MiroFish คืออะไร? ใช้ AI จำลองเสียงลูกค้าก่อนสร้างสินค้า

ถ้ากำลังคิดจะทำแอปรวมออเดอร์ MiroFish ช่วยสำรวจได้ว่าร้านแต่ละแบบอาจกังวลเรื่องอะไร บทความนี้ใช้กรณี OrderBoard พาตั้งโจทย์จำลอง แล้วแปลงข้อกังวลเป็นคำถามและหลักฐานที่ควรเก็บจากร้านจริง

ภาพประกอบรูปคนหลายบทบาทล้อมรอบกระดาษข้อมูลตั้งต้น

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

  1. สร้างกราฟความรู้ ระบบดึงคน องค์กร และความสัมพันธ์จากเอกสารเพื่อให้ตัวแทนมีข้อมูลตั้งต้นร่วมกัน
  2. เตรียมสภาพแวดล้อม ระบบกำหนดบทบาทและข้อมูลที่ตัวแทนแต่ละตัวจะใช้ประกอบการตอบ
  3. จำลองการโต้ตอบ ตัวแทนโพสต์หรือตอบกันเป็นรอบในสภาพแวดล้อมที่ใช้ OASIS ผลอาจต่างกันเมื่อรันซ้ำ
  4. สร้างรายงาน ReportAgent สรุปสิ่งที่เกิดขึ้นในโลกจำลองและประเด็นที่เด่นขึ้นมา
  5. 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

ข้อโต้แย้งสมมติคำถามที่จะถามร้านจริงหลักฐานที่ควรเก็บ
ตั้งค่ายุ่ง ใช้วิธีเดิมเร็วกว่าครั้งล่าสุดที่เริ่มใช้เครื่องมือใหม่ ติดขั้นตอนไหน?ให้ร้านเริ่มจากออเดอร์ตัวอย่าง จดเวลาที่ใช้และจุดที่ต้องขอความช่วยเหลือ
ยังไม่รู้ว่าใครเข้าถึงข้อมูลลูกค้าได้ใครควรเห็นข้อมูลลูกค้า แก้ราคา หรือคืนเงินได้?คุยแยกกับเจ้าของและแอดมิน แล้วเทียบคำตอบกับนโยบายและสิทธิ์ในต้นแบบ
ยังไม่เห็นว่าคุ้มกับค่าบริการตอนนี้งานซ้ำส่วนไหนกินเวลาหรือมีค่าใช้จ่าย?จับเวลางานเดียวกันก่อนและหลังใช้ต้นแบบ แล้วค่อยทดสอบข้อเสนอราคา
สเปรดชีตที่ใช้อยู่ก็พอแล้วมีงานอะไรที่สเปรดชีตทำได้ดีจนอยากเก็บไว้?ให้ร้านทำงานชิ้นเดียวกันทั้งสองวิธี เทียบเวลาและจุดผิดพลาด
ถ้าเชื่อมช่องทางหลักไม่ได้ก็ยังต้องคัดลอกเองออเดอร์เมื่อวานเข้าทางไหน และมีรายการไหนหลุด?ดูตัวอย่างเส้นทางออเดอร์ที่ได้รับอนุญาต แล้วจัดลำดับช่องทางจากงานจริง

ก่อนนัดสัมภาษณ์ ให้ย้อนดูว่าข้อกังวลมาจากข้อมูลที่ใส่ไว้หรือเกิดระหว่างจำลอง ใครเป็นคนยกขึ้นมา และยังพบอีกไหมเมื่อเปลี่ยนสมมติฐานทีละข้อ เช่น ทำให้การย้ายข้อมูลเดิมง่ายขึ้น เก็บข้อที่มีผลต่อการตัดสินใจมากที่สุดไปตรวจด้วยต้นแบบหรือการสัมภาษณ์

เมื่อไรควรใช้ MiroFish หรือเก็บข้อมูลจากคนจริง

วิธีช่วยตอบอะไรขอบเขตของคำตอบ
แชตบอตตัวเดียวช่วยตั้งคำถามหรือระดมข้อกังวลรอบแรกเป็นข้อเสนอจากโมเดลภาษา
MiroFishสำรวจว่าคนต่างบทบาทในสถานการณ์สมมติอาจโต้ตอบกันอย่างไรผลอธิบายได้เฉพาะภายใต้เงื่อนไขที่จำลอง
สัมภาษณ์เข้าใจเหตุผล ประสบการณ์ และข้อจำกัดของร้านขึ้นกับคนที่คัดมาคุยและบริบทของแต่ละร้าน
แบบสอบถามวัดรูปแบบคำตอบของกลุ่มตัวอย่างจริงคุณภาพขึ้นกับการเลือกตัวอย่างและคำถาม
ทดลองต้นแบบเห็นว่าคนทำงานติดตรงไหนและต้องช่วยอะไรผลจากกลุ่มเล็กใช้บอกจุดติดขัดได้ การยอมรับในวงกว้างต้องตรวจเพิ่ม

ดูเดโมหรือลงเครื่องเพื่อรันโจทย์ของตัวเอง

เปิดดูเดโมก่อน

เดโมของโครงการใช้สถานการณ์ที่เตรียมไว้แล้ว เปิดดูรายงานและบทสนทนาก่อนเตรียม API หากต้องการใส่โจทย์ใหม่ ให้ติดตั้งตาม Quick Start ของรุ่นที่จะใช้

เปิดเดโม MiroFish

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

กลุ่มผู้อ่านวิธีเริ่ม
นักเรียนและคนสนใจ AIเปิดเดโมเพื่อดูขั้นตอนและรายงานก่อนเสียค่า API
ทีมสินค้าที่อยากหาสมมติฐานสำรวจข้อกังวลแล้วเลือกประเด็นไปทดสอบกับลูกค้า
นักพัฒนาที่ใช้ Python, Node.js และ APIลองรันจากซอร์สด้วยข้อมูลสมมติ ติดตามโควตาและข้อผิดพลาด
ทีมที่ต้องรู้ว่าลูกค้าจะซื้อไหมเริ่มจากสัมภาษณ์ ทดลองต้นแบบ หรือดูข้อมูลการใช้งานจริง
องค์กรที่เก็บข้อมูลอ่อนไหวตรวจเส้นทางข้อมูลและเงื่อนไขของทุกบริการก่อนส่งข้อมูล

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