Pagbuo ng Mas Mahusay na AI Training Datasets sa Pamamagitan ng Multi-Agent Simulation

TL;DR

•Ang pagbuo ng datos gamit ang isang ahente ay nagreresulta sa iisang boses; ang pagtatalo sa pagitan ng maraming ahente na may magkakaibang personalidad ay lumilikha ng pagkakaiba-iba at tunggalian na kinakailangan ng mga tunay na dataset.
•Apat na pamamaraan: pagtatalo, sama-samang paglutas ng problema, pagkakaiba-iba batay sa personalidad, at mga senaryo ng pagpapataas ng antas.
•Ang pagpapatupad ay isang proseso na may limang hakbang—tukuyin ang mga persona, bumuo ng mga senaryong maaaring pagdebatehan, magsagawa ng iba't ibang debate, suriin ang mga nakabalangkas na transkripsiyon, i-export at salain—at sinusukat ito batay sa pagkakaiba-iba, pagkakaugnay, pagiging consistent, at saklaw.

Mayroong isang tahimik na uri ng pagkakamali sa mga sintetikong daloy ng datos: Ang mga dataset para sa pagsasanay ng AI na ginawa gamit ang iisang tagabuo ay parang galing lamang sa isang tao. Kung hihilingin mo sa isang modelo na lumikha ng sampung libong pag-uusap ng kostumer, makakakuha ka ng sampung libong bersyon ng pinakamalamang na uri ng kostumer nito—parehong antas ng pagiging magalang, parehong mga pattern ng pagtutol, at parehong maayos na solusyon. Ang mga modelo na sinanay sa datos na iyon ay mahusay na gumagana sa datos na kahawig nito, ngunit nagkakaproblema kapag ginamit sa tunay na mga gumagamit, na mas magulo, mas galit, mas nalilito, at mas iba-iba kaysa sa anumang maaaring isipin ng isang tagabuo.

Ang simulasyon na gumagamit ng maraming ahente ay tinutugunan ang problema sa pinakaugat nito. Sa halip na isang ahente lamang ang lumilikha ng magkabilang panig ng isang interaksyon, maraming personalidad ng AI na may tunay na natatanging katangian—isang skeptiko, isang optimista, isang pragmatiko, isang tagapagtaguyod ng ibang pananaw—ang nakikipag-ugnayan, nagtatalo, at nakikipagkasundo sa isa't isa. Ang resultang datos ay naglalaman ng kung ano ang talagang kailangan ng mga sistemang AI sa totoong mundo upang matuto: hindi pagkakasundo, panghihikayat, pagkabigo, pag-aayos, at ang libu-libong maliliit na alitan ng mga taong hindi magkasundo.

Sinasaklaw ng gabay na ito kung bakit mas mahusay ang multi-agent generation kaysa sa single-agent, ang apat na pangunahing pamamaraan ng simulation, isang sunud-sunod na pagpapatupad gamit ang ArgumenTroupe, at ang mga sukatan ng kalidad na magsasabi sa iyo kung sulit bang gamitin ang iyong synthetic dataset para sa pagsasanay.

Bakit gumamit ng maraming ahente para sa datos na ginagamit sa pagsasanay?

Ang pagbabago tungo sa sintetikong datos ay hindi na haka-haka — hinulaan ng Gartner na 75% ng mga negosyo ang gagamit ng sintetikong datos para sa AI sa pamamagitan ng 2026, at ang pananaliksik tungkol sa sintetikong datos ay isa nang karaniwang larangan. Ang mahalagang tanong ngayon ay hindi kung dapat bang lumikha nito, kundi kung paano lilikha ng datos na sapat ang pagkakaiba-iba upang maging kapaki-pakinabang.

Ang Problema sa Pagkakaiba-iba

Ang pagbuo ng modelo gamit ang isang solong ahente ay may limitasyon sa istruktura. Gayunpaman, kahit gaano pa kagaling ang isang modelo, kumukuha lamang ito ng datos mula sa isang partikular na pinagmulan:

✗Magkatulad na pagkakaiba – mga pagpapakahulugan sa ibabaw lamang ng parehong pangunahing usapan, hindi tunay na magkaibang interaksyon.
✗Nawawalang istraktura ng maraming pananaw — ang tunay na pag-uusap ay kinasasangkutan ng mga partido na may iba't ibang layunin, kaalaman, at damdamin; ang isang ahente na gumaganap sa magkabilang panig ay naglalantad ng isang pananaw sa mundo sa parehong panig.
✗Walang tunggalian o mga pattern ng negosasyon – ang henerador ay naglutas ng tensyon sa paraang masyadong nakikipagtulungan, kaya hindi natututo ang sinanay na modelo kung paano haharapin ang isang gumagamit na hindi mapapagaan.
✗Mga kaso na hindi gaanong kinakatawan — ang mga hindi malamang ngunit mahalagang interaksyon ay nananatiling hindi malamang sa resulta, kung saan eksaktong nagkakamali ang mga modelo sa paggamit.

Mga Bentahe ng Maraming Ahente

Ang paglalagay ng magkakaibang personalidad sa tunay na interaksyon ay nagpapabago sa bawat kahinaan:

✓Pagkakaiba-iba ng mga tugon mula sa iba't ibang personalidad—ang isang taong mapagduda at ang isang taong positibo ay nagbibigay ng magkaibang tugon sa parehong sitwasyon, na nagreresulta sa magkaibang paraan ng pagpapahayag, hindi lamang mga muling paglalahad.
✓Makatotohanang dinamika ng pag-uusap—ang pagputol sa pagsasalita, hindi pagkakaunawaan, paglilinaw, at pagbabago ng paksa ay lumilitaw mula sa interaksyon sa halip na nakasulat nang maaga.
✓Mga umuusbong na pag-uugali at mga pattern—lumilitaw ang mga negosasyon, pagbabago sa alyansa, at mga konsesyon nang walang sinumang nag-udyok, dahil ito ay nagmumula sa magkasalungat na layunin.
✓Sistematikong pagtukoy sa mga espesyal na kaso—italaga ang isang karakter upang kumatawan sa mahirap na kaso (ang galit na kostumer, ang naguguluhang baguhan) at gawing parameter ng konfigurasyon ang mga espesyal na kaso sa halip na umasa lamang sa swerte.

Mga Teknik sa Simulasyon na Gumagamit ng Maraming Ahente

Apat na pamamaraan ang sumasaklaw sa karamihan ng mga pangangailangan sa datos para sa pagsasanay. Ang mga ito ay binubuo ng isang mahusay na daloy ng proseso, kung saan kadalasan ay ginagamit ang ilan laban sa parehong hanay ng mga senaryo.

Pamamaraan 1: Pagsasagawa ng Debate

Ang isang ahente ay nagmumungkahi; ang ikalawang ahente ay nagbibigay ng kritisismo. Dapat ipagtanggol, pinuhin, o tanggapin ng tagapagmunukala, at bawat palitan ay lumilikha ng isang triyada ng mungkahi-pagtutol-tugon. Ito ang pinakamayamang pinagmumulan ng datos sa pagharap sa mga pagtutol—ang pattern na pinakakailangan ng mga modelong nakatuon sa customer at nagbibigay ng payo, at ang uri ng datos na kadalasang kulang sa mga natural na dataset. Dahil ang kritiko ay naka-configure upang maging walang tigil, sinasaklaw ng datos ang mas malalim na mga serye ng pagtutol kaysa sa anumang magalang na pag-uusap ng tao. Ang isang dataset na binuo sa ganitong paraan ay nagtuturo sa isang modelo hindi lamang kung ano ang sasabihin, ngunit kung paano panindigan ang isang posisyon sa ilalim ng presyon at kung kailan dapat sumuko.

Teknik 2: Paglutas ng Problema sa Pamamagitan ng Pakikipagtulungan

Maraming ahente ang nagtutulungan upang makamit ang isang karaniwang layunin—pagpaplano ng isang proyekto, pagtukoy sa isang depekto, o pagbuo ng isang dokumento. Ang interaksyon ay nagpapakita ng koordinasyon: pagmumungkahi ng mga susunod na hakbang, pagtatalaga ng mga subtask, pagsusuri kung nauunawaan, at pagpapalawak sa isang bahagyang sagot. Ipinapakita rin nito ang makatotohanang paraan ng pakikipag-ugnayan at hindi pantay na kontribusyon, dahil ang isang mahusay na grupo ay may kasamang isang nangungunang boses, isang maingat na tagapagbuod, at isang tahimik na miyembro na dapat hikayatin upang magsalita. Ang mga modelo ng katulong na sinanay gamit ang datos na ito ay mas mahusay na humahawak sa mga pag-uusap ng maraming partido at mga gawain na tumatagal nang matagal kumpara sa mga sinanay lamang sa mga palitan ng isa-sa-isa.

Pamamaraan 3: Pagkakaiba-iba Batay sa Persona

Ang parehong senaryo ay paulit-ulit na ginagamit na may iba't ibang mga karakter. Ang isang kahilingan para sa refund na pinangasiwaan ng isang pasensyosong retirado, isang matigas na ehekutibo, at isang nababalisaang unang bumibili ay nagbubunga ng tatlong magkakaibang pag-uusap mula sa isang depinisyon ng senaryo—demograpiko at estilistikong pagkakaiba na halos walang karagdagang gastos sa paggawa. Ito ang pangunahing teknik para sa saklaw: tukuyin ang iyong aklatan ng mga senaryo nang isang beses, pagkatapos ay gamitin ito sa isang matrix ng mga karakter na binuo mula sa tunay na mga profile ng AI persona. Ito rin ang tapat na paraan upang subukan kung ang isang modelo ay nagsisilbi sa lahat ng iyong mga gumagamit, hindi lamang sa karaniwang gumagamit.

Pamamaraan 4: Mga Senaryo ng Pagpapataas

Ang kahirapan at tunggalian ay unti-unting lumalala sa bawat interaksyon—ang isang simpleng tanong ay nagiging reklamo, pagkatapos ay nagiging banta na aalis, at kalaunan ay nagiging kahilingan para makipag-usap sa isang tagapamahala. Ang mga sitwasyong kung saan tumataas ang tensiyon ay nagpapakita ng mga pattern ng adaptasyon (kung paano nagbabago ang pananalita habang lumalaki ang isyu) at mga estratehiya sa paglutas (kung ano ang nakakapagpababa ng tensiyon, at kung ano ang nakapagpapataas nito). Sa totoong mga talaan, kakaunti lamang ang kumpletong serye ng pagtaas ng tensiyon dahil karamihan sa mga usapan ay natatapos nang maaga; ang simulasyon ay maaaring lumikha ng buong serye sa bawat pagkakataon, kasama na ang mga solusyon. Para sa mga modelong kritikal sa kaligtasan at suporta, ang teknik na ito ay naglilikha ng mga halimbawa ng pagsasanay na pinakamahalaga para sa bawat bahagi ng usapan.

Gabay sa Pagpapatupad: Pagbuo ng Datos na May Maraming Ahente gamit ang ArgumenTroupe

Ang ArgumenTroupe ay ginawa para sa deliberasyon na may maraming personalidad, kaya’t ito ay isang natural na tagabuo: bumubuo ka ng isang grupo ng mga personalidad, binibigyan mo sila ng paksang pagdedebatehan, at kinukuha mo ang resulta ng organisadong debate. Hindi kailangan ng anumang script—ang buong proseso ay gumagana sa pamamagitan ng konfigurasyon. Narito ang daloy ng trabaho mula simula hanggang katapusan.

Tukuyin ang iyong grupo ng mga karakter.

Magsimula sa mga karaniwang karakter—ang mapagduda, ang optimistiko, ang praktikal, at ang tagapagtanggol ng ibang pananaw—at dagdagan ito ng mga katangiang kailangan ng iyong dataset: isang matagal nang customer na nabigo, isang baguhan na hindi bihasa sa teknolohiya, at isang manager na mahigpit sa pagsunod sa mga patakaran. Para sa bawat karakter, tukuyin ang isang pangalan, ilang katangian (hindi matiyaga, masusing nagdedetalye, umiiwas sa panganib), at isang linya ng konteksto na naglalarawan sa kanilang sitwasyon. Ang pagiging natatangi ang mahalaga: kung dalawang karakter ay magsasabi ng parehong bagay, pagsamahin sila at dagdagan ng isa pang karakter na hindi magsasabi nito.

Ibalangkas ang mga sitwasyon bilang mga tanong na maaaring pagdebatehan.

Ang datos mula sa maraming ahente ay kasinghusay lamang ng tensiyon sa prompt. Gawing isang bagay na tunay na maaaring pagtalunan ng mga persona ang bawat senaryo sa iyong library—hindi “pag-usapan natin ang patakaran sa refund,” ngunit “dapat bang aprubahan ang hangganang kasong ito para sa refund?” Itakda ang mga parameter sa bawat pagtakbo: aling mga persona ang sasali, humigit-kumulang kung ilang round ng palitan, at aling mga espesyal na kaso ang dapat lumitaw (isang pagkaantala, isang pagwawasto ng katotohanan, isang hindi nalutas na wakas).

Magsagawa ng mga debate at baguhin ang konfigurasyon.

Ilunsad ang simulasyon at hayaang magtalo ang grupo. Pagkatapos, ulitin ang parehong senaryo na may pinagpalit na mga karakter (pagkakaiba-iba batay sa persona), na may dagdag na kritiko (magkasalungat na diyalogo), o na may tumataas na panganib (paglala). Ang bawat konfigurasyon ay isang bagong bahagi ng iyong dataset mula sa parehong pamumuhunan sa senaryo. Lagyan ng tag ang bawat pagtakbo kasama ang senaryo nito, linya ng mga persona, at inaasahang resulta habang ginagawa ito—ang metadata na idinagdag sa oras ng pagbuo ay halos walang bayad, at ang muling pagbuo nito sa ibang pagkakataon ay hindi kailanman magiging madali.

Suriin ang mga nakaayos na transkripsiyon.

Dito nagiging kapaki-pakinabang ang isang plataporma para sa deliberasyon kumpara sa isang simpleng modelo. Itinatala ng ArgumenTroupe ang bawat sesyon bilang isang organisadong transkripsiyon ng argumento—sino ang nagsabi ng ano, bilang tugon sa aling punto, at anong panig ang kinampi—sa halip na isang walang pagkakaibang grupo ng teksto. Suriin ang mga sesyon sa antas ng argumento: tiyakin na nanatili ang mga persona sa kanilang karakter, na nagkaroon talaga ng hindi pagkakasundo, at na nagtatapos ang mga pag-uusap sa iba't ibang paraan. Itapon o markahan ang mga sesyon kung saan masyadong mabilis na napunta sa kasunduan ang grupo—ang pagkakaroon ng konsensus ay isang palatandaan ng kabiguan sa artipisyal na pagkakaiba-iba.

I-export at i-filter para sa pagsasanay.

I-export ang mga inaprubahang transkripsyon kasama ang kanilang metadata, pagkatapos ay ilapat ang karaniwang proseso ng paglilinis: awtomatikong mga filter para sa walang laman, paulit-ulit, o nilalamang hindi naaayon sa patakaran; pagtanggal ng mga duplicate sa halos magkatulad na bersyon; isang pagsusuri ng tao sa isang random na sample. Hatiin sa mga set para sa pagsasanay, pagpapatunay, at pagsubok—at itabi ang tunay na datos na ginawa ng tao para sa huling pagsusuri, upang masukat mo ang modelo batay sa realidad sa halip na sa mas maraming sintetikong datos. Ang parehong proseso ay inilarawan mula sa pananaw ng produkto sa aming <a href="/use-cases/training-data-generation">halimbawa ng pagbuo ng datos para sa pagsasanay</a>.

Mga Sukatan ng Kalidad para sa Datos na Ginagamit ng Maraming Ahente

Ang pagbuo ng datos ay mura; ang mahalaga ay malaman kung ano ang iyong nabuo—ito ang disiplina. Apat na grupo ng sukatan ang sumasaklaw sa mga dataset ng maraming ahente:

•Mga marka ng pagkakaiba-iba – ang saklaw ng bokabularyo at semantika sa buong teksto. Kung ang mga representasyon ng iyong mga pag-uusap ay nagkukumpol nang malapit, ang iyong mga personalidad ay nagsasama-sama sa isang boses lamang, at nawawala na ang benepisyo ng maraming ahente.
•Mga sukatan ng pagkakaugnay—tumutugon ba ang bawat bahagi sa naunang bahagi? Sa mga simulasyon kung saan maraming ahente ang kasali, maaaring maging hiwalay ang kanilang mga usapan; tinutukoy ng mga pagsusuri sa pagkakaugnay ang mga transkripsiyon kung saan hindi nagkaunawaan ang mga ahente.
•Pagiging konsistent ng personalidad—ang taong nagdududa sa ikalawang pagliko ay dapat pa ring maging taong nagdududa sa ika-20 pagliko. Ang hindi consistent na personalidad ay nagtuturo sa modelo na ang identidad ng nagsasalita ay walang kahulugan, na sumisira sa mismong datos na iyong ginamit.
•Pagsusuri ng saklaw — nagmamapa ng mga isinagawang pagsubok laban sa iyong matris na batay sa senaryo at persona, at ang iyong kinakailangang mga kaso. Ang anumang pagkukulang sa matris ay hindi mapapansin hanggang sa makatugon ang isang modelo sa produksyon sa cell na hindi mo pa nagawa.

Pag-aaral ng Kaso: Pagsasanay sa Bot para sa Serbisyo sa Kostumer

Isaalang-alang ang isang halimbawa (pinagsama): isang pangkat na bumubuo ng isang katulong sa serbisyo para sa isang produkto na may subscription. Ang kanilang unang hanay ng pagsasanay ay nilikha ng iisang ahente—isang modelo na gumaganap bilang parehong kostumer at ahente sa libu-libong kahilingan. Mahusay ang pagsubok nito sa loob, ngunit hindi ito naging mahusay nang ginamit sa mga tunay na kostumer, at nagpakita ng isang malinaw na pattern: maayos nitong pinangasiwaan ang magalang at malinaw na mga kahilingan, ngunit nabigo ito kapag galit, hindi malinaw, o tumutol ang mga kostumer sa unang sagot nito. Ang datos ng pagsasanay ay halos walang tunay na pagtutol, dahil ang isang ahente na gumaganap bilang parehong panig ay nilulutas ang sarili nitong mga kahilingan nang magkasama.

Ang muling pagbuo ay gumamit ng simulasyon na may maraming ahente. Isang grupo ng mga karakter—ang user na nabigo dahil sa kakulangan ng kapangyarihan, ang bagong user na nalilito, ang naghahanap ng diskwento, at ang customer na nakipag-ugnayan na sa suporta nang dalawang beses—ay sinubukan laban sa isang karakter ng ahente sa parehong hanay ng mga senaryo, kung saan idinagdag ang mga konfigurasyon para sa pagiging magkalaban at paglutas. Ang bagong dataset ay naglalaman ng mga nawawalang elemento: maraming yugto ng mga kadena ng pagtutol, pagtaas ng antas ng problema, pagwawasto pagkatapos ng maling sagot, at mga pag-uusap na hindi nalutas.

Matapos muling sanayin gamit ang maraming ahente na datos, nagbago ang pag-uugali ng bot sa mga partikular na lugar kung saan nagbago rin ang datos: huminto ito sa paulit-ulit na pagbibigay ng unang sagot nito sa mga hindi nasisiyahang customer, natutong kilalanin ang pagkairita bago subukang lutasin ang problema, at mas mabisang nakikipag-ugnayan sa mga tao sa mas naaangkop na mga pagkakataon. Ang pangkalahatang aral ay maaaring ilapat sa iba pang mga bot: natutunan ng mga modelo ang mga pattern ng pakikipag-ugnayan na naroroon sa kanilang datos, at ang multi-agent simulation ang kasalukuyang pinakamabisang paraan upang isama ang mahahalagang pattern. Para sa mas malawak na metodolohiya ng pagbuo, tingnan ang aming gabay sa paglikha ng sintetikong datos ng pag-uusap.

Mga Madalas na Itinatanong

Paano napapabuti ng simulasyon na gumagamit ng maraming ahente ang datos para sa pagsasanay ng artipisyal na intelihensya?

Pinapalitan nito ang isang generator—na kumukuha ng mga halimbawa mula sa bawat pag-uusap mula sa isang pamamahagi at isang tinig—ng maraming natatanging personalidad na tunay na nakikipag-ugnayan. Ang resultang datos ay naglalaman ng hindi pagkakasundo, negosasyon, pagtataas ng isyu, at pagkakaiba-iba ng demograpiko na sistematikong kulang sa pagbuo ng isang solong ahente, na siyang eksaktong materyal na kailangan ng mga modelo sa totoong mundo upang harapin ang mahihirap na gumagamit at maraming partido.

Ano ang pagkakaiba sa pagitan ng pagbuo ng datos gamit ang isang ahente at maraming ahente?

Sa pagbuo gamit ang isang modelo lamang, iisang modelo ang gumagawa ng lahat ng bahagi ng isang interaksyon, kaya parehong partido ay lihim na nagbabahagi ng iisang pananaw at ang mga hindi pagkakaunawaan ay nalulutas sa paraang nakatuon sa pagtutulungan. Sa pagbuo gamit ang maraming modelo, bawat panig ay itinalaga sa isang magkaibang personalidad—iskepiko, optimista, praktikal, tagapagtaguyod ng ibang pananaw—kaya ang tensyon, hindi pagkakaunawaan, at adaptasyon ay lumilitaw mula sa mismong interaksyon sa halip na nakaplano.

Paano ako makakalikha ng datos para sa pagsasanay gamit ang maraming ahente ng AI?

Sundin ang isang proseso na may limang hakbang: tukuyin ang isang grupo ng natatanging personalidad, balangkasin ang iyong mga senaryo bilang mga tanong na maaaring pagdebatehan, magsagawa ng mga debate habang nagpapalit-palit ng mga personalidad at antas ng tunggalian, suriin ang nakabalangkas na transcript para sa pagkakapare-pareho ng personalidad at tunay na hindi pagkakasundo, pagkatapos ay i-export, salain, alisin ang mga duplicate, at hatiin ang datos. Palaging suriin ang huling modelo laban sa totoong datos, hindi laban sa mas maraming gawang datos.

Kailangan ko pa bang gumamit ng tunay na datos kung gagamit ako ng simulasyon na may maraming ahente?

Oo. Ang multi-agent simulation ay ang antas ng pagpapalawak, hindi kapalit ng tunay na datos. May dalawang mahalagang papel ang tunay na datos: ginagamit ito upang itakda ang konfigurasyon ng persona batay sa kung paano kumikilos ang mga aktwal na gumagamit, at nagbibigay din ito ng set ng datos para sa pagsusuri upang malaman kung napabuti ba ng paggamit ng artipisyal na datos ang pagganap sa tunay na mundo. Ituring ang artipisyal at tunay na datos bilang mga pantulong sa isa't isa.

Lumikha ng mga Datos ng Pagsasanay na Nakikipagdebate

Asamble ang isang troupe ng persona, tumakbo ng mga istrakturadong debate, at ilabas ang mga transcript na ang iyong mga modelo ay tunay na matututo.

Simulan ang Libreng Pagsubok