s06

仿真配置

仿真层

LLM 多步策略智能生成参数

四步生成策略避免 LLM 信息过载，含中国时区活跃度模型

将配置生成拆为时间→事件→行为→平台四步，每步只关注一个维度，降低 LLM 推理复杂度并提高可靠性

⚙️

如何让 LLM 可靠地生成复杂的仿真参数？

仿真需要时间配置、事件配置、每个智能体的活跃度配置、平台配置等大量参数。一次性让 LLM 生成所有参数容易因信息过载而失败。MiroFish 采用四步分治策略，每步只关注一个维度，并内置中国时区活跃度模型作为先验知识。

预测需求 → 仿真参数6 个步骤

_generate_time_configStep 1

时间参数：总时长、轮次、时区活跃度

_generate_event_configStep 2

事件参数：热点话题、初始帖子、舆论方向

_generate_agent_configs_batchStep 3

行为参数：活跃度、频率、立场（分批）

_generate_platform_configStep 4

平台参数：推荐权重、传播阈值、回声室

SimulationParametersAssemble

聚合所有配置为一个可序列化对象

save_to_jsonPersist

持久化到 simulation 目录

OASIS 仿真引擎

总览

仿真配置生成模块将复杂的参数生成任务拆分为四个独立步骤。每步只向 LLM 提供当前所需的上下文，降低推理复杂度。每步都有规则化的默认值作为 LLM 失败时的兜底。

1/6

Key Source Code

中国时区活跃度模型：不同时段的活跃度系数

backend/app/services/simulation_config_generator.py

CHINA_TIMEZONE_CONFIG = {
    "dead_hours": [0, 1, 2, 3, 4, 5],      # 深夜
    "morning_hours": [6, 7, 8],              # 早间
    "work_hours": [9, 10, 11, 12, 13, 14, 15, 16, 17, 18],  # 工作
    "peak_hours": [19, 20, 21, 22],          # 晚间高峰
    "night_hours": [23],                      # 夜间
    "activity_multipliers": {
        "dead": 0.05,      # 凌晨几乎无人
        "morning": 0.4,    # 早间逐渐活跃
        "work": 0.7,       # 工作时段中等
        "peak": 1.5,       # 晚间高峰
        "night": 0.5       # 深夜下降
    }
}

python

四步分治策略：时间→事件→行为→平台，逐步生成避免 LLM 过载

backend/app/services/simulation_config_generator.py

class SimulationConfigGenerator:
    def generate_config(self, ...):
        # 分4步生成，避免一次性过长内容导致LLM失败
        # Step 1: 时间配置（总轮数、每轮时长、时段划分）
        time_config = self._generate_time_config(...)

        # Step 2: 事件配置（热点话题、初始帖子、舆论方向）
        event_config = self._generate_event_config(...)

        # Step 3: 分批生成 Agent 活动配置
        agent_configs = self._generate_agent_configs_batch(
            entities, time_config, ...)

        # Step 4: 平台配置（推荐算法权重、病毒传播阈值）
        platform_config = self._generate_platform_config(...)

        # 每步失败都有规则化的默认值兜底
        return SimulationParameters(...)

python