> 参考对象：复杂系统研究者 John H. Holland + 社会仿真先驱 Joshua M. Epstein + 《模拟人生》游戏设计理念
---
引子：如果我们能"快进"时间
想象这样一个场景：
你是一家公司的公关总监，刚得知一个负面新闻即将曝光。你有 24 小时来准备应对策略。你想知道：
- 如果发布道歉声明，舆论会如何演变？
- 如果选择沉默，事情会自然平息还是继续发酵？
- 如果采取法律手段，会引发怎样的反弹？
但在 MiroFish 的世界里，你可以"快进"时间，在数字世界中预演每一种可能。
---
第一部分：什么是 OASIS？
OASIS（Open Agent Social Interaction Simulation）是来自 CAMEL-AI 项目的社交媒体仿真引擎。
CAMEL-AI 简介
CAMEL（Communicative Agents for "Mind" Exploration of Large Scale Language Model Society）是研究多智能体系统的开源项目，由来自全球顶尖机构的研究者维护。
核心理念： > 通过让多个 AI Agent 在特定环境中相互交互，来研究涌现行为和社会动力学。
OASIS 的定位
OASIS 专门用于社交媒体仿真：
- 模拟 Twitter/X 上的信息传播
- 模拟 Reddit 上的社区讨论
- 研究舆论演化、病毒传播、回声室效应
第二部分：OASIS 的核心架构
1. Agent 模型
OASIS 中的每个 Agent 都有完整的人设：
class OasisAgentProfile:
# 基础身份
user_id: int # 唯一标识
user_name: str # 用户名
name: str # 显示名称
bio: str # 简介
# 人设描述（驱动 LLM 行为）
persona: str # 详细人设（几百字）
# 社交媒体属性
follower_count: int # 粉丝数
friend_count: int # 关注数
statuses_count: int # 历史发帖数
karma: int # Reddit 专用
# 行为模式
active_hours: List[int] # 活跃时间段（24小时制）
posts_per_hour: float # 每小时发帖频率
comments_per_hour: float # 每小时评论频率
# 认知与立场
sentiment_bias: float # 情感倾向（-1.0到1.0）
stance: str # 立场（supportive/opposing/neutral/observer）
interested_topics: List[str] # 关注话题
Agent 类型示例：
| 类型 | follower_count | active_hours | sentiment_bias | stance |
|---|---|---|---|---|
| 大 V | 100万+ | [9,12,18,21,22] | 0.2 | neutral |
| 普通用户 | 100-500 | [12,13,19,20,21] | 0.0 | observer |
| 激进分子 | 1000-5000 | [0,1,2,23] | -0.6 | opposing |
| 官方账号 | 10万+ | [9,10,11,14,15] | 0.0 | supportive |
2. 平台模型
OASIS 同时支持 Twitter 和 Reddit 两种平台：
#### Twitter 模型
class TwitterPlatform:
# 内容限制
max_post_length: int = 280 # 字符限制
# 推荐算法权重
recency_weight: float = 0.4 # 新鲜度
popularity_weight: float = 0.3 # 热度
relevance_weight: float = 0.3 # 相关性
# 病毒传播
viral_threshold: int = 10 # 达到10个互动后触发扩散
# 回声室效应
echo_chamber_strength: float = 0.5 # 相似观点聚集程度
Twitter 特点：
- 短文本，快速传播
- 实时性强，热点变化快
- 关注网络驱动信息流动
- 病毒式传播阈值低
class RedditPlatform:
# 内容限制
max_post_length: int = 40000 # 长文本支持
# 社区结构
subreddits: Dict[str, Community] # 子版块
# 推荐算法
recency_weight: float = 0.3
popularity_weight: float = 0.4
community_weight: float = 0.3 # 社区相关性
# 社区文化
community_norms: Dict[str, List[str]] # 各社区的规范
Reddit 特点：
- 长文本，深度讨论
- 社区/板块结构
- 投票机制（upvote/downvote）
- 社区文化影响行为
3. 时间模拟
OASIS 可以"快进"时间，模拟 72 小时（3 天）的舆情演化。
class TimeSimulationConfig:
# 模拟时长
total_simulation_hours: int = 72
# 时间压缩
minutes_per_round: int = 60 # 每轮代表60分钟
# 高峰期设置（基于中国人作息）
peak_hours: List[int] = [19, 20, 21, 22] # 晚间高峰
peak_activity_multiplier: float = 1.5
# 低谷期设置
off_peak_hours: List[int] = [0, 1, 2, 3, 4, 5] # 深夜
off_peak_activity_multiplier: float = 0.05
时间配置的意义：
| 时段 | 活跃度系数 | 说明 |
|---|---|---|
| 深夜 (0-5点) | 5% | 几乎无人活动 |
| 早间 (6-8点) | 40% | 逐渐醒来 |
| 工作 (9-18点) | 70% | 工作时段中等活跃 |
| 晚间高峰 (19-22点) | 150% | 中国人最活跃时间 |
| 夜间 (23点) | 50% | 活跃度下降 |
4. 行为模型
Agent 在仿真中可以执行以下动作：
class AgentAction(Enum):
CREATE_POST = "create_post" # 发帖
COMMENT = "comment" # 评论
LIKE_POST = "like_post" # 点赞帖子
LIKE_COMMENT = "like_comment" # 点赞评论
REPOST = "repost" # 转发
FOLLOW = "follow" # 关注
UNFOLLOW = "unfollow" # 取消关注
SCROLL = "scroll" # 浏览（不互动）
DO_NOTHING = "do_nothing" # 什么都不做
行为决策逻辑：
每轮仿真：
1. 根据当前时间确定活跃度系数
2. 根据 Agent 的 posts_per_hour 等参数计算行动概率
3. LLM 根据 Agent persona 和当前状态决定具体行动
4. 执行行动，更新环境状态
5. 其他 Agent 可以感知到这些行动并做出反应
---
第三部分：MiroFish 的 OASIS 集成
1. Profile 生成流程
MiroFish 将知识图谱中的实体转换为 OASIS Agent Profile：
知识图谱实体 → Profile 生成器 → OASIS Agent Profile
示例：
张三（学生）→
- user_name: "zhangsan_ustc"
- name: "张三"
- persona: "中国科学技术大学计算机专业大三学生，关注学术诚信话题，性格内向但正义感强..."
- follower_count: 350
- active_hours: [12, 13, 19, 20, 21, 22]
- interested_topics: ["学术诚信", "宿舍条件", "考试周"]
- stance: "opposing"（针对甲醛事件）
2. 仿真配置生成
MiroFish 自动生成仿真参数，无需人工设置：
class SimulationConfigGenerator:
def generate(
self,
entities: List[EntityNode],
simulation_requirement: str,
graph_id: str
) -> SimulationParameters:
"""
自动生成仿真配置
包括：
1. 时间配置（基于中国人作息）
2. Agent 活动配置（每个 Agent 的参数）
3. 事件配置（初始事件、定时事件）
4. 平台配置（Twitter + Reddit）
"""
配置生成逻辑：
1. 时间配置
- 默认模拟 72 小时（3 天）
- 每轮 60 分钟，加快时间流速
- 高峰期晚间 19-22 点，活跃度 150%
- 根据实体类型设置活跃度
- 学生：晚上活跃，发帖频率中等
- 媒体：工作时间活跃，发帖频率高
- 官方：工作时间活跃，发帖频率低但影响力大
- 初始事件：仿真开始时的触发帖
- 定时事件：在特定时间触发的新事件
- 热点话题：引导讨论方向的关键词
- Twitter：病毒传播阈值 10，回声室效应 0.5
- Reddit：社区权重 0.3，深度讨论友好
3. 双平台并行仿真
MiroFish 同时运行 Twitter 和 Reddit 仿真：
class SimulationRunner:
async def run_dual_platform(
self,
twitter_config: SimulationConfig,
reddit_config: SimulationConfig,
profiles: List[OasisAgentProfile]
) -> DualPlatformResult:
"""
运行双平台并行仿真
流程：
1. 创建 Twitter 仿真环境
2. 创建 Reddit 仿真环境
3. 同时启动两个仿真
4. 记录所有 Agent 的动作
5. 返回双平台结果
"""
双平台结果示例：
Twitter 结果：
- 总帖子数：1,250
- 总评论数：5,680
- 病毒传播事件：12 次
- 情感演化：负面 65% → 负面 45%
Reddit 结果：
- 总帖子数：280
- 总评论数：12,500
- 深度讨论帖：45 个
- 情感演化：负面 70% → 负面 35%
---
第四部分：Interview Agents——与仿真世界对话
这是 MiroFish 最具创新性的功能：在仿真运行期间，你可以"采访"虚拟世界中的 Agent。
功能原理
不是 LLM 模拟的回答，而是调用 OASIS 仿真环境的真实采访 API。
async def interview_agents(
self,
simulation_id: str,
interview_requirement: str,
max_agents: int = 5
) -> InterviewResult:
"""
深度采访 - 真实 Agent 采访（双平台）
流程：
1. 自动读取人设文件，了解所有模拟 Agent
2. 智能选择与采访主题最相关的 Agent
3. 自动生成采访问题
4. 调用 OASIS 采访 API 在双平台进行真实采访
5. 整合所有采访结果
"""
使用示例
# 采访请求
interview_requirement = """
我想了解甲醛事件中各方的真实想法：
- 学生对校方的态度
- 媒体为什么选择报道
- 校方的真实顾虑
- 政府官员的立场
"""
# 系统操作
1. 从 profiles 中筛选相关 Agent：
- 学生 Agent × 2
- 媒体 Agent × 1
- 校方 Agent × 1
- 政府官员 Agent × 1
2. 为每个 Agent 生成采访问题：
- 学生："作为当事学生，你对校方的回应怎么看？"
- 媒体："你为什么选择报道这个事件？"
- 校方："你们在处理这个事件时最担心什么？"
- 官员："你会建议采取什么措施？"
3. 调用 OASIS API 获取回答
4. 返回整合结果
为什么这个功能重要？
传统仿真：你只能观察统计数据（帖子数、情感分布） MiroFish 仿真：你可以"走进"仿真世界，问 Agent 为什么这样做
这就像《西部世界》中的"与 Host 对话"，但发生在数字仿真中。
---
第五部分：仿真与现实的关系
仿真不是预测，而是"预演"
重要区分：
- 预测：声称知道未来会发生什么
- 预演：在虚拟环境中测试不同策略的效果
仿真的价值
| 价值 | 说明 |
|---|---|
| 策略测试 | 在虚拟环境中测试不同应对策略 |
| 风险识别 | 发现可能的危机传播路径 |
| 认知训练 | 帮助决策者理解复杂系统的动态 |
| 假设检验 | 验证关于舆论演化的假设 |
仿真的局限
1. Agent 不等于真人
- Agent 基于 LLM，行为可能与真实人类有差异
- 无法模拟所有人类情感和动机
- 真实社交媒体平台算法不断变化
- 无法模拟所有外部因素（突发新闻、政策变化）
- 大规模仿真需要大量 LLM 调用
- 成本可能很高
第六部分：技术实现细节
仿真管理器
class SimulationManager:
"""
仿真生命周期管理
状态机：
IDLE → STARTING → RUNNING → [PAUSED] → STOPPING → STOPPED
↓
COMPLETED / FAILED
"""
async def start_simulation(self, config: SimulationConfig) -> str:
"""启动仿真"""
async def pause_simulation(self, simulation_id: str):
"""暂停仿真"""
async def resume_simulation(self, simulation_id: str):
"""恢复仿真"""
async def stop_simulation(self, simulation_id: str):
"""停止仿真"""
async def get_status(self, simulation_id: str) -> SimulationStatus:
"""获取仿真状态"""
IPC 通信机制
MiroFish 使用 IPC（进程间通信）与 OASIS 仿真进程交互：
class SimulationIPCClient:
"""
仿真 IPC 客户端
用于：
- 发送控制命令（启动、暂停、停止）
- 接收实时日志
- 调用采访 API
"""
async def send_command(self, command: Command) -> Response:
"""发送命令"""
async def stream_logs(self) -> AsyncIterator[LogEntry]:
"""流式接收日志"""
async def interview(self, agent_id: int, question: str) -> str:
"""采访指定 Agent"""
---
尾声：从"观测"到"实验"
MiroFish 通过 OASIS 引擎，实现了社会科学研究方法的范式转移：
| 传统方法 | MiroFish 方法 |
|---|---|
| 观测研究 | 仿真实验 |
| 事后分析 | 事前预演 |
| 被动记录 | 主动干预 |
| 单一现实 | 多重可能 |
在复杂系统的世界中， 能够"快进"时间的工具， 就是能够"赢得"时间的工具。
---
*本文是 MiroFish 深度解析系列的第三篇，下一篇将深入探讨 ReACT 报告生成机制。*
#MiroFish #OASIS #CAMEL-AI #多智能体仿真 #社交媒体仿真