Pendahuluan
Anda pasti pernah melihatnya: sebuah perusahaan mengumumkan kebijakan baru, selebriti membuat pernyataan kontroversial, atau berita mengejutkan muncul. Media sosial langsung ramai, dan konsekuensinya meluas secara tak terduga.
Bagaimana jika Anda dapat memprediksi bagaimana sebuah skenario akan berkembang sebelum benar-benar terjadi?
MiroFish adalah platform simulasi AI multi-agen untuk menjawab pertanyaan “bagaimana jika” di media sosial. Anda cukup mengunggah materi sumber—seperti artikel berita, draf kebijakan, atau makalah penelitian—dan MiroFish akan mensimulasikan bagaimana berbagai audiens bereaksi dari waktu ke waktu. Ratusan agen AI dengan kepribadian, memori, dan perilaku unik akan berinteraksi membentuk dinamika sosial digital.
💡 Tim MiroFish merancang dan menguji semua API simulasi menggunakan Apidog. Mulai dari desain endpoint hingga validasi respons, Apidog menjadi acuan tunggal backend/frontend selama pengembangan.
Artikel ini membahas fitur inti MiroFish, arsitektur, dan cara implementasinya untuk keperluan simulasi skenario sosial yang lebih actionable.
Masalah Apa yang Dipecahkan MiroFish?
Kesenjangan Prediksi
Alat analitik konvensional bersifat retrospektif:
- Analisis sentimen: hanya membaca opini publik saat ini
- Pemantauan tren: menampilkan apa yang sedang naik daun hari ini
- Metrik keterlibatan: mengukur apa yang sudah terjadi
Tidak ada satu pun yang membantu Anda memahami apa yang mungkin terjadi jika Anda merilis pengumuman atau menanggapi isu panas.
Alternatif: Dunia Paralel Digital
MiroFish mengambil pendekatan berbeda:
- Bangun grafik pengetahuan dari dokumen sumber Anda.
- Ekstrak entitas (orang, organisasi, media) lalu ubah ke agen AI.
- Tetapkan kepribadian dan parameter perilaku pada setiap agen.
- Jalankan simulasi: agen memposting, berkomentar, dan bereaksi selama periode waktu tertentu.
- Analisis hasil: pelajari pola narasi, suara dominan, dan potensi kontra-narasi.
Bayangkan MiroFish sebagai flight simulator untuk media sosial.
Bagaimana MiroFish Bekerja: Workflow 5 Langkah
┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ Langkah 1 │ ──► │ Langkah 2 │ ──► │ Langkah 3 │ ──► │ Langkah 4 │ ──► │ Langkah 5 │
│ Generasi │ │ Bangun │ │ Pengaturan │ │ Jalankan │ │ Generasi │
│ Ontologi │ │ GraphRAG │ │ Lingkungan │ │ Simulasi │ │ Laporan │
└─────────────┘ └─────────────┘ └─────────────┘ └─────────────┘ └─────────────┘
Langkah 1: Generasi Ontologi
- Analisis dokumen input dan kebutuhan simulasi.
- Gunakan LLM untuk menghasilkan ontologi dengan:
- 10 jenis entitas (Mahasiswa, Profesor, dst)
- 10 jenis relasi (BEKERJA_UNTUK, BERKOMENTAR_TENTANG, dst)
- Atribut entitas
- Struktur 2 tingkat: 8 tipe spesifik dari dokumen, 2 fallback (
Orang,Organisasi).
Langkah 2: Konstruksi GraphRAG
- Dokumen dipecah (500 karakter, overlap 50).
- Batch dikirim ke Zep Cloud:
- Buat grafik dengan ID unik.
- Atur ontologi.
- Kirim batch teks untuk ekstraksi entitas/relasi.
- Tunggu proses selesai.
- Ambil grafik final (node dan edge).
Output: Graph pengetahuan dengan ratusan/ribuan entitas terhubung.
Langkah 3: Pengaturan Lingkungan
- Generator konfigurasi membaca graph dan membuat parameter:
- Waktu: zona waktu, jam puncak/off.
- Event: posting awal, topik hangat.
- Aktivitas agen: frekuensi posting, delay respons, bobot pengaruh.
- Platform: Twitter/Reddit, threshold viral berbeda.
Langkah 4: Jalankan Simulasi
- Agen aktif mengikuti jadwalnya: posting, komentar, reaksi.
- Simulasi berjalan paralel (Twitter & Reddit).
- Setiap aksi dicatat ke file JSONL secara real-time.
- Simulasi 72 jam → ribuan aksi.
Langkah 5: Generasi Laporan
- Agen laporan menggunakan 3 core retriever:
- InsightForge: pencarian mendalam (sub-pertanyaan)
- PanoramaSearch: cakupan penuh, termasuk fakta kadaluarsa
- InterviewAgents: wawancara real-time via IPC
- Laporan akhir menampilkan evolusi narasi & insight utama.
Apa Itu Agen AI di MiroFish?
Setiap agen = entitas AI independen:
| Atribut | Deskripsi | Contoh |
|---|---|---|
| Identitas | Nama, username, bio | @ZhangWei_Student |
| Persona | Kepribadian, latar belakang | Mahasiswa S2 etika AI |
| Tingkat Aktivitas | Frekuensi posting (0.0-1.0) | 0.8 = sangat aktif |
| Jam Aktif | Daftar jam online | [8,9,10,11,18,19,20,21,22,23] |
| Penundaan Respons | Delay merespon (menit) | 5-30 menit |
| Bobot Pengaruh | Potensi posting dilihat orang lain | 0.8 (rendah) - 3.0 (tinggi) |
| Sikap | Posisi terhadap topik | Mendukung/menentang/netral/pengamat |
| Memori | Riwayat interaksi | Disimpan di Zep Cloud |
Agen membuat keputusan mandiri: kapan posting, apa yang dikomentari, dan bagaimana merespon, semua dipengaruhi kepribadian + keadaan simulasi.
Apa yang Dapat Anda Simulasikan?
Pengumuman Berita & Kebijakan
- Unggah draf kebijakan/artikel berita.
- Lihat reaksi stakeholder:
- Siapa yang menguatkan pesan?
- Kritik apa muncul?
- Bagaimana narasi berkembang 24–72 jam?
Penelitian Akademik
- Unggah makalah penelitian.
- Simulasikan reaksi akademisi dan publik:
- Temuan mana viral?
- Kesalahpahaman apa timbul?
- Respon pakar vs masyarakat awam?
Skenario Krisis
- Unggah laporan insiden/latar belakang.
- Uji strategi respons:
- Narasi berubah jika respon langsung vs lambat?
- Counter-narasi apa muncul?
- Siapa influencer utama?
Analisis Sastra & Sejarah
- Upload novel/teks sejarah.
- Eksplorasi “bagaimana jika”:
- Reaksi karakter di luar akhir cerita?
- Hasil alternatif?
- Hubungan kunci penggerak plot?
Apa yang Membuat MiroFish Berbeda?
Kecerdasan Kawanan (Bukan Agen Tunggal)
- Simulasi ratusan agen dengan kepribadian berbeda → perilaku emergent, bukan sekadar script.
Simulasi Dua Platform
- Twitter: viral cepat, pengaruh influencer tinggi
- Reddit: diskusi berulir, narasi komunitas
- Bandingkan efek mekanisme platform.
Grafik Pengetahuan Temporal
- Setiap hubungan punya metadata waktu (
valid_at,invalid_at,expired_at). - Lacak evolusi hubungan, bukan snapshot statis.
Wawancara Agen Langsung
- Interview agen aktif selama/setelah simulasi untuk insight kualitatif, bukan data kuantitatif saja.
Arsitektur Teknis Sekilas
┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
│ Frontend │ │ Backend │ │ Layanan Eksternal│
│ (Vue.js) │ ◄─► │ (FastAPI) │ ◄─► │ │
│ │ │ │ │ │
│ - Builder graf │ │ - REST API │ │ - Zep Cloud │
│ - Monitor sim │ │ - Manajemen │ │ - LLM API │
│ - Viewer report │ │ subprocess │ │ - OASIS │
└─────────────────┘ └─────────────────┘ └─────────────────┘
Backend
- Python FastAPI (REST endpoint)
- OASIS (kerangka simulasi agen)
- Zep Cloud (graph storage/retrieval)
- SQLite (database status simulasi)
Frontend
- Vue.js 3 (UI reaktif)
- WebSocket (live update)
- D3.js (visualisasi graph)
Desain API dengan Apidog
Backend MiroFish memiliki 40+ endpoint pada 5 layanan utama:
| Layanan | Jumlah Endpoint | Fungsi Utama |
|---|---|---|
| Pembangunan Grafik | 8 | Ontologi, upload batch, polling status |
| Pembaca Entitas | 4 | Filter entitas, pilih jenis, ekspor |
| Generator Konfigurasi | 6 | Pengaturan waktu, event, agen, platform |
| Pelari Simulasi | 12 | Start, stop, monitoring, interview, dsb. |
| Generator Laporan | 5 | Pengambilan, analisis, ringkasan |
Apidog digunakan untuk:
- Mendesain endpoint & skema respons/mock
- Otomasi dokumentasi API
- Validasi skema sejak awal
- Kolaborasi backend–frontend tanpa miskomunikasi
Kapan Harus Menggunakan MiroFish?
Kasus Penggunaan Ideal
- Perencanaan skenario: “Bagaimana jika kita mengumumkan X?”
- Analisis pemangku kepentingan: “Respon siapa yang dominan?”
- Pelacakan narasi: “Counter-argument apa yang muncul?”
- Validasi penelitian: “Hipotesis perilaku audiens terbukti?”
- Eksplorasi edukatif: “Bagaimana tokoh sejarah merespon peristiwa modern?”
Kurang Cocok Untuk
- Prediksi pasti: hasil = ruang kemungkinan, bukan ramalan
- Pemantauan real-time: hanya untuk simulasi, bukan tracking live
- Analisis skala kecil: lebih cocok untuk ratusan agen, bukan survei 1–2 kasus
- Model sistem non-sosial: tidak cocok untuk ekonomi/fisika
Memulai dengan MiroFish
Persyaratan
- Python 3.10+
- Node.js 18+
- Kunci API Zep Cloud
- Akses API LLM (mis. OpenAI)
Mulai Cepat
# Kloning repo
git clone https://github.com/666ghj/MiroFish.git
cd MiroFish
# Install dependency
pip install -r requirements.txt
npm install
# Setup environment
cp .env.example .env
# Edit .env isi kunci API Anda
# Jalankan backend
python backend/app/main.py
# Jalankan frontend
npm run dev
Simulasi Pertama
- Upload dokumen: PDF/TXT/MD sumber Anda
- Definisikan kebutuhan simulasi: Apa yang ingin dieksplorasi?
- Generate ontologi: Sistem menganalisis & usulkan entitas
- Bangun graph pengetahuan: Ekstrak entitas & relasi
- Konfigurasi & jalankan: Atur durasi simulasi, mulai
- Pantau & interview: Amati live, wawancara agen
- Generate laporan: Ringkasan hasil
Estimasi waktu end-to-end: 30–60 menit.
FAQ (Pertanyaan Umum)
Seberapa akurat simulasi ini?
MiroFish menyajikan skenario yang masuk akal berdasarkan input & model perilaku. Nilai utama: mengidentifikasi dinamika tak terduga, bukan prediksi presisi.
Berapa banyak agen yang bisa disimulasikan?
Ideal: 50–200 agen. Skala besar (500+) memungkinkan, tapi perlu komputasi lebih dan waktu proses lebih lama.
Bisakah perilaku agen dikustomisasi?
Bisa. Anda dapat ubah pola aktivitas, bobot pengaruh, distribusi sikap, atau edit konfigurasi agen langsung di file sebelum simulasi.
Apakah mendukung skenario non-Tiongkok?
Default: pola waktu Tiongkok, namun bisa dikustomisasi (ubah konfigurasi waktu untuk zona/wilayah lain).
Apakah data saya aman/pribadi?
Dokumen diproses lokal, lalu dikirim ke Zep Cloud untuk ekstraksi entitas. Patuh pada ToS Zep. Untuk dokumen sensitif, gunakan database graph lokal.
Kesimpulan
MiroFish memungkinkan Anda menguji skenario sosial di dunia digital paralel. Dengan simulasi ratusan agen AI berkepribadian unik, Anda dapat mengamati narasi, counter-movement, dan suara berpengaruh yang sering luput dari analitik tradisional.
Baik untuk perencanaan kebijakan, riset perilaku audiens, atau eksplorasi “bagaimana jika” sastra—MiroFish memberi perspektif baru untuk memahami dinamika sosial kompleks.
Top comments (0)