MiroFish: KI-Plattform zur Vorhersage von Social Media Ergebnissen

Einleitung

Sie haben es schon erlebt. Ein Unternehmen kündigt eine neue Richtlinie an. Eine Berühmtheit macht eine kontroverse Aussage. Eine unerwartete Nachricht platzt herein. Die sozialen Medien explodieren, und die Folgen breiten sich auf unvorhersehbare Weise aus.

Was wäre, wenn Sie sehen könnten, wie sich ein Szenario entwickelt, bevor es in der realen Welt geschieht?

MiroFish ist eine Multi-Agenten-KI-Simulationsplattform, die „Was wäre wenn“-Fragen zu sozialen Medien beantwortet. Sie erschafft eine digitale Parallelwelt, in der Hunderte von KI-Agenten mit unterschiedlichen Persönlichkeiten, Erinnerungen und Verhaltensmustern frei interagieren. Sie laden Ausgangsmaterial hoch – einen Nachrichtenartikel, einen Richtlinienentwurf, ein Forschungspapier – und MiroFish simuliert, wie verschiedene Zielgruppen im Laufe der Zeit reagieren könnten.

Dieser Erklärungsartikel behandelt, was MiroFish leistet, wie Multi-Agenten-Simulation funktioniert und wann Sie sie einsetzen könnten.

Welches Problem löst MiroFish?

Die Vorhersagelücke

Soziale Medien entwickeln sich schnell und reagieren auf unvorhersehbare Weise. Herkömmliche Analysetools blicken zurück:

• Stimmungsanalyse sagt Ihnen, was die Leute jetzt denken
• Trendüberwachung zeigt Ihnen, was heute beliebt ist
• Engagement-Metriken messen, was bereits geschehen ist

Nichts davon hilft Ihnen zu sehen, was passieren könnte, wenn Sie diese Ankündigung veröffentlichen, diesen Bericht herausgeben oder auf diese Kontroverse reagieren.

Die Alternative: Digitale Parallelwelten

MiroFish verfolgt einen anderen Ansatz. Anstatt echte soziale Medien zu analysieren, erstellt es eine simulierte Version:

1. Erstellen Sie einen Wissensgraphen aus Ihren Quelldokumenten
2. Extrahieren Sie Entitäten (Personen, Organisationen, Medien) und verwandeln Sie sie in KI-Agenten
3. Weisen Sie Persönlichkeiten zu, basierend auf extrahierten Informationen (Aktivitätsniveaus, Einflussgewichte, Standpunkte)
4. Führen Sie eine Simulation durch, bei der Agenten über simulierte Stunden oder Tage hinweg Beiträge veröffentlichen, kommentieren und reagieren
5. Analysieren Sie das Ergebnis, um zu sehen, wie sich Narrative bilden, welche Stimmen dominieren und welche Gegenbewegungen entstehen

Stellen Sie es sich wie einen 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

Das System analysiert Ihre Eingabedokumente und Simulationsanforderungen und verwendet dann ein LLM, um eine benutzerdefinierte Ontologie zu generieren. Diese definiert:

• 10 Entitätstypen (z. B. Student, Professor, Universität, Medienunternehmen, Regierungsbehörde)
• 10 Beziehungstypen (z. B. ARBEITET_FÜR, KOMMENTIERT, ANTWORTET_AUF)
• Attribute für jeden Typ

Die Ontologie erzwingt eine zweistufige Struktur: 8 spezifische Typen, basierend auf Ihrem Inhalt, plus 2 Fallback-Typen (Person und Organisation), um alles abzudecken, was sonst nirgendwo passt.

Schritt 2: GraphRAG-Konstruktion

Ihre Dokumente werden in Abschnitte unterteilt (500 Zeichen mit 50 Zeichen Überlappung) und in Batches an Zep Cloud gesendet. Das System:

1. Erstellt einen eigenständigen Graphen mit einer eindeutigen ID
2. Setzt die benutzerdefinierte Ontologie
3. Sendet Text-Batches zur Entitäts- und Beziehungsextraktion
4. Wartet, bis Zep jede Episode verarbeitet hat
5. Ruft den endgültigen Graphen mit Knoten und Kanten ab

Das Ergebnis: Ein Wissensgraph mit Hunderten oder Tausenden von Entitäten, die durch Beziehungen miteinander verbunden sind.

Schritt 3: Umgebungs-Setup

Der Simulationskonfigurationsgenerator analysiert den Wissensgraphen und erstellt detaillierte Agentenparameter:

• Zeitkonfiguration basierend auf chinesischen Zeitzonenmustern (Spitzenzeiten 19-22 Uhr, tote Zeiten 0-5 Uhr)
• Ereigniskonfiguration mit anfänglichen Beiträgen und heißen Themen
• Agenten-Aktivitätskonfigurationen (Beiträge pro Stunde, Antwortverzögerungen, Einflussgewichte)
• Plattformkonfigurationen für Twitter und Reddit mit unterschiedlichen viralen Schwellenwerten

Schritt 4: Simulationslauf

Agenten wachen gemäß ihren Aktivitätsplänen auf und beginnen, Beiträge zu veröffentlichen, zu kommentieren und zu reagieren. Das System führt parallele Simulationen auf Twitter und Reddit durch und protokolliert jede Aktion in Echtzeit in JSONL-Dateien.

Eine typische 72-Stunden-Simulation erzeugt Tausende von Aktionen auf beiden Plattformen.

Schritt 5: Berichterstellung

Der Berichts-Agent verwendet drei zentrale Abfragetools, um zu analysieren, was passiert ist:

• InsightForge: Tiefenrecherche, die Fragen in Unterabfragen zerlegt
• PanoramaSearch: Vollständige Übersicht, einschließlich abgelaufener/ungültiger historischer Fakten
• InterviewAgents: Echtzeit-Interviews mit aktiven Agenten über IPC

Der Abschlussbericht zeigt die narrative Entwicklung, Schlüsselmomente, einflussreiche Stimmen und Gegenbewegungen.

Was sind KI-Agenten in MiroFish?

Jeder Agent in MiroFish ist eine unabhängige KI-Entität mit:

Agenten treffen Entscheidungen autonom. Sie wählen, wann sie posten, was sie kommentieren und wie sie reagieren, basierend auf ihrer Persönlichkeit und dem aktuellen Zustand der Simulation.

Was können Sie simulieren?

Nachrichten und Richtlinienankündigungen

Laden Sie einen Richtlinienentwurf oder Nachrichtenartikel hoch. Sehen Sie, wie verschiedene Interessengruppen reagieren:

• Welche Stimmen verstärken die Botschaft?
• Welche Kritikpunkte treten auf?
• Wie entwickeln sich Narrative über 24-72 Stunden?

Akademische Forschung

Laden Sie ein Forschungspapier hoch. Simulieren Sie die akademische und öffentliche Rezeption:

• Welche Ergebnisse erhalten Aufmerksamkeit?
• Welche Missverständnisse entstehen?
• Wie unterscheiden sich die Reaktionen von Experten und Laien?

Krisenszenarien

Laden Sie Zwischenfallberichte oder Hintergrundmaterialien hoch. Testen Sie Reaktionsstrategien:

• Wie verschiebt sich das Narrativ, wenn Sie sofort reagieren versus warten?
• Welche Gegennarrative entstehen?
• Welche Influencer treiben die Konversation an?

Literarische und historische Analyse

Laden Sie einen Roman oder einen historischen Text hoch. Erkunden Sie „Was wäre wenn“-Szenarien:

• Wie könnten Charaktere auf Ereignisse jenseits des ursprünglichen Endes reagieren?
• Welche alternativen Ergebnisse sind plausibel?
• Welche Beziehungen treiben wichtige Handlungspunkte voran?

Was macht MiroFish anders?

Schwarmintelligenz, nicht Einzelagenten

Viele KI-Tools verwenden einen einzelnen Agenten, um „einen Benutzer“ zu simulieren. MiroFish verwendet Hunderte von Agenten mit unterschiedlichen Persönlichkeiten. Dies erzeugt emergentes Verhalten – Narrative und Bewegungen, die aus Interaktionen entstehen, nicht aus vorprogrammierten Skripten.

Dual-Plattform-Simulation

Twitter und Reddit laufen parallel mit unterschiedlicher Dynamik:

• Twitter: Schnelle virale Verbreitung, hoher Influencer-Einfluss
• Reddit: Thread-Diskussionen, gemeinschaftsgetriebene Narrative

Der Vergleich beider Plattformen zeigt, wie sich die Plattformmechanismen auf die Ergebnisse auswirken.

Temporaler Wissensgraph

Beziehungen in MiroFish verfügen über Zeit-Metadaten:

• valid_at: Wann die Beziehung gültig wurde
• invalid_at: Wann sie ungültig wurde
• expired_at: Wann sie abgelöst wurde

So können Sie verfolgen, wie sich Beziehungen entwickeln, nicht nur den aktuellen Zustand.

Live-Agenten-Interviews

Sie können aktive Agenten während oder nach der Simulation interviewen:

Frage

Agent 12 (Student)

Dies liefert qualitative Einblicke jenseits quantitativer Metriken.

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 für REST-Endpunkte
• OASIS Framework für die Agentensimulation
• Zep Cloud für die Speicherung und Abfrage von Wissensgraphen
• SQLite für Simulationsstatusdatenbanken

Frontend-Stack

• Vue.js 3 für reaktive Benutzeroberflächen
• WebSocket für Echtzeit-Updates
• D3.js für die Graphenvisualisierung

API-Design mit Apidog

Das MiroFish-Backend bietet über 40 Endpunkte in 5 Hauptdiensten:

Apidog wurde verwendet, um alle Endpunkte zu entwerfen, Mock-Antworten für die Frontend-Entwicklung zu erstellen und API-Dokumentation zu generieren. Dies half, Schema-Fehlübungen frühzeitig zu erkennen und das Team während der gesamten Entwicklung auf einer Linie zu halten.

Wann sollten Sie MiroFish verwenden?

Gute Anwendungsfälle

• Szenarioplanung: „Was wäre, wenn wir nächste Woche X ankündigen?“
• Stakeholder-Analyse: „Wie werden verschiedene Gruppen auf Y reagieren?“
• Narrativ-Verfolgung: „Welche Gegenargumente entstehen gegen Z?“
• Forschungsvalidierung: „Bestätigen sich unsere Hypothesen über das Publikumsverhalten?“
• Pädagogische Erkundung: „Wie könnten diese historischen Persönlichkeiten auf moderne Ereignisse reagieren?“

Ungünstige Anwendungsfälle

• Präzise Vorhersage: MiroFish zeigt plausible Ergebnisse, keine garantierten Zukünfte
• Echtzeitüberwachung: Es simuliert hypothetische Szenarien, verfolgt keine Live-Social-Media-Aktivitäten
• Kleinskalige Analyse: Das System glänzt mit Hunderten von Agenten; übertrieben für einfache Umfragen
• Nicht-soziale Phänomene: Es modelliert Social-Media-Dynamiken, keine Wirtschafts- oder Physikalischen Systeme

Erste Schritte mit MiroFish

Anforderungen

• Python 3.10+
• Node.js 18+
• Zep Cloud API-Schlüssel
• LLM API-Zugriff (OpenAI-kompatibel)

Schnellstart

# 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

Erste Simulation

1. Dokumente hochladen: PDF-, TXT- oder MD-Dateien, die Ihr Quellmaterial enthalten
2. Simulationsanforderungen definieren: Welche Frage untersuchen Sie?
3. Ontologie generieren: Lassen Sie das System Entitätstypen analysieren und vorschlagen
4. Wissensgraphen erstellen: Entitäten und Beziehungen extrahieren
5. Konfigurieren und ausführen: Simulationsdauer einstellen und starten
6. Überwachen und interviewen: Aktionen in Echtzeit beobachten, Agenten interviewen
7. Bericht generieren: Eine Zusammenfassung des Geschehenen erhalten

Eine typische erste Simulation dauert 30-60 Minuten von Anfang bis Ende.

Häufig gestellte Fragen

Wie genau sind die Simulationen?

MiroFish generiert plausible Szenarien basierend auf Eingabedaten und Verhaltensmodellen. Betrachten Sie es als das Erkunden des Möglichkeitsraums, nicht als die Vorhersage spezifischer Ergebnisse. Der Wert liegt darin, Dynamiken aufzudecken, die Sie möglicherweise nicht erwartet hätten.

Wie viele Agenten kann MiroFish simulieren?

Das System verarbeitet 50-200 Agenten problemlos. Größere Simulationen (500+) sind möglich, erfordern jedoch mehr Rechenleistung und längere Verarbeitungszeiten.

Kann ich das Agentenverhalten anpassen?

Ja. Sie können Aktivitätsmuster, Einflussgewichte und Haltungsverteilungen ändern. Fortgeschrittene Benutzer können Agentenkonfigurationen direkt bearbeiten, bevor sie Simulationen ausführen.

Unterstützt MiroFish auch nicht-chinesische Szenarien?

Die Standard-Zeitzonenkonfiguration ist für das Verhalten in chinesischen sozialen Medien optimiert. Sie können Aktivitätsmuster für andere Regionen anpassen, indem Sie die Zeitkonfiguration ändern.

Sind meine Daten privat?

Dokumente werden lokal verarbeitet und zur Entitätsextraktion an Zep Cloud gesendet. Zep bewahrt Daten gemäß seinen Nutzungsbedingungen auf. Bei sensiblen Materialien sollten Sie eine lokale Graphdatenbank-Alternative in Betracht ziehen.

Fazit

MiroFish erschafft digitale Parallelwelten, in denen Sie Social-Media-Szenarien testen können, bevor sie in der realen Welt geschehen. Durch die Simulation Hunderter von KI-Agenten mit unterschiedlichen Persönlichkeiten und Verhaltensmustern deckt es emergente Narrative, Gegenbewegungen und einflussreiche Stimmen auf, die traditionelle Analysetools übersehen.

Ob Sie eine Richtlinienankündigung planen, das Publikumsverhalten erforschen oder literarische „Was wäre wenn“-Szenarien erkunden, MiroFish bietet eine neue Perspektive zum Verständnis komplexer sozialer Dynamiken.