你拿同一句话去问同一个大模型三次会得到三个版本的预测而且每一个都言之凿凿、逻辑自洽。这不是模型不靠谱是你的用法本身就有结构性缺陷——你只问了它一次。真实的判断从来不是一个人拍脑袋得出的而是几万个人在几天里吵出来的。MiroFish 这个项目干的就是把问一次换成让一大群性格不同的人在一个人造小世界里吵一遍再从那堆嘈杂的对话里把信号捞出来。它属于多智能体群体智能预测这一类系统给每个智能体配上人格参数、关系和立场让它们在设定的规则下自由互动把现实中可能要跑三个月的过程压缩到几小时演完。这篇文章适合三类人看做产品、市场和内容决策的人想给判断找个预演沙盘做多智能体仿真的开发者想抄一套能跑通的结构还有纯粹对大模型除了聊天还能干什么好奇的技术爱好者。我会把 MiroFish 的引擎结构拆开讲清楚也会把配置、参数、成本和踩过的坑一并摊开能直接照着复现。1. 从问一句到跑一盘MiroFish 到底在算什么1.1 单次问答做推演天生带三个硬伤我先说清楚为什么需要这么个东西。假设你手里有个决策下周三要上线一个新功能你担心用户会骂。你去问大模型用户会怎么反应它会给你一段部分用户可能觉得不便但整体接受度尚可的话。这句话的问题不在措辞模糊而在于它天然带着三个无法修补的缺陷。第一个是立场坍缩。大模型输出的是所有训练语料的加权平均也就是一个平均人的平均看法。但真实世界里没有平均人只有鲜明对立的两拨人。而恰恰是这两拨人对撞产生的张力才决定了事情会不会爆。你问不出分歧就看不到传播动力。第二个是无法迭代。真实的声量是一条曲线第一天没几个人在意第三天有人在社群里吐槽第五天某个节点被转出去第七天开始反转。单次问答是静态快照它没有上一轮看到什么这个状态所以永远演不出节奏。第三个是无法归因。它告诉你会有负面反馈但不会告诉你这条信息是从哪个圈层、通过哪类节点扩散出去的。而做决策的人真正需要的恰恰是后半句——我该在哪个环节拦一下。1.2 MiroFish 的基本盘四个必须同时存在的部件MiroFish 的解法是把预测问题重新定义成一个仿真问题。它不追求一次算出一个答案而是搭一个可以反复运行的小世界让答案在运行过程中自己长出来。这个小世界由四个部件构成缺一个就跑不起来。种子层是世界的初始条件包含事件本身、时间线、信息最初投放到哪些位置、涉及哪些人群。智能体池是居民每个智能体不是一个AI而是一组带参数的虚拟人格有立场、有表达欲、有信任阈值。传播结构与规则是这个世界里的物理定律规定谁看得见谁、看到之后有多大可能被触动、触动之后有多大可能说出去。时间步推演与聚合是引擎的曲柄把世界一格一格往前推最后从几万条互动记录里统计出声量、情绪、关键节点和观点簇。打个比方单次问答像是找个算命先生问运势MiroFish 像是搭一个沙盘往里头放一群性格各异的人然后看这盘沙怎么塌、从哪里先塌。前者给你一句话后者给你一段过程。1.3 什么判断值得花算力去跑仿真不是所有问题都配得上一轮仿真。算力、时间和 token 成本都是真金白银用错地方就是浪费。我按实际经验整理了个粗略的判断标准。判断类型典型问题是否值得跑仿真原因事实查询这个接口返回什么格式不值得有唯一正确答案查文档更快单一决策者意志老板会不会同意这个方案不值得结果取决于一个人不取决于群体互动口径与话术选择这句文案会不会被误读值得结果取决于大量不同背景的人如何解读传播路径预判这条内容会不会出圈、从哪出值得典型的网络扩散问题分支决策A 方案和 B 方案哪个后患小值得可以并行跑两组做对照极端情况演练出负面时最先失控的是哪个环节值得现实里没法真做实验我自己的经验是只要这个判断的答案取决于很多人各自怎么想、怎么传仿真就有价值只要答案取决于一个明确的规则或一个人的意志就别浪费算力。这个边界线划清楚能省掉一大半无效运行。2. 引擎舱拆解MiroFish 里有哪些零件在咬合2.1 种子层把一句模糊需求变成可执行的世界设定大部分人选了仿真工具却跑不出有用结果问题都出在这一步。你输入我们下周要发一个新功能想知道会不会被骂这句话对引擎来说是不可执行的——它不知道功能是什么、谁会先用上、信息从哪流出去。我的做法是强制把它拆成结构化字段。举个例子把上面那句需求转成这样一组设定seed: event: 上线批量导出功能原单条导出入口下移一层 launch_time: D0 上午 10:00 first_reach: - 老用户站内信 - 产品更新日志 user_segments: - 高频导出用户占活跃用户 4% - 偶尔导出用户占 22% - 从不导出用户占 74% known_friction: 入口位置变化导致肌肉记忆失效 stakes: 导出是付费功能的配套能力这张表里最关键的两行是user_segments和known_friction。前者决定了世界里有几类人后者决定了矛盾的引信在哪里。这一步偷懒后面跑得再久都是在算一堆无关的对话。2.2 人格建模为什么一千个普通智能体胜过一个聪明智能体新手最容易犯的错是把智能体当成聪明的小助手。不是的。智能体的价值不在于它多聪明而在于它多不一样。我给智能体设定的维度大概有六个立场倾向对这类变化的默认态度是欢迎还是抵触、表达欲看到之后说出去的概率有人天生沉默有人什么事都要发一条、影响力它的发声能被多少人看到、信任阈值要看到几条相似信息才会相信、从众度周围人都在说时它会不会改口、情绪敏感度容不容易被激怒。这六个维度必须落成数值参数而不是指望模型现场发挥。原因很实在一旦人格是模型临场生成的你的两次运行结果就完全不可比实验也就失去了意义。把人格参数化才能做到只改一个变量其他都不动的对照实验。2.3 传播通道与关系图信息不是广播是接力真实的信息传播不是一个大喇叭对着所有人喊而是在关系网络里一棒一棒接力。MiroFish 这类系统通常会用小世界网络的思路搭关系图社群内部连接稠密社群之间只有少量桥接节点。这个结构恰好解释了为什么有些内容能在小圈子里烧得很旺却永远出不了圈——因为桥接节点没被触发。传播规则里我会重点关注一个式子的大致形式某个智能体被触动的概率取决于它和信源的关系强度、它的信任阈值、以及这条信息对它的情绪唤醒度三者共同作用。这里面情绪唤醒度是最容易被低估的变量现实里一条平平无奇的公告没人理但只要带上一点点我被区别对待了的暗示扩散效率会翻好几倍。2.4 时间步与聚合从几万条嘈杂对话里捞出信号跑完一轮你面对的是几万条零散的发言记录。直接看是看不出来的必须做聚合。我常用的指标有这么几个。声量曲线是随时间步变化的发言数量它告诉你这件事是有节奏地升温还是第一天就爆然后迅速冷却。情绪分布不是简单的正负比例而是看负面情绪里不满和愤怒的占比变化后者才是真正的风险信号。观点簇数量衡量极化程度从三个簇变成两个簇往往意味着中间派已经消失了。关键节点榜单列出影响力最大的几个智能体这些就是现实里你应该去沟通的对象原型。我一直提醒自己单次运行的结论没有意义只有分布的结论才有意义。一个智能体说了什么不重要一万个智能体里有 8% 说出了同一句话这才值得警惕。3. 从零跑通第一次推演环境、配置与观察点3.1 环境与依赖真正容易卡住的地方这类多智能体仿真项目的底层技术栈其实不复杂扎手的都是细节。以常规做法为例具体版本你对照自己 clone 下来的仓库说明调整大致需要这些东西。Python 3.10 以上。低于这个版本很多异步库和类型标注的写法会直接报错尤其是用了match语句或者新版类型注解的部分。模型接口。仿真过程中的每一次智能体发言都是一次模型调用所以接口要能承受高并发。如果你用本地模型先确认它的推理吞吐够不够不然一万次调用能把你的进度条焊死在 1%。嵌入模型与向量库。用来做智能体的记忆检索——它得记得自己上一轮说过什么以及别人对它说了什么。这一步不做智能体会像失忆一样每轮重复同样的观点。可视化依赖。网络图、时间序列图的绘制库通常在运行结束后一次性出图不影响主流程。提示第一次跑之前务必先用一个 10 个智能体、3 个时间步的极小规模做全链路冒烟测试。我见过太多次因为模型接口的返回格式少了个字段跑到第五个小时才报错的惨剧。3.2 一份可以照着改的配置骨架下面的字段是我按这类项目的通用结构整理的命名可能和你手上的版本有出入但结构上的对应关系是稳定的对着理解即可。simulation: agents: 300 time_steps: 20 seed: 20240115 # 固定随机种子保证可复现 concurrency: 8 # 并发调用数别超过模型接口的承受上限 network: topology: small_world community_count: 6 bridge_ratio: 0.02 # 社群间桥接节点比例 avg_degree: 12 # 平均连接数 behavior: speak_probability: 0.15 # 每步发声的基础概率 trust_threshold: 0.6 conformity: 0.3 emotion_decay: 0.85 # 情绪随时间步的衰减系数 output: save_raw: true # 原始对话一定要留后续归因全靠它 aggregate_interval: 1这几个参数里bridge_ratio和speak_probability是两个杠杆。前者调大内容更容易出圈后者调大整体节奏加快。但这两个值一旦偏离合理区间结果就会变成你想要什么就有什么失去参考价值。3.3 第一次别贪大300 个智能体、20 个时间步起步我建议第一次正式运行就锁定在 300 个智能体、20 个时间步。这个规模下一轮跑完大概十几分钟到半小时成本可控而且足够看出曲线的形状。等你确认了参数合理、结果方向符合常识再往上加规模。这里有个反直觉的点智能体数量不是决定精度的第一变量人格分布的合理性才是。300 个分布得当的智能体结论质量往往好过 3000 个参数随手填的。3.4 结果文件怎么读先看形状再看内容聚合产物出来后我的阅读顺序是固定的。第一步只看声量曲线的形状是尖峰型、阶梯型还是长尾型。尖峰型意味着事件来得快去得也快不太需要公关动作阶梯型是最危险的说明每隔一段时间就有一批新人被卷进来。第二步看情绪分布的拐点出现在第几个时间步那个拐点往前推两格就是现实里你该采取动作的时间窗口。第三步才去读具体的对话内容从关键节点榜单里挑几个高影响力智能体的发言链看它们的态度是怎么被一步步改变或固化的。4. 让结果站得住规模、随机性与收敛这三件事4.1 智能体数量的边际收益在哪里断掉规模确实影响结论的稳定性。智能体太少随机性占主导两种人格的偶然对撞就能改变全局走向。但规模上去之后收益会迅速递减。我自己的经验区间是判断整体情绪倾向200 到 500 个智能体就够了判断传播路径和关键节点需要 1000 以上再往上加主要收益是让分布更平滑而不是让结论更正确。换句话说如果你发现结论在不同规模下反复横跳问题多半不在规模而在人格参数的分布太极端——比如所有人都给了很高的表达欲那这个世界里的人就都是话痨跟现实完全不像。4.2 固定随机种子没有复现就没有实验这一条我必须单独拎出来讲。仿真系统里有大量随机过程关系图怎么连、每个智能体每步说不说话、情绪波动多大。如果你不固定随机种子同一个配置跑两次会得到两条不同的曲线你根本无法判断这一版的改动到底起作用了没有。正确做法是对照实验里除了你要测的那个变量其余全部锁死包括随机种子。A 组和 B 组用完全相同的种子、完全相同的关系图、完全相同的智能体参数只有信息投放口径不同。这样出来的差异才是真正归因于口径的差异。4.3 什么时候可以停看收敛不看心情多轮运行到什么时候算够我的标准是看关键指标是否收敛。具体说连续跑五轮如果声量峰值位置、负面情绪占比、观点簇数量的波动都落在某个区间内不再扩大就可以停了。如果跑十轮还在漂移说明这套配置本身不稳定加轮次没用得回头调人格分布或者传播规则。这里有个很实用的做法把每一轮的指标记进表格横向比对波动大的指标就是这套配置的敏感点恰恰也是现实中最值得盯的地方。指标第1轮第2轮第3轮波动判断声量峰值时间步787稳定负面情绪占比31%44%29%波动大需关注观点簇数量323边界状态像上面这张表里负面情绪占比在三轮里从 29% 跳到 44%说明这套设定对初始条件极度敏感。现实中对应的含义是这个事件的舆论走向本来就在临界点上任何一个小因素都可能把它推过去。4.4 用真实历史数据做一次回测想验证一套仿真配置靠不靠谱唯一的办法是回测。找一个已经发生过、你手上有完整过程数据的事件把它的初始条件作为种子输进去看引擎跑出来的曲线和现实的曲线形状是否接近。不用追求数值一样形状像就已经很能说明问题了。我自己做回测时第一版的曲线跟现实差了整整五个时间步的节奏最后发现是speak_probability给太高了现实里绝大多数人看到消息是不说话的。5. 踩坑实录让推演结果失真的四个真凶5.1 人格趋同一万个智能体发出同一个声音这是最隐蔽也最致命的坑。表现是输出结果看起来很有条理情绪分布也很合理但仔细观察对话内容会发现几乎所有智能体的用词和句式都高度相似。根因在于人格生成方式。如果你是用模型批量生成人格描述模型会倾向于生成平均值人格——温和、理性、不极端。解决方式是强制参数分布明确指定立场倾向要有 20% 的极端反对者、15% 的极端支持者表达欲要服从长尾分布而不是正态分布。真实世界里最活跃的那 5% 的人产出了 80% 的内容这个结构必须被复制进去。5.2 成本失控一次推演烧掉一个月预算仿真系统的成本不是线性增长的。智能体数量乘以时间步再乘以每一轮的记忆检索和发言生成很容易就变成平方级的调用量。我第一次跑 1000 个智能体、30 个时间步中途发现进度慢得离谱查日志才看到每步都在做全量记忆检索。几个实用的节流办法把记忆检索限制在最近若干轮加少量长期记忆不要每次都全量扫对不发言的智能体跳过生成调用把低影响力智能体的发言改用更小、更快的模型处理只对关键节点用大模型。这些改动对结论质量的影响很小但成本能降下来一大截。5.3 提示词里的引导性提问这个坑我踩过不止一次。我在给智能体写角色提示词时顺手写了句你是一个对功能变化比较敏感的用户。结果所有智能体都变得敏感负面情绪占比虚高。问题在于角色提示词本身就是一种引导。任何带评价色彩的形容词进入提示词都会被放大成全局偏差。正确做法是只用中性的事实描述你每周使用导出功能约 3 次最近半年没有更换过工具。让态度从互动中自己长出来而不是预先塞进去。5.4 把仿真当预言而不是当成一面镜子最后这条不是技术坑是认知坑。仿真跑出来的曲线不是未来它是在如果所有人都按我设定的规则行动这个前提下推出来的一个可能版本。它的价值在于帮你发现哪些设定会导致失控而不是告诉你下周一定会失控。我现在的用法是永远同时跑一组什么都不做的对照组和一组采取动作的实验组只看两者之间的差值。差值告诉你这个动作值不值得做绝对值本身说明不了什么。6. 我实际用它跑过的三类场景6.1 卖点口径的 A/B 预演最直接的应用就是把文案口径当成变量来跑。同一件事A 组的表述是批量导出功能上线效率提升B 组是原单条导出入口位置调整新入口位于……。两组使用完全相同的种子和人格分布只改这句投放文案。跑出来的差异很有意思A 组的声量峰值更高但衰减更快负面情绪集中在没看懂在说什么B 组声量低一些但负面情绪集中在为什么改我的习惯而且衰减很慢说明这部分不满会长期存在。这个结论没法直接告诉你选哪个但它把两类风险的不同性质摊在了桌面上——前者是一次性困惑后者是持续性摩擦。这种区分单次问答是绝对给不出来的。6.2 内容传播潜力的预演第二类场景是把要发布的内容本身作为种子看它能不能穿过社群之间的桥接节点。具体做法是把内容拆成几个可变要素标题的情绪强度、信息密度、是否有指向明确的对象。然后分别跑看哪个组合能触发桥接节点转发。我发现一个稳定的规律能让桥接节点转发的往往不是最激烈的内容而是能让转发者显得有见识的内容。这个规律在仿真里反复出现后来我在实际选题时也会拿它当参考。当然这只是仿真得出的倾向真实投放还要看平台特性不能直接照搬。6.3 和手上的真实数据串起来用单靠仿真跑出来的结论始终是人造世界里的结论。我现在更常用的做法是先用真实数据校准参数再让仿真去跑没发生过的分支。比如我手上有一批历史事件的声量曲线和参与人群构成就用它们反推合理的表达欲分布和桥接比例把参数调到能复现历史曲线的形状再用这套参数去跑新事件。这样做的成本高一些但结论的可信度完全不是一个量级。校准过参数的仿真它的价值不再是给我一个预测而是帮我排掉那些明显走不通的方案——后者对做决策的人来说往往比多一个预测有用得多。我个人在实际操作中的体会是这类群体智能仿真工具最容易被误用的地方就是拿它去替代判断而不是去扩展判断的边界。它跑得快、跑得多但它跑的是你自己设定出来的世界。设定本身错了跑一万轮也只是把一个错误的假设演绎得更精致。真正值得花时间的地方反而是前期那几十分钟把种子写清楚、把人格分布调合理、把对照组设计出来。这几件事做扎实了一轮三百个智能体的推演比十轮三千个智能体乱跑要值钱。