synthetic-data-generator

合成数据生成器（数字孪生模拟器）

概述

此技能赋予 Agent 在研究中充当**受访者模拟器（数字孪生模拟器）**的能力。Agent 会根据指定的档案参数采用某个人设（数字孪生），并像真实受访者一样回答研究工具（问卷、李克特量表、开放式访谈问题）。

除了将数据以离线方式生成到 CSV/JSON 文件中，此技能还支持主动参与者模拟器，即通过 chrome-devtools MCP 服务集成，使用浏览器自动填写真实的在线问卷（如 Google Forms、Typeform 等）。

依赖项

• Python 标准模块（用于大规模离线数据生成）。
• MCP 服务 chrome-devtools（用于通过浏览器填写在线问卷）。
• 零失败自动配置规则：如果在线填写问卷时 chrome-devtools 尚未启用或安装，Agent 严禁回答“未安装”。Agent 必须自动按需直接触发：npx -y chrome-devtools-mcp@latest 或 py bin/mcp_auto_updater.py。

快速开始

使用示例：

1. 离线："使用 synthetic-data-generator 技能，创建包含 100 名受访者的合成调查数据集，其人口统计档案为大学毕业年级学生，并提供对在线辅导服务满意度的回答。"
2. 在线："使用 synthetic-data-generator 技能，模拟 5 个数字孪生，通过 URL https://forms.gle/xxxxx 填写 Google Form，其档案为数字领域的中小微企业经营者。"

工作流

1. 初始化研究工具和档案

• **研究工具：**了解所用研究工具的结构。它是定量型（1-5 级量表）还是定性型（叙述性回答）？
• **人口统计/心理统计档案：**了解目标样本的分布。例如：“创建 300 条数据，其中男性占 60%，女性占 40%，年龄 18-35 岁，技术怀疑程度为中高。”

2. 人设提示词策略（大模型采用）

为确保数据不雷同且具有真实的差异性：

• 使用动态 System Prompt 技术，在每次迭代时为受访者注入随机特征（traits）。
• 设置适当的 Temperature（例如 0.7 - 0.9），避免回答具有确定性。
• **逻辑一致性：**确保不同问题之间的回答（尤其是相互关联的问题或反向题）与当前采用的人设一致。
• **注意力检测题：**如有要求，以较低概率（例如 5%）插入“陷阱”答案或合理异常（例如随意作答的受访者），以模拟现实世界中的噪声。

3. 通过 Python 批量执行（大规模离线生成时必须采用）

为数百名受访者逐一调用大模型，在 Token 和时间方面都非常低效。如果 N > 10 且以离线方式运行，必须创建利用批量提示词的 Python 脚本。

Python 脚本流程指南：

1. 创建一条集中式指令提示词："生成 50 行 CSV 格式数据。每行代表 1 名独立受访者。列包括：人口统计信息、Q1、Q2、Q3（1-5 级量表）和观点（文本/定性）。确保数据多样性符合以下分布：[PROFIL_TARGET]。输出仅限有效 CSV 格式，不要使用 markdown。"
2. 在 Python 中使用循环调用大模型（例如通过 google-genai 或相关大模型端点），重复 N/50 次。
3. 将生成的 CSV 字符串解析为数据结构（如 pandas.DataFrame）。
4. 合并所有批次，并清理错误或格式错误的行。
5. 将最终的 DataFrame 保存到 synthetic_dataset.csv。

4. 在线填写问卷（主动参与者模拟器）

如果用户要求填写 Google Forms 等在线问卷：

1. 页面分析（表单映射）：连接到 chrome-devtools 服务，并使用 puppeteer_navigate 将浏览器导航到问卷 URL。使用 puppeteer_evaluate 识别问题类型（文本输入、单选按钮、复选框）。
2. 批量填写受访者问卷：对于每个数字孪生（例如 N 名受访者）：
   • 在内部生成受访者的回答档案（JSON/键值对格式）。
   • 找到与问题匹配的输入元素。
   • 模拟人工输入：
     • 对于多项选择题／李克特量表，使用 puppeteer_click 点击相应的单选按钮。
     • 对于文本输入，使用 puppeteer_type 自然地输入回答。
     • 在点击提交／下一步按钮前，随机等待 1.5 到 3 秒，以模拟人类行为并避免触发反机器人检测。
   • 使用 puppeteer_click 点击“发送”／“Submit”按钮。
   • 使用 puppeteer_screenshot 截取填写成功页面，作为验证凭据。
   • 如果要填写下一位受访者的问卷，点击“提交其他答复”／“Submit another response”链接以加载新表单。

5. 最终验证与交接

• 离线：通过脚本执行简单的 describe()，确保李克特量表的数值处于有效范围（例如：最小值为 1，最大值为 5），且不存在异常的缺失值。
• 在线：提供填写成功日志摘要（例如：“3/3 名受访者成功填写 Google Form”），并附上每位受访者的提交凭据截图文件。

常见错误与关键规则

• 数据过于雷同（无差异）：由于使用了温度（temperature）为 0 的大模型，或系统指令过于僵化，导致生成的回答单调、毫无变化。
• 角色设定不一致：忽略受访者的内在逻辑（例如，档案设定为“对技术不熟悉／持怀疑态度”的受访者，却对 AI 的采用表现得十分熟练和热情）。
• 文件格式损坏（格式不正确的 CSV）：将输出保存为无效的 CSV 格式，导致数据处理 Agent 无法读取。
• 在线表单的机器人检测：填写表单过快且没有等待间隔，导致出现 CAPTCHA。模拟人工输入时，始终使用动态延迟（随机延迟）。