Ügynöki válaszgenerálás
Ez az oldal a kampányszimulációt mutatja be: a funkció MI-ügynökökkel, perszónaprofilok alapján állít elő szintetikus válaszokat, így elképzelt kampányait még a valódi indítás előtt kipróbálhatja.
Áttekintés
Szekció neve “Áttekintés”A kampányszimulációval szintetikus adatokon próbálhat ki elképzelt kampányforgatókönyveket. Az MI-ügynökök virtuális válaszadóként töltik ki a kérdőíveket, és demográfiai profilok és viselkedési jellemzők alapján valószerű válaszokat adnak.
Felhasználási esetek
Szekció neve “Felhasználási esetek”- A kérdőív menetének és logikájának ellenőrzése a valódi indítás előtt
- Az adatelemzési folyamatok tesztelése valószerű szintetikus adatokkal
- Kérdezők képzése szimulált kérdezési alkalmakkal
- Az erőforrásigény becslése a kampány lebonyolításához
- Bemutatóadatok előállítása az érintetteknek szóló prezentációkhoz
Válaszgenerálási módok
Szekció neve “Válaszgenerálási módok”LLM-alapú válaszok (ajánlott)
Szekció neve “LLM-alapú válaszok (ajánlott)”A distribution="llm" mód a Claude Haiku segítségével, a perszónaprofilok alapján állít elő a kontextushoz illeszkedő válaszokat. Minden kérdésre egy LLM válaszol, amely megkapja a teljes perszónaprofilt és az összes korábbi kérdés–válasz párt, így a válaszok a teljes kitöltés során következetesek maradnak.
Fő előnyei a szabályalapú generálással szemben:
- Kontextuális következetesség: aki azt válaszolta, hogy „munkanélküli”, az később nem fog munkahelyet leírni
- Természetes nyelv: a nyitott szöveges válaszok a perszóna kommunikációs stílusát tükrözik
- Árnyalt választások: az opciók kiválasztása a kérdés teljes kontextusát veszi figyelembe, nem csupán súlyozott véletlenen alapul
Követelmények: az Ön (vagy a szervezete) következtetési szolgáltatójának (Profilbeállítások → MI-modellek) Anthropic API-nak vagy AWS Bedrocknak kell lennie, eltárolt hitelesítő adatokkal. A kitöltés költségét erre a fiókra terheli a rendszer, soha nem egy platformkulcsra. Ha nincs beállított szolgáltató, vagy hiányzik a hitelesítő adata, a mód azonnal hibát jelez, még mielőtt egyetlen kitöltést is feldolgozna – csendes átváltás nélkül.
Példa:
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)Szabályalapú válaszok
Szekció neve “Szabályalapú válaszok”Az alapértelmezett distribution="realistic" mód demográfiai profilokon alapuló, súlyozott véletlen kiválasztást használ. Gyorsabb, de kevésbé veszi figyelembe a kontextust – nagy volumenű adatfolyam-teszteléshez jó választás, ahol a válaszok minősége kevésbé fontos.
| Eloszlás | Módszer | Sebesség | Minőség |
|---|---|---|---|
llm |
Claude Haiku kérdésenként | ~1 mp/kérdés | Magas – kontextuális, következetes |
realistic |
Súlyozott véletlen | Azonnali | Közepes – demográfiailag befolyásolt |
random |
Tiszta véletlen | Azonnali | Alacsony – nincs demográfiai hatás |
Kampányszimuláció (háromfázisú)
Szekció neve “Kampányszimuláció (háromfázisú)”Egy teljes kampány életciklusát szimulálja, több válaszadóval.
1. fázis: Előkészítés
Szekció neve “1. fázis: Előkészítés”- Létrehozza a projektet, a kérdőívet és a kampányt
- Valószerű demográfiai adatokkal rendelkező szintetikus válaszadókat generál
- Létrehozza a mintavételi stratégiát és a válaszadói kört
- Minden válaszadóhoz tömegesen létrehozza a kitöltéseket
2. fázis: Végrehajtás
Szekció neve “2. fázis: Végrehajtás”- Perszónaalapú válaszgenerálással elvégzi a kitöltéseket
- A demográfiai jellemzők alapján valószerű válaszmintázatokat szimulál
- Kezeli a kérdőív elágazásait és ugrási logikáját
3. fázis: Elemzés
Szekció neve “3. fázis: Elemzés”- A válaszokat Bronz adatkészletbe gyűjti
- Utólagos rétegzéssel (rake-súlyozással) súlyoz
- Létrehozza az Ezüst és Arany adatkészleteket
- Több formátumban exportál (CSV, XLSX, SPSS, Parquet, R, JSON)
Perszónaprofilok
Szekció neve “Perszónaprofilok”A perszónák határozzák meg azokat a jellemzőket, amelyek a szintetikus válaszgenerálást irányítják. Minden perszónának vannak demográfiai attribútumai és viselkedési jellemzői, amelyek befolyásolják, hogyan válaszol a kérdésekre.
A perszónára ráépülnek a válaszadó saját attribútumai
Szekció neve “A perszónára ráépülnek a válaszadó saját attribútumai”A perszóna egy archetípus; a válaszadó, akit képvisel, viszont egy konkrét rekord az Ön projektjében. Amikor a rendszer egy valódi válaszadó nevében szintetikus választ állít elő, a rendszer a perszónához hozzáadja az adott válaszadó saját attribútumait is – életkorát, nemét és lakóhelyét, valamint minden egyedi attribútumot, amelyet rögzített róla.
Rendszerint éppen az egyedi attribútumok hordozzák azokat a jellemzőket, amelyek szerint egy vizsgálat valójában szegmentál: cégméret, ágazat, régió, tagsági szint – bármi, amit az importálás magával hozott. Ezek most már eljutnak a szimulált válaszadóhoz, így az a perszóna, amely egy bankszektorban működő mikrovállalkozás nevében válaszol, valóban mikrovállalkozásként válaszol, nem pedig egy általános archetípusként, amely véletlenül ugyanabba a korcsoportba esik.
Két következmény, amelyet érdemes ismerni:
- A valódi attribútum felülírja az azonos nevű egyedi attribútumot. Ha
locationnevű egyedi attribútumot rögzít, a válaszadó saját lakóhelymezője érvényesül – a szimulált válaszadó soha nem kap két különböző választ ugyanarra az önmagára vonatkozó kérdésre. - Amely attribútumok szerint súlyoz, azokat látja a perszóna is. Kalibrációs tényezők már eddig is készülhettek egyedi attribútumokból, így ez egy hiányt szüntet meg: korábban súlyozhatott egy mintát olyan jellemző szerint, amelyről a szimulált válaszadók nem is tudták, hogy rendelkeznek vele.
Beépített profilok
Szekció neve “Beépített profilok”| Profil | Demográfiai jellemzők | Válaszadási jellemzők |
|---|---|---|
| Young Professional (fiatal szakember) | 25–35 éves, egyedülálló, alkalmazott, 50–80 ezer dolláros jövedelem | Technológiában jártas, időtudatos, rövid válaszok |
| Family Oriented (családcentrikus) | 30–50 éves, házas, gyermekes, elővárosi | Családközpontú döntések, részletes válaszok |
| Retired Senior (idős nyugdíjas) | 65 év feletti, nyugdíjas, fix jövedelem | Hagyományos értékek, alapos válaszok |
| High Earner (magas jövedelmű) | 35–55 éves, magas jövedelem (>100 ezer dollár) | Minőségközpontú, prémium preferenciák |
| Random (véletlen) | Változatos demográfia | Kiszámíthatatlan válaszmintázatok |
A profil szerkezete
Szekció neve “A profil szerkezete”Minden perszónaprofil a következő mezőkből áll:
name: Young Professionaldescription: 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: moderateEgyedi profilok
Szekció neve “Egyedi profilok”A felhasználók egyedi perszónákat hozhatnak létre konkrét kutatási igényekhez:
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?Válaszgenerálás
Szekció neve “Válaszgenerálás”Hogyan működnek az LLM-válaszok
Szekció neve “Hogyan működnek az LLM-válaszok”Minden kérdésnél az LLM egyetlen promptot kap, amely a következőket tartalmazza:
- Rendszerprompt: a perszónaprofil szövege a demográfiai részletekkel és a viselkedési jellemzőkkel
- A válaszadó demográfiai adatai: a válaszadói rekord tényleges demográfiai adatai (életkor, nem, iskolai végzettség stb.)
- Kérdés–válasz előzmények: az adott kitöltés összes korábbi kérdés–válasz párja
- Az aktuális kérdés: a kérdés szövege, az elérhető opciók és a válasz elvárt JSON-formátuma
Az LLM strukturált JSON-választ ad vissza, amelyet a rendszer a kérdőívmotor által elvárt formátumra alakít (a kérdés típusától függően egyetlen érték, tömb vagy szótár).
Beszélgetési előzmények
Szekció neve “Beszélgetési előzmények”Minden kitöltés folyamatosan vezeti a kérdés–válasz párok előzményeit. Ezek minden további promptba bekerülnek, így az LLM képes:
- Megőrizni a következetességet – aki azt mondta, hogy „munkanélküli”, az később nem ír le munkahelyet
- A kontextusra építeni – az elégedettségi értékelések összhangban vannak a korábbi pozitív vagy negatív tapasztalatokkal
- Elkerülni az ellentmondásokat – a demográfiai válaszok belsőleg koherensek maradnak
Válaszformátum kérdéstípusonként
Szekció neve “Válaszformátum kérdéstípusonként”A válaszok a kérdés labels leképezésének egész értékű válaszkódjai (szabad szöveg csak a nyitott Textarea kérdéseknél) – lásd: A kérdőív megjelenítési formátuma:
| Kérdéstípus | Elvárt formátum | Példa |
|---|---|---|
| Egyszeres választás (rádiógomb/legördülő lista) | Egy válaszkód | 2 |
| Többszörös választás (jelölőnégyzet) | A kiválasztott válaszkódok tömbje (az értelmező – parser – bitmaszkká alakítja) | [1, 4] |
| Csúszka (numerikus) | Szám a tartományon belül | 7 |
| Range (intervallum) | [low, high] pár a tartományon belül, ahol az alsó érték nem nagyobb a felsőnél |
[3, 8] |
| Kapcsoló (logikai) | true / false |
true |
| Nyitott szöveg (szövegmező) | Karakterlánc | "Great service overall" |
| Kérdéscsoport | Kódok tömbje, alkérdésenként egy (közös vezérlővel) | [1, 3, 2] |
| Mátrixkérdés | Kódok beágyazott tömbje, sorok × oszlopok | [[1, 2], [3, 1]] |
A kutató munkafolyamata
Szekció neve “A kutató munkafolyamata”Perszónakoktél → tömeges kitöltés → elemzés
Szekció neve “Perszónakoktél → tömeges kitöltés → elemzés”Az ajánlott munkafolyamat szintetikus adatok előállítására LLM-válaszokkal:
- Állítsa össze a perszónák keverékét – válassza ki, mely profilok és milyen arányban szerepeljenek
- Hívja meg a
mass_fill_surveyseszköztdistribution="llm"beállítással és a kiválasztott profilokkal - Hozzon létre Bronz adatkészletet – ez kigyűjti a nyers válaszokat
- Alkalmazzon rake-súlyozást – súlyozza a válaszokat a demográfiai célértékekhez igazítva
- Exportáljon és elemezzen – CSV, XLSX, SPSS, Parquet, R vagy JSON formátumban
Példa: MCP-eszközhívás
Szekció neve “Példa: MCP-eszközhívás”# 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 terminalwhile True: status = get_task_status(task_id=result["task_id"]) if status["state"] in ("completed", "partial", "failed"): break sleep(5)Az eszköz azonnal választ ad; a generálási ciklus háttérfeladatként fut a Portor saját workerén. A lekérdezés a status_text mezőt adja vissza (pl. "23 of 50 surveys processed"). Három különböző végállapot létezik: completed (minden kitöltés elkészült), partial (vegyes eredmény – az összesítést a status_text mező tartalmazza, a mass_fill_surveys újbóli meghívása pedig csak a még el nem készült kitöltésekkel próbálkozik újra) és failed (egyetlen kitöltés sem készült el; a last_error mező megmagyarázza, miért).
Beállítás csevegésben
Szekció neve “Beállítás csevegésben”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?A szimuláció eredménye
Szekció neve “A szimuláció eredménye”A szimuláció befejeztével a felhasználók a következőket kapják:
1. Kampányösszesítő
Szekció neve “1. Kampányösszesítő”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: +92. Adatminőségi jelentés
Szekció neve “2. Adatminőségi jelentés”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)3. Exportálható adatkészletek
Szekció neve “3. Exportálható adatkészletek”| Adatkészlet | Leírás | Formátum |
|---|---|---|
| Bronz | A nyers válaszok, ahogyan beérkeztek | Parquet |
| Ezüst | Súlyozott válaszok (rake-súlyozás után) | Parquet |
| Arany | Finomított, exportra kész | CSV, XLSX, SPSS |
Architektúra
Szekció neve “Architektúra”Közvetlen SDK-megközelítés
Szekció neve “Közvetlen SDK-megközelítés”A mass_fill_surveys LLM-generálása kérdésenként egyetlen, állapotmentes LLM-hívást használ – ez az askalot_ai.respondent_sim motor, amelyet a Portor közvetlenül hív meg, nem a többkörös ügynökvégrehajtón keresztül. Ez szándékos:
- A Portor a
FlowProcessorrévén már a saját folyamatában tartja a kitöltés állapotát – nincs szükség arra, hogy az ügynök MCP-eszközökkel önmagába hívjon vissza - Minden kérdés egyetlen közvetlen hívás („e profil és az eddigi válaszok alapján válaszoljon erre a kérdésre”)
- Nincsenek körkörös MCP-hívások, egyszerűbb a hibakezelés, kisebb a késleltetés
Ez különbözik a Válaszadó ügynöktől (a complete-survey folyamattól), amely MCP-eszközökkel, lépésről lépésre végigvisz egy teljes kitöltést, és a kampányszimulációban használatos – a tömeges kitöltés ezt az ügynöki mélységet áteresztőképességre cseréli.
| Szempont | Beállítás |
|---|---|
| Modell | Claude Haiku 4.5 (claude-haiku-4-5-20251001) |
| Max. tokenszám | 256 válaszonként |
| Hőmérséklet | 0,8 (természetes változatosság) |
| Kontextus | Perszónaprofil + a válaszadó demográfiai adatai + kérdés–válasz előzmények |
Kötegelt feldolgozás
Szekció neve “Kötegelt feldolgozás”A mass_fill_surveys a kitöltéseket egymás után végzi el. Minden kitöltés a saját kérdés–válasz előzményeit gyűjti a belső következetesség érdekében, miközben független marad a többi kitöltéstől.
Perszónaprofilok
Szekció neve “Perszónaprofilok”A profilfájlok YAML front matterrel ellátott Markdown-dokumentumok, amelyeket a rendszer a megosztott askalot_ai modul promptmappájából csatol a Portor konténereibe. Ugyanezeket a profilokat használja az LLM-mód és a szabályalapú mód is.
Szolgáltató
Szekció neve “Szolgáltató”Az LLM-mód kizárólag az Anthropicot használja – a Claude Haiku kínálja a legjobb egyensúlyt sebesség, költség és minőség között a kérdőíves válaszok generálásához. A platform helyi következtetési szolgáltatása csak dokumentumok beágyazására szolgál, válaszgenerálásra nem.
Bevált gyakorlatok
Szekció neve “Bevált gyakorlatok”Mikor érdemes szimulációt használni
Szekció neve “Mikor érdemes szimulációt használni”- Költséges kampányok indítása előtt
- Új kérdőívtervek tesztelésekor
- Adatelemzők betanításához az adatfolyamon
- Mintavételi stratégiák ellenőrzésére
- Bemutatóadatok előállítására az érintetteknek szóló prezentációkhoz
A szimuláció korlátai
Szekció neve “A szimuláció korlátai”- Nem valódi vélemények: a szintetikus adatok a perszónasablonokat tükrözik, nem tényleges attitűdöket
- Következetesség kontra változatosság: a perszónák következetesebbek lehetnek a valódi embereknél
- Szélsőséges esetek: a szokatlan válaszkombinációk alulreprezentáltak lehetnek
- Nyitott kérdések: az MI által generált szövegből hiányozhat a valódi sokszínűség
- API-függőség: az LLM-módhoz érvényes hitelesítő adatokkal rendelkező Anthropic API vagy AWS Bedrock következtetési szolgáltató és internet-hozzáférés szükséges
- Nincs válaszidő-jel: a generált válaszokat a rendszer gép által előállítottként rögzíti, és szándékosan kizárja őket a túl gyors válaszadók felismeréséből, így egy szimulált kampány nem ad értelmezhető időeloszlást – ez az ellenőrzés csak akkor válik informatívvá, amikor valódi válaszadók felelnek
Hibakezelés
Szekció neve “Hibakezelés”Az LLM-mód a platform „nincsenek csendes átváltások” elvét követi:
- Nincs szolgáltató, vagy hiányzik a hitelesítő adat: azonnal hibát jelez, mielőtt bármely kitöltést feldolgozna, és megnevezi, mit kell beállítani
- API-hibák: az egyes kitöltések hibáit naplózza, és az eredményben jelenti
- Érvénytelen JSON az LLM-től: a kitöltés sikertelen, és az eredményben szerepel. Kivétel a szabad szöveges kérdés: ott magát a választ rögzíti a rendszer válaszként
- Nincs csendes minőségromlás: a mód soha nem vált át észrevétlenül szabályalapú generálásra
Ajánlások
Szekció neve “Ajánlások”- Használja az LLM-módot a minőségért – amikor a válaszok valószerűsége számít (prezentációk, elemzések tesztelése)
- Használja a szabályalapú módot a sebességért – amikor gyorsan nagy mennyiségre van szüksége (az adatfolyam terheléses tesztelése)
- Keverje a perszónákat – a változatosság érdekében vegye fel a „random” profilt is
- Vesse össze próbafelvételekkel – ellenőrizze a szimuláció mintázatait kis, valódi mintákon
- Dokumentálja a szintetikus adatokat – egyértelműen jelölje szimuláltként az adatkészleteket
Kapcsolódó dokumentáció
Szekció neve “Kapcsolódó dokumentáció”- MI-támogatott kampánykezelés – Kampányok beállítása és kezelése
- Adatelemzés – A Bronz/Ezüst/Arany adatfolyam
- Kampánykezelés – A kampányok alapfogalmai