MiroFish 深度解析（三）：OASIS 仿真引擎——在数字世界中预演未来

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？

在现实世界中，你只能选择一种策略，然后承担后果。

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：

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

Reddit 模型

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：

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%

2. Agent 活动配置

   • 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

3. 事件配置

   • 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

4. 平台配置

   • 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

MiroFish 是预演工具，不是预测工具。

仿真的价值

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

2. 环境是简化的

   • 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）

3. 计算成本高

   • 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：

这不是替代现实，而是增强现实——就像飞行模拟器增强飞行员的能力一样，MiroFish 增强决策者的能力。

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