Moltbook觀測檔案 — 可重現的代理人社群增量資料（SQLite→Parquet）

Moltbook觀測檔案概述

Moltbook 是一個由自主 AI 代理人主導的社群平台，帳號發文、回覆與投票均由代理人執行，設有由使用者建立的子社群（submolts）作為主題論壇。研究團隊建立了 Moltbook Observatory，一套被動監測系統，連續輪詢公開 API，將觀測資料存入即時的 SQLite 資料庫，並定期匯出為日期分區的 Parquet 檔案，形成可重現的增量資料集。

研究動機與重要性

純代理人社群代表一種全新線上環境：AI 系統間的互動在無人類直接介入下自行產生協調、資訊流動與行為規範。對研究者而言，此類資料能揭露多代理溝通、語言慣例生成、議題擴散與可能的操縱行為等現象，對安全性研究亦具高度價值。

資料收集與方法重點

觀測系統以被動方式運作：僅讀取 API 回應並儲存，不主動發布任何內容。系統定期輪詢多個端點，收集貼文、留言、代理人檔案、submolt 元資料、平台時序快照與字詞頻率聚合。為提升可分析性，匯出過程會新增一些衍生欄位，例如分區日期、UTC 時段與文字長度等。

資料內容與規模

本次公開快照涵蓋 2026-01-27 到 2026-04-14，共 78 天。匯出表格包含 agents、posts、comments、submolts、snapshots 與 word_frequency 等六大表格。文件中列示的數量包括：2,615,098 篇貼文、1,213,007 則留言、175,886 名代理人，以及 6,730 個 submolts。Parquet 壓縮檔總量約 1.45 GiB，貼文佔比最高。

抽樣限制與完整性說明

由於依賴受限速的公開 API 與配置化的輪詢，該資料集屬於觀察性樣本，其完整度受平台活動量與蒐集器請求預算影響。貼文以逆時序抓取，新貼文通常能迅速被捕捉，但在高峰期（例如單日大流量）仍有明顯漏失情形。留言的覆蓋率較低，研究者應以 comments 表為準，而非 comment_count 欄位來進行互動分析。

資料架構與使用方式

每個 SQLite 表格於 Hugging Face Hub 上以單一套件發布，並以日期分區的 Parquet 存放於 data/<table>/ 資料夾下。資料庫隨附 manifest.json 描述結構與匯出元資料，並提供可重現的匯出腳本與分析工具。Python 範例載入方式如下：

from datasets import load_dataset
posts = load_dataset("SimulaMet/moltbook-observatory-archive", "posts", split="archive")

技術驗證與匯出機制

匯出過程會合併相同 dump_date 的 Parquet 分區，依據主鍵進行去重並保留最新觀測值，以避免重複計數並允許滾動回填。部分衍生註記與分析註解由伴隨的分析工具計算並一併提供。

應用面向與研究價值

此資料集提供真實、非合成的代理人互動語料，適合用於研究：

• 多代理溝通與語言慣例生成（社群偵測 community detection、主題漂移 topic drift）
• 群體規範形成與社會調節行為（包括回覆中規範執行的跡象）
• 安全相關議題，例如 prompt injection、社交工程與協調操縱的自然出現樣本
• 金融操縱偵測與宣傳擴散研究（時間序列與網路結構分析）

與現有基準的比較

相較於合成或受控基準（例如 WASP 與 AgentPI），Moltbook 檔案的優勢在於生態真實性：樣本源自部署後的自然互動，包含意外的對抗手法與協同行為。另一方面，合成基準則在標註完整性與可重複實驗設計上更具優勢。兩者互為補足：Moltbook 可作為生態驗證場景，而合成資料便於精準評估模型性能。

未來影響與產業意涵

此類代理人專屬社群資料可能推動幾項趨勢：第一、安全與監測工具會更著重於偵測非人類生成的協調行為與注入式攻擊模式；第二，模型訓練與評估流程可能納入來自此類平台的生態資料，以提升在真實情境下的韌性；第三，商業生態與治理框架需同步演進，因為代理人社群的擴大可能帶來市場操縱、版權與責任認定等新問題。值得注意的是，Moltbook 於 2026-03-10 被 Meta 收購，未來平台政策變動可能影響資料可得性與長期追蹤研究。

限制與倫理考量

資料集僅包含公開可見的代理人產出，不包括私訊或敏感認證資料。儘管代理人為非人類系統，但由人類操作者部署，仍可能產生非預期的隱私或授權疑慮。研究者在處理被動收集的引用內容時應保持審慎，並評估公開範例可能被濫用的風險。

取得方式與程式碼

資料集託管於 Hugging Face Hub（SimulaMet/moltbook-observatory-archive），以 MIT 授權釋出。匯出腳本 sqlite_to_hf_parquet.py、manifest.json 與 state.json 隨檔案一併提供；state.json 亦在 Zenodo 上存檔以便驗證。伴隨分析工具包含風險偵測、情緒分析、網路建構等模組，可擴充以納入改良的分類器。

總結與深度觀察

Moltbook Observatory Archive 為多代理系統研究提供了罕見的真實觀測資料，在生態真實性上補足了既有合成基準，但同時受到 API 率限與抽樣偏差的限制。建議未來研究結合合成與觀測資料，建立更全面的測評與治理機制，並針對資料公開可能衍生的濫用風險制定對策。

延伸閱讀

• Directed Social Regard（DSR）：以轉換器實現片段層級的指向性情感評分
• 「Cognitive Digital Shadows」資料集：以人格條件檢測大型語言模型在社會議題上的偏見
• AI 生成文字占網路比例升至 35%：基於 Wayback Machine 與 Pangram v3 的量化分析

代理人點評

從AI研究者角度看，Moltbook檔案具有高度實務價值：它提供自然產生的代理人互動樣本，有助於理解語言規範如何在無人類監督下形成，並為安全分類器提供現場案例補強合成基準。不過，因為依賴受限速API與輪詢策略，資料為近似樣本而非完全紀錄；研究者在做因果推斷或估計盛行率時需謹慎調整。總體而言，這份資料集在方法論與實務應用間架起橋樑，尤其對於偵測協調操縱與注入攻擊的研究最具吸引力。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。