Zum Inhalt springen
Wissensdatenbank

Agentenbasierte Antwortgenerierung

Diese Seite beschreibt die Kampagnensimulation: KI-Agenten erzeugen auf Basis von Persona-Profilen synthetische Umfrageantworten, sodass Sie hypothetische Kampagnen testen können, bevor Sie sie tatsächlich ins Feld bringen.

Mit der Kampagnensimulation testen Sie hypothetische Kampagnenszenarien mit synthetischen Daten. KI-Agenten füllen Umfragen als virtuelle Befragte aus und erzeugen realistische Antworten, die sich an demografischen Profilen und Verhaltensmerkmalen orientieren.

  • Ablauf und Logik des Fragebogens prüfen, bevor die Kampagne real startet
  • Datenanalyse-Pipelines testen – mit realistischen synthetischen Daten
  • Interviewer schulen – mit simulierten Befragungen
  • Ressourcenbedarf abschätzen, den die Durchführung einer Kampagne erfordert
  • Demodaten erzeugen für Präsentationen vor Stakeholdern

Der Modus distribution="llm" erzeugt mit Claude Haiku kontextbezogene Antworten auf Basis von Persona-Profilen. Jede Frage beantwortet ein LLM, das das vollständige Persona-Profil und alle bisherigen Frage-Antwort-Paare erhält. So bleiben die Antworten über die gesamte Umfrage hinweg stimmig.

Wichtigste Vorteile gegenüber regelbasierter Generierung:

  • Kontextuelle Konsistenz: Wer „arbeitslos“ angibt, beschreibt später keinen Arbeitsplatz
  • Natürliche Sprache: Freitextantworten spiegeln den Kommunikationsstil der Persona wider
  • Differenzierte Auswahl: Bei der Optionswahl zählt der gesamte Fragekontext, nicht nur gewichteter Zufall

Voraussetzungen: Ihr Anbieter für Reasoning (Profileinstellungen → KI-Modelle) oder der Ihrer Organisation muss Anthropic API oder AWS Bedrock sein, und die zugehörigen Zugangsdaten müssen hinterlegt sein. Abgerechnet wird über dieses Konto, nie über einen Plattformschlüssel. Ist kein Anbieter konfiguriert oder fehlen die Zugangsdaten, bricht der Modus sofort ab, noch bevor eine Umfrage verarbeitet wird – ohne stillen Rückfall auf eine Alternative.

Beispiel:

User: result = mass_fill_surveys(campaign_id="abc", distribution="llm", profiles=["young_single", "retired"])
# result = {"task_id": "...", "status": "pending"}
# poll get_task_status(task_id=result["task_id"]) until terminal
Result (after the task completes):
Young Professional answering "How often do you shop online?"
→ "Several times a week" (tech-savvy, time-conscious)
Retired Senior answering the same question
→ "A few times a month" (traditional, deliberate shopper)

Der Standardmodus distribution="realistic" wählt Antworten per gewichtetem Zufall auf Basis demografischer Profile aus. Er ist schneller, berücksichtigt den Kontext aber weniger – gut geeignet, um Datenpipelines mit großen Mengen zu testen, wenn die Antwortqualität zweitrangig ist.

Verteilung Methode Geschwindigkeit Qualität
llm Claude Haiku pro Frage ~1 s/Frage Hoch – kontextbezogen, konsistent
realistic Gewichteter Zufall Sofort Mittel – demografisch beeinflusst
random Reiner Zufall Sofort Niedrig – ohne demografischen Einfluss

Simulieren Sie den kompletten Lebenszyklus einer Kampagne mit mehreren Befragten.

Phase 1: VorbereitungPhase 2: DurchführungPhase 3: AnalyseProjekt anlegenKampagne anlegenBefragte erzeugenStrategie & Pool anlegenUmfragen in großer Zahl anlegenPersonas zuweisenUmfragen ausfüllenVerzweigungen verarbeitenBronze-Datensatz anlegenRaking anwendenDaten exportieren
  • Legt Projekt, Fragebogen und Kampagne an
  • Erzeugt synthetische Befragte mit realistischer Demografie
  • Legt Stichprobenstrategie und Befragtenpool an
  • Erstellt Umfragen für alle Befragten in einem Schritt
  • Füllt Umfragen mit personabasierter Antwortgenerierung aus
  • Simuliert realistische, demografisch geprägte Antwortmuster
  • Verarbeitet Verzweigungen und Filterführung des Fragebogens
  • Überführt die Antworten in einen Bronze-Datensatz
  • Wendet eine Nachschichtungsgewichtung (Raking) an
  • Erstellt Silver- und Gold-Datensätze
  • Exportiert in mehreren Formaten (CSV, XLSX, SPSS, Parquet, R, JSON)

Personas legen die Merkmale fest, nach denen synthetische Antworten erzeugt werden. Jede Persona hat demografische Attribute und Verhaltensmerkmale, die beeinflussen, wie sie Fragen beantwortet.

Die eigenen Attribute Ihrer Befragten kommen hinzu

Abschnitt betitelt „Die eigenen Attribute Ihrer Befragten kommen hinzu“

Eine Persona ist ein Archetyp; die befragte Person, für die sie antwortet, ist dagegen ein konkreter Datensatz in Ihrem Projekt. Wird für eine reale befragte Person eine synthetische Antwort erzeugt, ergänzt das System die Persona um deren eigene Attribute – Alter, Geschlecht und Wohnort sowie jedes benutzerdefinierte Attribut, das Sie zu ihr erfasst haben.

In benutzerdefinierten Attributen stecken meist genau die Merkmale, nach denen eine Studie tatsächlich segmentiert: Unternehmensgröße, Branche, Region, Mitgliedsstufe – alles, was Ihr Import mitgebracht hat. Diese Merkmale erreichen jetzt auch die simulierte befragte Person. Eine Persona, die für ein Kleinstunternehmen aus dem Bankensektor antwortet, antwortet also auch als solches – und nicht als generischer Archetyp, der zufällig in dieselbe Altersgruppe fällt.

Zwei Folgen sollten Sie kennen:

  • Ein echtes Attribut hat Vorrang vor einem gleichnamigen benutzerdefinierten. Erfassen Sie ein benutzerdefiniertes Attribut namens location, gilt das eigene Wohnortfeld der befragten Person. Die simulierte Person erhält also nie zwei verschiedene Angaben zu derselben Eigenschaft.
  • Die Attribute, nach denen Sie gewichten, sind die Attribute, die die Persona sieht. Kalibrierungsfaktoren lassen sich bereits aus benutzerdefinierten Attributen bilden. Damit schließt sich eine Lücke: Bisher konnten Sie eine Stichprobe nach einem Merkmal gewichten, von dem die simulierten Befragten nichts wussten.
Profil Demografie Antwortverhalten
Young Professional 25–35 Jahre, ledig, berufstätig, Einkommen 50–80 Tsd. $ Technikaffin, zeitbewusst, kurze Antworten
Family Oriented 30–50 Jahre, verheiratet, Kinder, Vorort Familienorientierte Entscheidungen, ausführliche Antworten
Retired Senior 65+ Jahre, im Ruhestand, festes Einkommen Traditionelle Werte, gründliche Antworten
High Earner 35–55 Jahre, hohes Einkommen (>100 Tsd. $) Qualitätsorientiert, Vorliebe für Premiumangebote
Random Gemischte Demografie Unvorhersehbare Antwortmuster

Jedes Persona-Profil wird so definiert:

name: Young Professional
description: Young adult professional, tech-savvy and time-conscious
demographics:
age_range: 25-35
gender: any
marital_status: single
employment: full-time professional
income: $50,000 - $80,000
education: bachelor's degree
location: urban/suburban
behavioral_traits:
- tech-savvy
- time-conscious
- values convenience
- early adopter
response_style:
verbosity: brief
decision_speed: quick
detail_level: moderate

Für spezielle Forschungsfragen können Sie eigene Personas anlegen:

User: "Create a persona for budget-conscious students"
AI: Creating custom persona: Budget Student
Demographics:
- Age: 18-24
- Employment: Part-time or student
- Income: < $25,000
- Education: Currently enrolled
- Location: University town
Behavioral Traits:
- Price-sensitive
- Social media active
- Peer-influenced decisions
- Values free trials/samples
Response Style:
- Casual language
- Quick decisions
- Strong opinions on value
Save this persona for future simulations?

Für jede Frage der Umfrage erhält das LLM einen einzigen Prompt mit folgendem Inhalt:

  1. System-Prompt: Text des Persona-Profils mit demografischen Details und Verhaltensmerkmalen
  2. Demografie der befragten Person: die tatsächlichen demografischen Daten aus ihrem Datensatz (Alter, Geschlecht, Bildung usw.)
  3. Frage-Antwort-Verlauf: alle bisherigen Frage-Antwort-Paare dieser Umfragesitzung
  4. Aktuelle Frage: Fragetext, verfügbare Optionen und das erwartete JSON-Antwortformat

Das LLM liefert eine strukturierte JSON-Antwort. Diese wird in das Format übersetzt, das die Umfrage-Engine erwartet (je nach Fragetyp ein Einzelwert, ein Array oder ein Dictionary).

Jede Umfrage führt einen fortlaufenden Verlauf der Frage-Antwort-Paare. Dieser Verlauf geht in jeden folgenden Prompt ein, sodass das LLM:

  • konsistent bleibt – wer „arbeitslos“ angegeben hat, beschreibt später keinen Arbeitsplatz
  • auf dem Kontext aufbaut – Zufriedenheitswerte passen zu früher geschilderten positiven oder negativen Erfahrungen
  • Widersprüche vermeidet – demografische Angaben bleiben in sich stimmig

Antworten sind die ganzzahligen Antwortcodes aus der labels-Zuordnung der Frage (Freitext nur bei offenen Textarea-Fragen) – siehe Präsentationsformat von Umfragen:

Fragetyp Erwartetes Format Beispiel
Einfachauswahl (Radio/Dropdown) Ein Antwortcode 2
Mehrfachauswahl (Checkbox) Array der gewählten Antwortcodes (vom Parser auf eine Bitmaske reduziert) [1, 4]
Schieberegler (numerisch) Zahl innerhalb des Bereichs 7
Range (Intervall) Paar [low, high] innerhalb des Bereichs, low nicht größer als high [3, 8]
Schalter (boolesch) true / false true
Freitext (Textarea) Zeichenkette "Great service overall"
Fragegruppe Array von Codes, einer pro Unterfrage (ein gemeinsames Steuerelement) [1, 3, 2]
Matrixfrage Verschachteltes Array von Codes, Zeilen × Spalten [[1, 2], [3, 1]]

Der empfohlene Ablauf, um synthetische Daten mit LLM-Antworten zu erzeugen:

  1. Persona-Mix festlegen – wählen Sie, welche Profile in welchem Anteil vertreten sein sollen
  2. mass_fill_surveys aufrufen – mit distribution="llm" und den gewählten Profilen
  3. Bronze-Datensatz anlegen – die Rohantworten extrahieren
  4. Raking anwenden – die Antworten auf die Zieldemografie gewichten
  5. Exportieren und analysieren – als CSV, XLSX, SPSS, Parquet, R oder JSON
# Enqueue the background fill task (returns immediately with a task_id)
result = mass_fill_surveys(
campaign_id="campaign-uuid",
distribution="llm",
profiles=["young_single", "married_family", "retired", "high_income"],
max_surveys=50,
)
# result = {"task_id": "...", "status": "pending", ...}
# Poll until terminal
while True:
status = get_task_status(task_id=result["task_id"])
if status["state"] in ("completed", "partial", "failed"):
break
sleep(5)

Das Tool kehrt sofort zurück; die Generierungsschleife läuft als Hintergrundjob auf Portors eigenem Worker. Beim Abfragen sehen Sie status_text (z. B. "23 of 50 surveys processed"). Es gibt drei unterschiedliche Endzustände: completed (jede Umfrage ausgefüllt), partial (gemischtes Ergebnis – die Zusammenfassung steht in status_text, und ein erneuter Aufruf von mass_fill_surveys wiederholt nur die nicht ausgefüllten Umfragen) und failed (keine Umfrage ausgefüllt; last_error nennt den Grund).

User: "Run a simulation of the NPS campaign with 50 respondents,
mostly young professionals and families, using LLM responses"
AI: Configuring simulation:
Campaign: NPS Customer Satisfaction
Distribution: LLM (Claude Haiku)
Respondents: 50 synthetic profiles
Persona Distribution:
- Young Professional: 40% (20 respondents)
- Family Oriented: 40% (20 respondents)
- Random: 20% (10 respondents)
Each survey will maintain conversation history for consistent responses.
Output:
- Bronze dataset (raw responses)
- Silver dataset (weighted)
- XLSX export
Start simulation?

Nach Abschluss der Simulation erhalten Sie:

Simulation Complete: "Q1 Satisfaction Test Run"
Surveys:
- Total: 100
- Completed: 98
- Terminated (screening): 2
Response Statistics:
- Average completion time: 6m 42s
- Questions answered: 1,470
- Skip rate: 8.3%
NPS Results:
- Promoters (9-10): 34%
- Passives (7-8): 41%
- Detractors (0-6): 25%
- NPS Score: +9
Demographic Distribution vs. Targets:
┌─────────────┬──────────┬──────────┬─────────┐
│ Factor │ Target │ Actual │ RMSE │
├─────────────┼──────────┼──────────┼─────────┤
│ Male │ 48% │ 47% │ 0.01 │
│ Female │ 50% │ 51% │ 0.01 │
│ Age 18-24 │ 15% │ 14% │ 0.01 │
│ Age 25-34 │ 25% │ 26% │ 0.01 │
│ Age 35-44 │ 25% │ 24% │ 0.01 │
└─────────────┴──────────┴──────────┴─────────┘
Overall Quality: ✅ Excellent (RMSE: 0.012)
Weighting Efficiency: 94% (Design Effect: 1.06)
Datensatz Beschreibung Format
Bronze Rohantworten wie erhoben Parquet
Silver Gewichtete Antworten (Raking angewendet) Parquet
Gold Aufbereitet, exportfertig CSV, XLSX, SPSS

Die LLM-Generierung in mass_fill_surveys nutzt einen einzelnen zustandslosen LLM-Aufruf pro Frage – die Engine askalot_ai.respondent_sim, die Portor direkt aufruft statt über den mehrstufigen Agent-Executor. Das ist Absicht:

  • Portor hat den Umfragezustand über FlowProcessor bereits im eigenen Prozess – der Agent muss also keine MCP-Tools aufrufen, die wieder bei Portor selbst landen
  • Jede Frage ist ein direkter Aufruf („Diese Frage anhand dieses Profils und der bisherigen Antworten beantworten“)
  • Keine zirkulären MCP-Aufrufe, einfachere Fehlerbehandlung, geringere Latenz

Davon zu unterscheiden ist der Befragten-Agent (der Ablauf complete-survey), der eine Umfrage Schritt für Schritt über MCP-Tools vollständig durchläuft und in der Kampagnensimulation zum Einsatz kommt. Die Massenbefüllung verzichtet zugunsten des Durchsatzes auf diese agentische Tiefe.

Aspekt Konfiguration
Modell Claude Haiku 4.5 (claude-haiku-4-5-20251001)
Max. Tokens 256 pro Antwort
Temperatur 0,8 (natürliche Variation)
Kontext Persona-Profil + Demografie der befragten Person + Frage-Antwort-Verlauf

Innerhalb von mass_fill_surveys werden die Umfragen nacheinander ausgefüllt. Jede Umfrage sammelt ihren eigenen Frage-Antwort-Verlauf, bleibt so in sich konsistent und ist dennoch unabhängig von den anderen Umfragen.

Profildateien sind Markdown-Dokumente mit YAML-Frontmatter. Sie werden aus dem gemeinsamen Prompt-Verzeichnis von askalot_ai in die Portor-Container eingebunden. LLM-Modus und regelbasierter Modus verwenden dieselben Profile.

Der LLM-Modus nutzt ausschließlich Anthropic – Claude Haiku bietet für die Erzeugung von Umfrageantworten die beste Balance aus Geschwindigkeit, Kosten und Qualität. Den lokalen Inferenzdienst der Plattform nutzt Askalot nur für Dokument-Embeddings, nicht für die Antwortgenerierung.


  • Bevor Sie teure Kampagnen starten
  • Beim Testen neuer Fragebogenentwürfe
  • Beim Schulen von Datenanalysten an der Datenpipeline
  • Bei der Prüfung von Stichprobenstrategien
  • Für Demodaten in Präsentationen vor Stakeholdern
  • Keine echten Meinungen: Synthetische Daten spiegeln Persona-Vorlagen wider, keine tatsächlichen Einstellungen
  • Konsistenz statt Vielfalt: Personas antworten unter Umständen konsistenter als echte Menschen
  • Randfälle: Ungewöhnliche Antwortkombinationen können unterrepräsentiert sein
  • Offene Fragen: KI-generierten Texten fehlt möglicherweise echte Vielfalt
  • Abhängigkeit von der API: Der LLM-Modus benötigt als Reasoning-Anbieter die Anthropic API oder AWS Bedrock mit gültigen Zugangsdaten sowie Internetzugang
  • Kein Signal zur Antwortzeit: Erzeugte Antworten werden als maschinell erstellt gekennzeichnet und bewusst von der Speeder-Erkennung ausgenommen. Eine simulierte Kampagne liefert daher keine aussagekräftige Zeitverteilung – diese Prüfung sagt erst etwas aus, wenn echte Befragte antworten

Der LLM-Modus folgt dem Plattformgrundsatz „keine stillen Rückfalllösungen“:

  • Kein Anbieter oder fehlende Zugangsdaten: Bricht sofort ab, bevor eine Umfrage verarbeitet wird, und nennt, was einzurichten ist
  • API-Fehler: Fehler bei einzelnen Umfragen werden protokolliert und im Ergebnis gemeldet
  • Ungültiges JSON vom LLM: Die Umfrage schlägt fehl und wird im Ergebnis gemeldet. Ausnahme ist eine Freitextfrage: Dort wird die Antwort des LLM selbst als Antwort gespeichert
  • Keine stille Verschlechterung: Der Modus wechselt nie unbemerkt zur regelbasierten Generierung
  1. LLM-Modus für Qualität – wenn es auf realistische Antworten ankommt (Präsentationen, Tests der Analyse)
  2. Regelbasiert für Geschwindigkeit – wenn Sie schnell große Mengen brauchen (Lasttests der Pipeline)
  3. Personas mischen – nehmen Sie das Profil „Random“ für mehr Vielfalt dazu
  4. Mit Pilotstudien vergleichen – prüfen Sie Simulationsmuster an kleinen echten Stichproben
  5. Synthetische Daten dokumentieren – kennzeichnen Sie Datensätze eindeutig als simuliert