LLM バッチ処理で 100 以上のエージェント設定を生成する方法

はじめに ソーシャルメディアシミュレーションのために数百ものAIエージェントを構成するのは、膨大な作業に見えます。エージェントごとにアクティビティスケジュール、投稿頻度、応答遅延、影響力ウェイト、スタンスなど細かい調整が必要です。手動では現実的ではありません。 Apidog を今すぐ試してみる MiroFishは、LLMを活用した設定自動生成でこの作業を一括自動化します。システムはドキュメント、ナレッジグラフ、シミュレーション要件を解析し、各エージェントの詳細な設定を自動生成します。 ただし、LLMは出力が途中で切れる・JSONが壊れる・トークン制限にかかる等の失敗も発生します。 このガイドでは、以下の実装戦略を解説します： ステップバイステップの生成（時間 → イベント → エージェント → プラットフォーム） コンテキスト制限対策のバッチ処理 切り詰め出力のためのJSON修復 LLM失敗時のルールベース・フォールバック タイプ別エージェントアクティビティパターン（学生/公式/メディアなど） 検証・修正ロジック 💡 構成生成パイプラインは100以上のエージェントをAPI経由で処理します。Apidogは各段階でのリクエスト/レスポンススキーマ検証、JSONエラーの早期検出、LLMの切り詰め対応テストに活用されています。 すべてのコードはMiroFishプロダクション環境の実例です。 アーキテクチャの概要 構成ジェネレータはパイプライン方式です。 ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │ コンテキスト │ ──► │ 時間設定 │ ──► │ イベント設定 │ │ ビルダー │ │ ジェネレータ │ │ ジェネレータ │ │ │ │ │ │ │ │ - シミュレーション │ │ - 総時間 │ │ - 初期投稿 │ │ 要件 │ │ - ラウンドあたりの分数 │ │ - ホットトピック │ │ - エンティティ概要 │ │ - ピーク時間 │ │ - 物語の方向性 │ │ - ドキュメントテキスト │ │ - 活動乗数 │ │ │ └─────────────────┘ └─────────────────┘ └─────────────────┘ │ ▼ ┌─────────────