MiroFish：群体智能预测引擎，让未来在数字沙盘中预演

摘要：MiroFish是由盛大集团孵化的开源群体智能引擎，通过构建高保真数字世界，让数千个具备独立人格的AI智能体进行自由交互，从而预测未来走向。项目发布两周即斩获17000+ GitHub Star，目前已达45.2K Star。

项目概述

MiroFish是一款基于多智能体技术的新一代AI预测引擎。核心思路是：将现实世界的种子信息（新闻事件、政策草案、金融数据、甚至小说故事）输入系统，自动构建出高保真的平行数字世界。

在此空间内，成千上万个具备独立人格、长期记忆与行为逻辑的AI智能体进行自由交互与演化。用户可通过”上帝视角”动态注入变量，精准推演未来走向。

核心能力：

从现实数据提取种子，构建平行数字世界
生成数千个具有独立人格的AI智能体
支持长期记忆与行为逻辑模拟
动态注入变量，实时推演预测
生成详尽的预测报告
支持与模拟世界中的任意角色对话

适用场景：

舆情预测：政策发布后的社会反应推演
金融预测：市场事件对投资者行为的影响分析
创意推演：小说结局、剧情发展的多种可能性探索
决策模拟：商业策略在不同情境下的效果评估

系统架构

MiroFish采用前后端分离架构：

┌─────────────────────────────────────────────┐
│                   前端 (Vue)                  │
│         http://localhost:3000                │
└─────────────────────────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────┐
│                   后端 (Python)               │
│         http://localhost:5001                │
│                                             │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐ │
│  │ 图谱构建 │  │ 环境搭建  │  │ 报告生成  │ │
│  └──────────┘  └──────────┘  └──────────┘ │
│                                             │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐ │
│  │ 双平台   │  │ 智能体   │  │ GraphRAG │ │
│  │ 并行模拟 │  │ 交互系统 │  │ 记忆系统  │ │
│  └──────────┘  └──────────┘  └──────────┘ │
└─────────────────────────────────────────────┘

核心模块：

图谱构建：现实种子提取、个体与群体记忆注入、GraphRAG构建
环境搭建：实体关系抽取、人设生成、环境配置
并行模拟：双平台协同、自动解析预测需求、动态更新时序记忆
报告生成：ReportAgent提供丰富的工具集
深度互动：支持与模拟世界中的任意角色对话

环境要求

部署前需准备以下环境：

工具	版本要求	说明
Node.js	18+	前端运行环境
Python	≥3.11, ≤3.12	后端运行环境
uv	最新版	Python包管理器

验证安装命令：

node -v    # 检查Node.js版本
python --version  # 检查Python版本
uv --version      # 检查uv版本

安装部署

方式一：源码部署（推荐）

1. 克隆仓库

git clone https://github.com/666ghj/MiroFish.git
cd MiroFish

2. 配置环境变量

# 复制示例配置文件
cp .env.example .env # 编辑 .env 文件

必需配置项：

# LLM API配置（支持OpenAI SDK格式的任意LLM API）
# 推荐使用阿里百炼平台qwen-plus模型
LLM_API_KEY=your_api_key
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus # Zep Cloud配置（每月免费额度即可支撑简单使用） ZEP_API_KEY=your_zep_api_key

3. 安装依赖

# 一键安装所有依赖（根目录 + 前端 + 后端）
npm run setup:all

# 或者分步安装
npm run setup              # 安装Node依赖
npm run setup:backend     # 安装Python依赖

4. 启动服务

# 同时启动前后端
npm run dev

# 服务地址
# 前端：http://localhost:3000
# 后端API：http://localhost:5001

# 单独启动
npm run backend   # 仅后端
npm run frontend  # 仅前端

方式二：Docker部署

# 1. 配置环境变量
cp .env.example .env

# 2. 编辑.env填入API密钥

# 3. 拉取镜像并启动
docker compose up -d

默认映射端口：3000（前端）/ 5001（后端）。

基础使用

工作流程

MiroFish的预测流程分为5个步骤：

Step 1：图谱构建
上传种子材料（数据分析报告、新闻事件、小说文本等），系统自动提取实体关系，构建知识图谱。

Step 2：环境搭建
基于图谱生成具有独立人格的智能体，配置模拟环境参数。

Step 3：开始模拟
双平台并行模拟，智能体根据各自人格进行自由交互与演化。

Step 4：报告生成
ReportAgent对模拟结果进行分析，生成预测报告。

Step 5：深度互动
用户可与模拟世界中的任意角色对话，探索更多可能性。

预测示例

舆情预测场景：
输入：一篇关于某城市限购政策调整的新闻
系统自动构建：政策制定者、房地产商、购房者、媒体记者等多类型智能体
模拟推演：各类型群体对该政策的反应、传播路径、舆论走向
输出：详细的舆情预测报告，包括热度峰值、传播节点、情绪分布等

创意推演场景：
输入：《红楼梦》前80回文本
系统自动构建：贾宝玉、林黛玉、薛宝钗等主要人物智能体
模拟推演：基于人物性格推演后续剧情发展
输出：多种可能的结局走向及概率分析

API调用

MiroFish后端提供REST API：

# 创建模拟任务
POST /api/simulation/create
{
  "seed": "输入的种子材料",
  "config": {
    "agent_count": 1000,
    "simulation_rounds": 50
  }
} # 获取模拟状态 GET /api/simulation/status/{task_id}
 # 获取预测报告 GET /api/simulation/report/{task_id}
 # 与智能体对话 POST /api/simulation/chat
{
  "task_id": "xxx",
  "agent_id": "xxx",
  "message": "你想问的问题"
}

配置说明

LLM配置

MiroFish支持任意兼容OpenAI SDK格式的LLM API：

# OpenAI
LLM_API_KEY=sk-xxx
LLM_BASE_URL=https://api.openai.com/v1
LLM_MODEL_NAME=gpt-4o

# Anthropic
LLM_API_KEY=sk-ant-xxx
LLM_BASE_URL=https://api.anthropic.com
LLM_MODEL_NAME=claude-3-5-sonnet

# 阿里百炼
LLM_API_KEY=your_key
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus

模拟参数配置

# simulation_config.yaml
simulation:
  # 智能体数量
  agent_count: 1000
  
  # 模拟轮次
  simulation_rounds: 50
  
  # 记忆存储类型
  memory:
    short_term: redis
    long_term: milvus
  
  # 模拟速度（每秒处理轮次）
  speed: 10

智能体人格配置

# agent_personalities.yaml
personalities:
  - type: "政策制定者"
    traits: ["理性", "谨慎", "利益平衡"]
    memory_depth: "long"
    
  - type: "普通市民"
    traits: ["感性", "从众", "短期导向"]
    memory_depth: "short"
    
  - type: "媒体从业者"
    traits: ["敏锐", "传播导向", "戏剧性"]
    memory_depth: "medium"

注意事项

API消耗

MiroFish的模拟涉及大量LLM调用，消耗较高。建议：

初期测试时，智能体数量控制在100以内
模拟轮次控制在40轮以内
优先使用阿里百炼等性价比高的API服务

性能优化

场景	智能体数量	建议配置
简单测试	10-50	CPU即可
常规模拟	100-500	4核CPU + 8GB内存
大规模预测	1000+	8核CPU + 16GB内存

数据安全

种子材料仅用于本地模拟，不会上传至第三方
建议使用国内API服务，避免跨境数据传输延迟
模拟结果可导出保存，便于后续分析

项目信息

GitHub：https://github.com/666ghj/MiroFish
Star：45.2K（截至2026年3月）
Fork：6.3K
License：AGPL-3.0
官网：https://mirofish.ai
在线Demo：https://666ghj.github.io/mirofish-demo/
赞助商：盛大集团战略支持
底层驱动：基于OASIS仿真引擎（Camel-AI开源）

技术栈

前端：Vue.js
后端：Python（FastAPI）
知识图谱：GraphRAG
记忆系统：Zep Cloud
LLM支持：OpenAI SDK兼容格式

MiroFish由盛大集团战略支持孵化，底层驱动基于OASIS仿真引擎（Camel-AI开源）。

运维速度

或者查看我们的热门类别...

运维速度

或者查看我们的热门类别...

MiroFish：群体智能预测引擎，让未来在数字沙盘中预演

项目概述

系统架构

环境要求

安装部署

方式一：源码部署（推荐）

1. 克隆仓库

2. 配置环境变量

3. 安装依赖

4. 启动服务

方式二：Docker部署

基础使用

工作流程

预测示例

API调用

配置说明

LLM配置

模拟参数配置

智能体人格配置

注意事项

API消耗

性能优化

数据安全

项目信息

技术栈

相关项目

u2

Related Posts

OpenClaw爆火背后：一个值得深思的转折点

AI并没有简化软件工程：它只是让糟糕的工程更容易实现了

发表回复 取消回复

You Missed

MiroFish：群体智能预测引擎，让未来在数字沙盘中预演

OpenClaw爆火背后：一个值得深思的转折点

担心Todesk，向日葵有漏洞和数据泄露？跟我来体验下完美开源替代工具：RustDesk！

具有自我进化能力的国产大模型：MiniMax M2.7

当AI学会读心术：MindPower框架带来的震撼与思考

AI并没有简化软件工程：它只是让糟糕的工程更容易实现了

发表回复取消回复