Tovább a tartalomhoz
Tudástár

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.

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.

  • 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

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)

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

Egy teljes kampány életciklusát szimulálja, több válaszadóval.

1. fázis: Előkészítés2. fázis: Végrehajtás3. fázis: ElemzésProjekt létrehozásaKampány létrehozásaVálaszadók generálásaStratégia és válaszadói kör létrehozásaKitöltések tömeges létrehozásaPerszónák hozzárendeléseKitöltések elvégzéseElágazások kezeléseBronz adatkészlet létrehozásaRake-súlyozás alkalmazásaAdatok exportálása
  • 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
  • Perszónaalapú válaszgenerálással elvégzi a kitöltéseket
  • A demográfiai jellemzők alapján valószerű válaszmintázatokat szimulál
  • Kezeli a kérdőív elágazásait és ugrási logikáját
  • 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)

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 location nevű 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.
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

Minden perszónaprofil a következő mezőkből áll:

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

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?

Minden kérdésnél az LLM egyetlen promptot kap, amely a következőket tartalmazza:

  1. Rendszerprompt: a perszónaprofil szövege a demográfiai részletekkel és a viselkedési jellemzőkkel
  2. A válaszadó demográfiai adatai: a válaszadói rekord tényleges demográfiai adatai (életkor, nem, iskolai végzettség stb.)
  3. Kérdés–válasz előzmények: az adott kitöltés összes korábbi kérdés–válasz párja
  4. 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).

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

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]]

Perszónakoktél → tömeges kitöltés → elemzés

Szekció neve “Perszónakoktél → tömeges kitöltés → elemzés”

Az ajánlott munkafolyamat szintetikus adatok előállítására LLM-válaszokkal:

  1. Állítsa össze a perszónák keverékét – válassza ki, mely profilok és milyen arányban szerepeljenek
  2. Hívja meg a mass_fill_surveys eszközt distribution="llm" beállítással és a kiválasztott profilokkal
  3. Hozzon létre Bronz adatkészletet – ez kigyűjti a nyers válaszokat
  4. Alkalmazzon rake-súlyozást – súlyozza a válaszokat a demográfiai célértékekhez igazítva
  5. Exportáljon és elemezzen – CSV, XLSX, SPSS, Parquet, R vagy JSON formátumban
# 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)

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).

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 befejeztével a felhasználók a következőket kapják:

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)
Adatkészlet Leírás Formátum
Bronz A nyers válaszok, ahogyan beérkeztek Parquet
Ezüst Súlyozott válaszok (rake-súlyozás után) Parquet
Arany Finomított, exportra kész CSV, XLSX, SPSS

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 FlowProcessor révén 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

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.

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.

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.


  • Költséges kampányok indítása előtt
  • Új kérdőívtervek tesztelésekor
  • Adatelemzők betanításához az adatfolyamon
  • Mintavételi stratégiák ellenőrzésére
  • Bemutatóadatok előállítására az érintetteknek szóló prezentációkhoz
  • 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

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
  1. Használja az LLM-módot a minőségért – amikor a válaszok valószerűsége számít (prezentációk, elemzések tesztelése)
  2. Használja a szabályalapú módot a sebességért – amikor gyorsan nagy mennyiségre van szüksége (az adatfolyam terheléses tesztelése)
  3. Keverje a perszónákat – a változatosság érdekében vegye fel a „random” profilt is
  4. Vesse össze próbafelvételekkel – ellenőrizze a szimuláció mintázatait kis, valódi mintákon
  5. Dokumentálja a szintetikus adatokat – egyértelműen jelölje szimuláltként az adatkészleteket