MiroFish คืออะไร? ใช้ AI จำลองเสียงลูกค้าก่อนสร้างสินค้า
ถ้ากำลังคิดจะทำแอปรวมออเดอร์ MiroFish ช่วยสำรวจได้ว่าร้านแต่ละแบบอาจกังวลเรื่องอะไร บทความนี้ใช้กรณี OrderBoard พาตั้งโจทย์จำลอง แล้วแปลงข้อกังวลเป็นคำถามและหลักฐานที่ควรเก็บจากร้านจริง

MiroFish จำลองอะไรได้บ้าง
MiroFish เป็นโครงการโอเพนซอร์สที่ให้ตัวแทน AI หลายตัวโต้ตอบกันจากข้อมูลตั้งต้น ตัวแทนแต่ละตัวมีบทบาท เช่น เจ้าของร้านหรือแอดมิน จึงอาจหยิบคนละประเด็นขึ้นมาคุยเมื่อเห็นข้อเสนอเดียวกัน ผลที่ทีมสินค้าเอาไปใช้ได้คือรายการข้อกังวลและคำถามสำหรับการวิจัยผู้ใช้
ตัวแทนเหล่านี้มาจากข้อมูลและโมเดลภาษา จึงนับเป็นตัวอย่างลูกค้าในตลาดไม่ได้ ถ้าตัวแทนสิบตัวเห็นด้วยกับราคาเดียวกัน ตัวเลขนั้นบอกได้เพียงว่าเกิดอะไรขึ้นในรอบจำลอง
ในบทความนี้ agent หมายถึงซอฟต์แวร์ที่ใช้ AI สวมบทและเลือกว่าจะตอบหรือทำอะไร ลองนึกถึงเจ้าของร้านเล็ก ผู้จัดการร้านหลายสาขา และคนทำบัญชีที่ได้รับประกาศเรื่องแอปใหม่พร้อมกัน แต่ละคนอาจสนใจคนละเรื่องและตอบโต้กันต่อ การจำลองที่ให้ตัวแทนหลายตัวทำแบบนี้เรียกว่า multi-agent simulation
เมื่อเทียบกับการถามแชตบอตตัวเดียว MiroFish เพิ่มข้อมูลความสัมพันธ์ บทบาท และความจำให้ตัวแทนใช้โต้ตอบหลายรอบ โครงการอธิบายว่าใช้โมเดลภาษา ระบบกราฟและความจำผ่าน Zep และเอนจิน OASIS คำโปรย “Predict Anything” ของโครงการจึงควรอ่านคู่กับขอบเขตของหลักฐาน ผลจำลองใช้บอกสัดส่วนความเห็นในตลาดหรือยืนยันความสำเร็จของสินค้าไม่ได้
MiroFish เปลี่ยนเอกสารเป็นรายงานจำลองอย่างไร
- สร้างกราฟความรู้ ระบบดึงคน องค์กร และความสัมพันธ์จากเอกสารเพื่อให้ตัวแทนมีข้อมูลตั้งต้นร่วมกัน
- เตรียมสภาพแวดล้อม ระบบกำหนดบทบาทและข้อมูลที่ตัวแทนแต่ละตัวจะใช้ประกอบการตอบ
- จำลองการโต้ตอบ ตัวแทนโพสต์หรือตอบกันเป็นรอบในสภาพแวดล้อมที่ใช้ OASIS ผลอาจต่างกันเมื่อรันซ้ำ
- สร้างรายงาน ReportAgent สรุปสิ่งที่เกิดขึ้นในโลกจำลองและประเด็นที่เด่นขึ้นมา
- ถามต่อ เปิดบทสนทนากับตัวแทนหรือ ReportAgent เพื่อหาว่าข้อสังเกตนั้นเกิดขึ้นอย่างไร
หนึ่งรอบของการจำลองอาจมีการโต้ตอบหลายครั้ง จำนวนรอบจึงต่างจากจำนวนโพสต์หรือจำนวนตัวแทน รายงานอาศัยเอกสารที่ใส่ กราฟความรู้ และเหตุการณ์ในรอบนั้น หากมีข้ออ้างเกี่ยวกับโลกจริง ให้ตรวจจากแหล่งภายนอกอีกครั้ง
เตรียมข้อมูลให้เห็นทั้งสินค้าและงานที่ร้านทำอยู่
เริ่มจากเอกสารสั้น ๆ ระบุว่าร้านรับออเดอร์จากช่องทางไหน ใครคัดลอกข้อมูล และมักพลาดตรงไหน แยกร้านที่ทำคนเดียว ร้านที่มีพนักงาน และร้านหลายสาขา ใส่วิธีเดิม เช่น สมุดหรือสเปรดชีต พร้อมข้อดีของวิธีนั้น เพื่อให้โจทย์เห็นเหตุผลที่ร้านอาจยังไม่อยากย้าย
เขียนเงื่อนไขให้ตรวจได้ เช่น “รวมออเดอร์ได้สองช่องทาง ยังไม่กำหนดราคา” คำว่า “ร้านส่วนใหญ่ชอบ” ทำให้แยกยากว่ารายงานพบอะไรใหม่หรือสะท้อนข้อความที่ป้อนเข้าไป
ในตัวอย่างนี้ ลองแยกร้านที่ทำคนเดียว ร้านที่มีพนักงาน 3–5 คน และร้านหลายสาขา อธิบายว่าร้านรับออเดอร์ผ่านแชตหลายช่องทางจนมีรายการตกหล่น ส่วนแอปที่เสนอรวมรายการและแจ้งเตือนงานค้างได้ แต่ยังต้องตั้งค่าและเชื่อมได้เพียงบางแพลตฟอร์ม
FAQ ระบุนามสกุลที่แบ็กเอนด์รองรับคือ .pdf, .md, .markdown และ .txt ส่วนตัวเลือกบนหน้าอัปโหลดอาจมีน้อยกว่า หากจะใช้ไฟล์สแกน ให้แปลงภาพเป็นข้อความและอ่านทวนก่อนส่ง
กรณี OrderBoard จากข้อโต้แย้งไปถึงหลักฐาน
OrderBoard เป็นแอปรวมออเดอร์สมมติ ใช้ตัวอย่างนี้เพื่อตั้งโจทย์และเตรียมทดสอบกับร้านจริง ข้อโต้แย้งในตารางเป็นสมมติฐานของ KrobClick
สมมติว่า OrderBoard รวมออเดอร์จากบางช่องทางและแจ้งเตือนงานค้างได้ ร้านต้องตั้งค่าครั้งแรกและยังไม่มีราคาขาย สำรวจข้อกังวลของร้านที่ทำคนเดียว ร้านที่มีพนักงาน และร้านหลายสาขา สำหรับแต่ละข้อ ให้ระบุว่ามาจากข้อมูลตั้งต้นหรือเป็นข้อสังเกตในโลกจำลอง แล้วเสนอคำถามหนึ่งข้อที่จะใช้สัมภาษณ์คนจริง
| ข้อโต้แย้งสมมติ | คำถามที่จะถามร้านจริง | หลักฐานที่ควรเก็บ |
|---|---|---|
| ตั้งค่ายุ่ง ใช้วิธีเดิมเร็วกว่า | ครั้งล่าสุดที่เริ่มใช้เครื่องมือใหม่ ติดขั้นตอนไหน? | ให้ร้านเริ่มจากออเดอร์ตัวอย่าง จดเวลาที่ใช้และจุดที่ต้องขอความช่วยเหลือ |
| ยังไม่รู้ว่าใครเข้าถึงข้อมูลลูกค้าได้ | ใครควรเห็นข้อมูลลูกค้า แก้ราคา หรือคืนเงินได้? | คุยแยกกับเจ้าของและแอดมิน แล้วเทียบคำตอบกับนโยบายและสิทธิ์ในต้นแบบ |
| ยังไม่เห็นว่าคุ้มกับค่าบริการ | ตอนนี้งานซ้ำส่วนไหนกินเวลาหรือมีค่าใช้จ่าย? | จับเวลางานเดียวกันก่อนและหลังใช้ต้นแบบ แล้วค่อยทดสอบข้อเสนอราคา |
| สเปรดชีตที่ใช้อยู่ก็พอแล้ว | มีงานอะไรที่สเปรดชีตทำได้ดีจนอยากเก็บไว้? | ให้ร้านทำงานชิ้นเดียวกันทั้งสองวิธี เทียบเวลาและจุดผิดพลาด |
| ถ้าเชื่อมช่องทางหลักไม่ได้ก็ยังต้องคัดลอกเอง | ออเดอร์เมื่อวานเข้าทางไหน และมีรายการไหนหลุด? | ดูตัวอย่างเส้นทางออเดอร์ที่ได้รับอนุญาต แล้วจัดลำดับช่องทางจากงานจริง |
ก่อนนัดสัมภาษณ์ ให้ย้อนดูว่าข้อกังวลมาจากข้อมูลที่ใส่ไว้หรือเกิดระหว่างจำลอง ใครเป็นคนยกขึ้นมา และยังพบอีกไหมเมื่อเปลี่ยนสมมติฐานทีละข้อ เช่น ทำให้การย้ายข้อมูลเดิมง่ายขึ้น เก็บข้อที่มีผลต่อการตัดสินใจมากที่สุดไปตรวจด้วยต้นแบบหรือการสัมภาษณ์
เมื่อไรควรใช้ MiroFish หรือเก็บข้อมูลจากคนจริง
| วิธี | ช่วยตอบอะไร | ขอบเขตของคำตอบ |
|---|---|---|
| แชตบอตตัวเดียว | ช่วยตั้งคำถามหรือระดมข้อกังวลรอบแรก | เป็นข้อเสนอจากโมเดลภาษา |
| MiroFish | สำรวจว่าคนต่างบทบาทในสถานการณ์สมมติอาจโต้ตอบกันอย่างไร | ผลอธิบายได้เฉพาะภายใต้เงื่อนไขที่จำลอง |
| สัมภาษณ์ | เข้าใจเหตุผล ประสบการณ์ และข้อจำกัดของร้าน | ขึ้นกับคนที่คัดมาคุยและบริบทของแต่ละร้าน |
| แบบสอบถาม | วัดรูปแบบคำตอบของกลุ่มตัวอย่างจริง | คุณภาพขึ้นกับการเลือกตัวอย่างและคำถาม |
| ทดลองต้นแบบ | เห็นว่าคนทำงานติดตรงไหนและต้องช่วยอะไร | ผลจากกลุ่มเล็กใช้บอกจุดติดขัดได้ การยอมรับในวงกว้างต้องตรวจเพิ่ม |
ดูเดโมหรือลงเครื่องเพื่อรันโจทย์ของตัวเอง
เปิดดูเดโมก่อน
เดโมของโครงการใช้สถานการณ์ที่เตรียมไว้แล้ว เปิดดูรายงานและบทสนทนาก่อนเตรียม API หากต้องการใส่โจทย์ใหม่ ให้ติดตั้งตาม Quick Start ของรุ่นที่จะใช้
ติดตั้งจากซอร์สโค้ด
Quick Start ระบุ Node.js 18 ขึ้นไป, Python 3.11 หรือ 3.12 และ uv ตัวอย่างด้านล่างใช้เชลล์แบบ Bash โดยเริ่มจากดาวน์โหลดโปรเจกต์และคัดลอกไฟล์ตั้งค่าตัวอย่าง
git clone https://github.com/666ghj/MiroFish.git
cd MiroFish
cp .env.example .env
เปิดไฟล์ .env แล้วกรอกคีย์ ที่อยู่ API และชื่อโมเดลจากผู้ให้บริการที่รองรับรูปแบบ OpenAI SDK พร้อมคีย์ Zep Cloud ค่าด้านล่างเป็นตัวอย่างสำหรับแทนที่ด้วยค่าจริง
LLM_API_KEY=YOUR_MODEL_API_KEY
LLM_BASE_URL=YOUR_PROVIDER_API_BASE_URL
LLM_MODEL_NAME=YOUR_SUPPORTED_MODEL
ZEP_API_KEY=YOUR_ZEP_API_KEY
จากโฟลเดอร์โปรเจกต์ ให้ติดตั้งส่วนที่ต้องใช้แล้วเปิดทั้งหน้าเว็บและแบ็กเอนด์
npm run setup:all
npm run dev
README ระบุให้เปิดหน้าเว็บที่ http://localhost:3000 ส่วน API อยู่ที่ http://localhost:5001 ถ้าใช้ Docker Compose ให้เตรียม .env แบบเดียวกันแล้วเริ่มบริการด้วยคำสั่งด้านล่าง KrobClick ตรวจคำสั่งเทียบกับเอกสารต้นทาง ขั้นตอนนี้ยังไม่มีผลติดตั้งที่ทดสอบเอง
docker compose up -d
ค่าใช้จ่าย ข้อมูล และขอบเขตของผลจำลอง
ซอร์สโค้ดเผยแพร่ภายใต้ AGPL-3.0 ส่วนค่าเรียกโมเดลและโควตา Zep Cloud ขึ้นกับผู้ให้บริการและการใช้งาน ให้เริ่มจากเอกสารสั้น ตัวแทนและรอบจำลองน้อย ๆ แล้วเทียบยอดก่อนและหลังรัน รวมช่วงสร้างรายงานด้วย บัญชี ChatGPT หรือการล็อกอิน Codex ใช้แทนคีย์ API ของโมเดลในขั้นตอนนี้ไม่ได้
แม้หน้าเว็บจะเปิดบนเครื่องตัวเอง การตั้งค่าตามคู่มือยังเรียก API ภายนอก ใช้ข้อมูลสมมติในรอบแรก ตรวจว่าบริการแต่ละรายรับและเก็บข้อมูลอะไร และเก็บไฟล์ .env ออกจาก Git หรือภาพหน้าจอที่จะเผยแพร่
ข้อโต้แย้งที่ปรากฏซ้ำอาจเกิดจากข้อมูลและโมเดลเดียวกัน ให้ใช้ความสม่ำเสมอเพื่อจัดลำดับคำถามที่จะตรวจ รายงานที่เขียนคล่องยังต้องเทียบกับสิ่งที่ลูกค้าพูดหรือทำจริงก่อนใช้ตัดสินใจ
อย่าใส่ชื่อหรือเบอร์โทรลูกค้า ข้อมูลชำระเงิน บทสนทนาส่วนตัว หรือข้อมูลลับที่ไม่มีสิทธิ์ส่งต่อ จำนวนตัวแทน รอบจำลอง ความยาวเอกสาร และการสร้างรายงานมีผลต่อยอดใช้ API ให้ดูยอดจริงกับผู้ให้บริการก่อนประมาณงบต่อรอบ
ถ้าพบเว็บชื่อคล้ายกัน ให้ตามลิงก์จาก GitHub ของโครงการไปที่ mirofish.ai หรือเดโมที่ผู้พัฒนาระบุใน README และ FAQ
ใครควรลอง และใครควรเริ่มจากวิธีอื่น
| กลุ่มผู้อ่าน | วิธีเริ่ม |
|---|---|
| นักเรียนและคนสนใจ AI | เปิดเดโมเพื่อดูขั้นตอนและรายงานก่อนเสียค่า API |
| ทีมสินค้าที่อยากหาสมมติฐาน | สำรวจข้อกังวลแล้วเลือกประเด็นไปทดสอบกับลูกค้า |
| นักพัฒนาที่ใช้ Python, Node.js และ API | ลองรันจากซอร์สด้วยข้อมูลสมมติ ติดตามโควตาและข้อผิดพลาด |
| ทีมที่ต้องรู้ว่าลูกค้าจะซื้อไหม | เริ่มจากสัมภาษณ์ ทดลองต้นแบบ หรือดูข้อมูลการใช้งานจริง |
| องค์กรที่เก็บข้อมูลอ่อนไหว | ตรวจเส้นทางข้อมูลและเงื่อนไขของทุกบริการก่อนส่งข้อมูล |
มุมมองของ KrobClick คือให้ดูว่ารอบจำลองช่วยให้ทีมได้คำถามที่เจาะจงและเอาไปตรวจได้กี่ข้อ ต่อให้รายงานเขียนอย่างมั่นใจ ก็ยังต้องถามลูกค้าว่าคิดอย่างไร
คำถามก่อนลองใช้ MiroFish
MiroFish เป็น AI หรือโปรแกรมสำรวจลูกค้า?
เป็นระบบจำลองที่ใช้โมเดลภาษา ความเห็นที่ได้มาจากตัวแทน AI จึงใช้ตั้งสมมติฐานได้ ส่วนผลสำรวจต้องเก็บจากผู้ตอบจริง
ใช้ MiroFish ฟรีได้ไหม?
ซอร์สเปิดให้ใช้ตาม AGPL-3.0 ค่าเรียกโมเดลและค่า Zep ขึ้นกับโควตา เงื่อนไขบริการ และปริมาณที่ใช้
ไม่เขียนโปรแกรม ใช้ MiroFish ได้ไหม?
เปิดเดโมและอ่านรายงานที่เตรียมไว้ได้เลย ถ้าจะรันโจทย์เองตามคู่มือ ต้องติดตั้งผ่าน Terminal และตั้งค่าบริการ API
ใช้ยืนยันว่าลูกค้าจะชอบสินค้าได้ไหม?
ใช้ผลจำลองเตรียมคำถามได้ แล้วนำไปสัมภาษณ์ สำรวจ หรือทดลองต้นแบบกับลูกค้าจริงก่อนสรุป
จะรู้ได้อย่างไรว่ารายงานน่าเชื่อถือ?
ตรวจข้อมูลตั้งต้น แยกข้อเท็จจริงออกจากคำตอบที่โมเดลสร้าง เปลี่ยนสมมติฐานแล้วรันซ้ำ จากนั้นยืนยันข้อสำคัญด้วยการสัมภาษณ์หรือหลักฐานภายนอก
เลือกคำถามแรกสำหรับจำลองและตรวจผล
ถ้ากำลังคิดทำสินค้า เลือกปัญหาเดียว เขียนข้อเท็จจริงที่มีให้เป็นกลาง แล้วหยิบข้อโต้แย้งที่มีผลต่อการตัดสินใจ 3–5 ข้อไปถามคนทำงานจริง เก็บสิ่งที่ร้านทำและพูดแยกจากบันทึกผลจำลอง จะได้ย้อนดูได้ว่าอะไรเปลี่ยนใจทีม
แหล่งอ้างอิง
คำอธิบายอิงเอกสารของโครงการ ตัวอย่างร้านค้าเป็นสถานการณ์สมมติที่ KrobClick ใช้อธิบายวิธีตั้งคำถาม