Construa um Simulador de Usuários Baseado em Personas com MatrAIx

A maioria dos testes de produtos de IA ainda trata “o usuário” como uma massa intercambiável. O MatrAIx aposta no oposto: sortear uma persona — um perfil de 1.290 dimensões cobrindo histórico, psicologia, capacidades e comportamento — instanciá-la como um agente LLM e executá-la em tarefas reproduzíveis em quatro ambientes: pesquisa (survey), conversa com chatbot, navegação web em ambiente sandbox e aplicativos desktop nativos.

O projeto é uma colaboração de mais de 200 cientistas liderada por pesquisadores de Harvard e MIT, com contribuições da OpenAI, Anthropic, Google DeepMind e xAI. O artigo está no arXiv (2608.04205), o código é Python com licença MIT, e um coreset de 1M de personas, filtrado por qualidade, foi lançado no Hugging Face. Isso o torna um dos poucos artigos de “simulação em escala populacional” que você realmente pode executar hoje.

Como as personas permanecem coerentes

A parte difícil de um banco de personas em escala populacional não é gerar 8,3B de perfis — é manter cada um internamente consistente. O MatrAIx resolve isso com um grafo acíclico direcionado (DAG):

• Os atributos carregam dependências condicionais. A habilidade de inglês de uma persona é amostrada da distribuição conjunta dos nós pai “idioma principal” e “região”.
• Um filtro de compatibilidade zera qualquer combinação que viole a realidade — nada de aldeão queniano com PhD de Harvard e nenhum idioma nativo.
• Dados humanos reais ancoram todo o sistema: demografia da ONU, a General Social Survey, biografias da Wikipédia, históricos de avaliações da Amazon e pesquisas com desenvolvedores do Stack Overflow.

O resultado são perfis diversos em escala populacional, porém coerentes no nível individual. Em 400 experimentos rigorosamente controlados, as personas aderiram ao perfil atribuído em 91,5% das vezes, e especialistas humanos avaliaram a consistência das personas com nota 4,135/5.

Instalação e smoke test (sem necessidade de chave de API)

Requisitos: Docker, uv + Python 3.12, Node.js 20+ (apenas para a GUI).

git clone https://github.com/MatrAIx-ai/MatrAIx-Persona-8B.git && cd MatrAIx-Persona-8B
uv venv --python 3.12
uv pip install -e .
uv pip install -e packages/playground
uv pip install -e packages/harbor-langsmith
uv pip install -e packages/rewardkit

# Smoke test — verifica se todo o pipeline funciona sem nenhuma chave de modelo:
uv run harbor run -c configs/jobs/example-job-recipe/harbor-smoke-local.yaml

Execute sua primeira tarefa de persona via CLI

# Escolha o provider correspondente ao seu modelo:
export ANTHROPIC_API_KEY="sk-ant-..."   # modelos anthropic/claude-*
# export OPENAI_API_KEY="sk-..."        # modelos openai/gpt-*

# Gere uma job recipe: fixa uma tarefa + coorte de personas + modelo
uv run python application/scripts/generate_application_job.py \
  --task application/tasks/example-survey_product-feedback \
  --execution-mode auto \
  --persona-ids 0042 \
  --model-name anthropic/claude-sonnet-4-6

# O script imprime o caminho de uma recipe — execute-a:
uv run harbor run -c configs/jobs/application-task-job-recipe/example-survey-product-feedback-auto-n1.yaml

Automatize em lote com --sample-size N e filtros. Quatro tipos de tarefas de referência vêm em application/tasks/: Survey (feedback de produto), Chat (bot de suporte de API), Web (escolha de cotação com Playwright) e OS-app (computer-use: transformar anotações em CSV). Se preferir uma GUI, o Playground permite escolher uma coorte de personas, selecionar tarefas, fixar o pipeline e clicar em “Run eval” em localhost:5173.

Dicas práticas

• Comece com tarefas Survey. Elas dispensam os sandboxes de navegador/desktop e levam você ao resultado verificado mais rápido.
• Use o coreset de 1M já lançado em vez de sintetizar personas por conta própria: huggingface-cli download MatrAIx2026/MatrAIx_Persona_1M_Public_Release --repo-type dataset.
• Pense em coortes, não em personas individuais. O valor está nas diferenças entre subgrupos — sensibilidade a preço, tolerância a erros, disposição a pagar entre segmentos.
• Escreva um verificador determinístico por tarefa. A telemetria compartilhada flui pela execução; verifique as respostas com código, não deixando o LLM se autoavaliar.
• Respeite a ressalva dos autores: isto serve para geração de hipóteses e testes de estresse. Decisões de produto e políticas de alto risco ainda precisam de humanos reais.

Recursos

• Artigo: https://arxiv.org/abs/2608.04205
• GitHub: https://github.com/MatrAIx-ai/MatrAIx-Persona-8B
• Dataset Persona 1M: https://huggingface.co/datasets/MatrAIx2026/MatrAIx_Persona_1M_Public_Release
• Site do projeto: https://matraix.ai/