหวตอบโต้ใดเกิดขึ้น

ลองนึกภาพว่ามันเป็นเครื่องจำลองการบินสำหรับสถานการณ์บนโซเชียลมีเดีย

MiroFish ทำงานอย่างไร: ขั้นตอนการทำงานห้าขั้นตอน

┌─────────────┐     ┌─────────────┐     ┌─────────────┐     ┌─────────────┐     ┌─────────────┐
│   Step 1    │ ──► │   Step 2    │ ──► │   Step 3    │ ──► │   Step 4    │ ──► │   Step 5    │
│  Ontology   │     │  GraphRAG   │     │   Env       │     │ Simulation  │     │   Report    │
│  Generation │     │   Build     │     │   Setup     │     │   Run       │     │ Generation  │
└─────────────┘     └─────────────┘     └─────────────┘     └─────────────┘     └─────────────┘

ขั้นตอนที่ 1: การสร้าง Ontology

วิเคราะห์เอกสารข้อมูลและข้อกำหนดการจำลอง
ใช้ LLM สร้าง ontology เฉพาะกิจ โดยมี
- ประเภทของเอนทิตี 10 ประเภท (เช่น นักเรียน, ศาสตราจารย์, มหาวิทยาลัย, สื่อ, หน่วยงานราชการ)
- ประเภทของความสัมพันธ์ 10 ประเภท (เช่น ทำงานให้กับ, แสดงความคิดเห็นเกี่ยวกับ, ตอบสนองต่อ)
- คุณสมบัติ สำหรับแต่ละประเภท
โครงสร้างสองระดับ: 8 ประเภทเฉพาะ + 2 ประเภทสำรอง (บุคคล และ องค์กร)

ขั้นตอนที่ 2: การสร้าง GraphRAG

เอกสารถูกแบ่งเป็นส่วนๆ (500 ตัวอักษร ตัดทับกัน 50 ตัวอักษร)
ส่งไปยัง Zep Cloud เป็น batch
สร้างกราฟเดี่ยวที่มี ID เฉพาะ
ตั้งค่า ontology
ดึงเอนทิตีและความสัมพันธ์
รอ Zep ประมวลผล ดึงกราฟสุดท้าย

ผลลัพธ์: ได้กราฟความรู้ที่มีเอนทิตีและความสัมพันธ์เชื่อมโยงกันจำนวนมาก

ขั้นตอนที่ 3: การตั้งค่าสภาพแวดล้อม

วิเคราะห์กราฟความรู้ สร้างพารามิเตอร์เอเจนต์:
- เขตเวลา (ตัวอย่าง: เวลาจีน 19-22 น. เร่งด่วน, 0-5 น. เงียบ)
- เหตุการณ์ (โพสต์เริ่มต้น, หัวข้อร้อน)
- กิจกรรมเอเจนต์ (จำนวนโพสต์/ชั่วโมง, ความล่าช้าในการตอบสนอง, น้ำหนักอิทธิพล)
- แพลตฟอร์ม (Twitter, Reddit)

ขั้นตอนที่ 4: การรันการจำลอง

เอเจนต์ตื่นตามตารางกิจกรรม
โพสต์ แสดงความคิดเห็น ตอบสนอง
จำลองแบบขนานบน Twitter/Reddit
ทุก action ถูกบันทึกในไฟล์ JSONL แบบเรียลไทม์

ขั้นตอนที่ 5: การสร้างรายงาน

วิเคราะห์ผลด้วย 3 เครื่องมือ:
- InsightForge: แตกคำถามเป็นคำค้นย่อย
- PanoramaSearch: มุมมองครอบคลุม รวมข้อเท็จจริงประวัติศาสตร์
- InterviewAgents: สัมภาษณ์เอเจนต์สด (IPC)
รายงานสรุปวิวัฒนาการของเรื่องเล่า, ผู้มีอิทธิพล, การตอบโต้

AI Agent ใน MiroFish คืออะไร?

แต่ละเอเจนต์คือเอนทิตี AI อิสระ มีข้อมูลดังนี้:

คุณสมบัติ	คำอธิบาย	ตัวอย่าง
อัตลักษณ์	ชื่อ, ชื่อผู้ใช้, ประวัติส่วนตัว	“@ZhangWei_Student”
บุคลิก	บุคลิกภาพและภูมิหลัง	“นักศึกษาระดับบัณฑิตศึกษาที่วิจัยจริยธรรม AI”
ระดับกิจกรรม	ความถี่ในการโพสต์ (0.0-1.0)	0.8 = มีกิจกรรมสูงมาก
ชั่วโมงที่ใช้งาน	เวลาที่ออนไลน์	[8, 9, 10, 11, 18, 19, 20, 21, 22, 23]
ความล่าช้าในการตอบสนอง	ความเร็วในการตอบสนอง (นาที)	5-30 นาที
น้ำหนักอิทธิพล	ความน่าจะเป็นที่ผู้อื่นจะเห็นโพสต์ของพวกเขา	0.8 (ต่ำ) ถึง 3.0 (สูง)
จุดยืน	ตำแหน่งต่อหัวข้อ	สนับสนุน, คัดค้าน, เป็นกลาง, ผู้สังเกตการณ์
ความทรงจำ	การกระทำและการโต้ตอบที่ผ่านมา	จัดเก็บในกราฟ Zep Cloud

เอเจนต์ตัดสินใจเอง เลือกว่าจะโพสต์เมื่อไร แสดงความคิดเห็นอะไร และตอบสนองจากบุคลิกและสถานะในสถานการณ์จำลอง

คุณสามารถจำลองอะไรได้บ้าง?

การประกาศข่าวและนโยบาย

อัปโหลดร่างนโยบายหรือข่าว ดูการตอบสนองของกลุ่มเป้าหมาย:

ใครขยายข้อความ?
มีเสียงวิจารณ์อะไรเกิดขึ้น?
เรื่องเล่าเปลี่ยนไปอย่างไร 24-72 ชั่วโมง?

การวิจัยทางวิชาการ

อัปโหลดเอกสารวิจัย ทดลองตอบสนองของนักวิชาการและประชาชน:

ผลลัพธ์ไหนถูกพูดถึง?
ความเข้าใจผิดเกิดขึ้นอย่างไร?
ผู้เชี่ยวชาญกับคนทั่วไปแตกต่างกันหรือไม่?

สถานการณ์วิกฤต

อัปโหลดรายงานเหตุการณ์/ข้อมูล ทดสอบกลยุทธ์ตอบสนอง:

ตอบโต้ทันทีเทียบกับรอ ผลต่างกันอย่างไร?
เรื่องเล่าโต้แย้งอะไรเกิดขึ้น?
ใครเป็นอินฟลูเอนเซอร์สำคัญ?

การวิเคราะห์วรรณกรรมและประวัติศาสตร์

อัปโหลดนวนิยายหรือข้อความประวัติศาสตร์ จำลองสถานการณ์ "จะเกิดอะไรขึ้นถ้า":

ตัวละครจะตอบสนองต่อเหตุการณ์ใหม่อย่างไร?
ผลลัพธ์ทางเลือกมีอะไรบ้าง?
ความสัมพันธ์ใดขับเคลื่อนจุดสำคัญของโครงเรื่อง?

อะไรทำให้ MiroFish แตกต่าง?

ความฉลาดแบบฝูง ไม่ใช่เอเจนต์เดี่ยว

MiroFish ใช้เอเจนต์หลายร้อยตัว (แต่ละตัวมีบุคลิกต่างกัน) สร้างพฤติกรรมเกิดเอง ไม่ได้สคริปต์ล่วงหน้า ผลลัพธ์คือเรื่องเล่าและการเคลื่อนไหวที่สมจริง

การจำลองสองแพลตฟอร์ม

Twitter: กระจายข่าวไว อินฟลูเอนเซอร์มีผลสูง
Reddit: สนทนาแบบเธรด เรื่องเล่าขับเคลื่อนโดยชุมชน

เปรียบเทียบสองแพลตฟอร์มเพื่อดูผลของกลไกแต่ละแบบ

กราฟความรู้เชิงเวลา

ความสัมพันธ์มีข้อมูลเมตาเวลา:

valid_at เมื่อเริ่มมีผล
invalid_at เมื่อหมดผล
expired_at เมื่อถูกแทนที่

ช่วยติดตามวิวัฒนาการของความสัมพันธ์

การสัมภาษณ์เอเจนต์แบบสด

คำถาม

เอเจนต์ 12 (นักศึกษา)

ให้ข้อมูลเชิงคุณภาพที่ตัวเลขวัดไม่ได้

ภาพรวมสถาปัตยกรรมทางเทคนิค

┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│  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     │
└─────────────────┘     └─────────────────┘     └─────────────────┘

สถาปัตยกรรมฝั่ง Backend

Python FastAPI สำหรับ REST endpoints
OASIS Framework สำหรับการจำลองเอเจนต์
Zep Cloud สำหรับจัดเก็บและดึงกราฟความรู้
SQLite สำหรับสถานะการจำลอง

สถาปัตยกรรมฝั่ง Frontend

Vue.js 3 UI แบบโต้ตอบ
WebSocket อัปเดตเรียลไทม์
D3.js แสดงผลกราฟ

การออกแบบ API ด้วย Apidog

แบ็กเอนด์ของ MiroFish มี endpoints มากกว่า 40 รายการ ครอบคลุม 5 บริการหลัก:

บริการ	ปลายทาง	วัตถุประสงค์
สร้างกราฟ	8	การสร้าง Ontology, การอัปโหลดเป็นชุด, การตรวจสอบสถานะ
ตัวอ่านเอนทิตี	4	การกรองเอนทิตี, การเลือกประเภท, การส่งออก
ตัวสร้างการกำหนดค่า	6	การสร้างการกำหนดค่าเวลา/เหตุการณ์/เอเจนต์/แพลตฟอร์ม
ตัวรันการจำลอง	12	เริ่ม, หยุด, ตรวจสอบ, สัมภาษณ์, การจัดการสถานะ
ตัวสร้างรายงาน	5	การดึงข้อมูล, การวิเคราะห์, การสร้างสรุป

Apidog ถูกใช้ในการออกแบบ endpoints, จำลอง responses สำหรับ frontend, และสร้างเอกสาร API ทำให้ทีมพัฒนาตรวจสอบ schema และทำงานร่วมกันอย่างมีประสิทธิภาพ

คุณควรใช้ MiroFish เมื่อใด?

กรณีการใช้งานที่เหมาะสม

การวางแผนสถานการณ์: “จะเกิดอะไรขึ้นถ้าเราประกาศ X ในสัปดาห์หน้า?”
การวิเคราะห์ผู้มีส่วนได้ส่วนเสีย: “กลุ่มต่างๆ จะตอบสนองต่อ Y อย่างไร?”
การติดตามเรื่องเล่า: “มีข้อโต้แย้งใดเกิดขึ้นต่อต้าน Z?”
การตรวจสอบงานวิจัย: “สมมติฐานของเราเกี่ยวกับพฤติกรรมของกลุ่มเป้าหมายยังคงใช้ได้อยู่หรือไม่?”
การสำรวจเพื่อการศึกษา: “บุคคลสำคัญทางประวัติศาสตร์เหล่านี้อาจตอบสนองต่อเหตุการณ์ปัจจุบันอย่างไร?”

กรณีการใช้งานที่ไม่เหมาะสม

การคาดการณ์ที่แม่นยำ: MiroFish ให้ผลลัพธ์เป็นไปได้ ไม่ใช่การทำนาย
การตรวจสอบแบบเรียลไทม์: ใช้สำหรับจำลอง ไม่ได้ติดตาม social สด
การวิเคราะห์ขนาดเล็ก: เหมาะกับกรณีที่ต้องการมุมมองหลายร้อยเอเจนต์
ปรากฏการณ์ที่ไม่ใช่ทางสังคม: จำลองเฉพาะพลวัตโซเชียล

เริ่มต้นใช้งาน MiroFish

ข้อกำหนด

Python 3.10+
Node.js 18+
Zep Cloud API key
LLM API access (OpenAI-compatible)

เริ่มต้นอย่างรวดเร็ว

# Clone the repository
git clone https://github.com/666ghj/MiroFish.git
cd MiroFish

# Install dependencies
pip install -r requirements.txt
npm install

# Configure environment
cp .env.example .env
# Edit .env with your API keys

# Start the backend
python backend/app/main.py

# Start the frontend
npm run dev

การจำลองครั้งแรก

อัปโหลดเอกสาร: PDF, TXT, หรือ MD ที่มีข้อมูลของคุณ
กำหนดข้อกำหนดการจำลอง: ระบุโจทย์หรือคำถามที่ต้องการสำรวจ
สร้าง ontology: ให้ระบบวิเคราะห์ประเภท entity
สร้างกราฟความรู้: ดึง entity และความสัมพันธ์
กำหนดค่าและรัน: ตั้งค่าระยะเวลาและเริ่มจำลอง
ตรวจสอบและสัมภาษณ์: ติดตาม actions แบบเรียลไทม์, สัมภาษณ์เอเจนต์
สร้างรายงาน: รับสรุปผลลัพธ์

การจำลองครั้งแรกโดยทั่วไปใช้เวลา 30-60 นาที

คำถามที่พบบ่อย

การจำลองมีความแม่นยำแค่ไหน?

MiroFish สร้างสถานการณ์ที่เป็นไปได้จากข้อมูลและโมเดลพฤติกรรม ใช้เพื่อสำรวจพลวัต ไม่ใช่ทำนายผลลัพธ์ที่แน่นอน จุดเด่นคือการเปิดเผยมุมมองที่คุณอาจมองข้าม

MiroFish สามารถจำลองเอเจนต์ได้กี่ตัว?

รองรับ 50-200 เอเจนต์ได้สบาย หากต้องการมากกว่า 500 ตัว ต้องการทรัพยากรสูงขึ้น

ฉันสามารถปรับแต่งพฤติกรรมของเอเจนต์ได้หรือไม่?

ได้ สามารถปรับกิจกรรม, น้ำหนักอิทธิพล, จุดยืน หรือแก้ไขการตั้งค่าเอเจนต์ก่อนรันจำลอง

MiroFish รองรับสถานการณ์ที่ไม่ใช่ภาษาจีนหรือไม่?

ค่าเริ่มต้นเหมาะกับพฤติกรรมโซเชียลของจีน สามารถแก้ไขเขตเวลา/กิจกรรมให้เข้ากับกลุ่มเป้าหมายอื่นได้

ข้อมูลของฉันเป็นส่วนตัวหรือไม่?

ข้อมูลเอกสารประมวลผลในเครื่องและส่งไป Zep Cloud เพื่อดึง entity Zep ดูแลข้อมูลตามข้อกำหนดของบริการ หากต้องการความเป็นส่วนตัวสูง ให้ใช้ฐานข้อมูลกราฟภายในเครื่อง

บทสรุป

MiroFish สร้างโลกดิจิทัลคู่ขนานที่คุณสามารถทดสอบสถานการณ์บนโซเชียลมีเดียก่อนจะเกิดขึ้นจริง ด้วยการจำลองเอเจนต์ AI หลายร้อยตัวที่มีบุคลิกและพฤติกรรมหลากหลาย มันช่วยให้คุณเห็นเรื่องเล่าที่เกิดเอง การเคลื่อนไหวตอบโต้ และผู้มีอิทธิพลที่เครื่องมือแบบเดิมมองไม่เห็น

เหมาะสำหรับการวางแผนประกาศนโยบาย, วิจัยกลุ่มเป้าหมาย, หรือสำรวจกรณี "อะไรจะเกิดขึ้นถ้า" ในวรรณกรรม — MiroFish คือเครื่องมือที่ช่วยให้เข้าใจพลวัตทางสังคมที่ซับซ้อนในเชิงลึก