MiroFish：基于多智能体技术的开源 AI 推演预测引擎

1. 访问服务
   • 前端界面：http://localhost:3000
   • 后端 API：http://localhost:5001

一键启动

docker compose up -d

配置环境变量

cp .env.example .env 

编辑 .env 文件，填入以下关键配置：

# LLM 配置（支持任意兼容 OpenAI SDK 格式的 API）
LLM_API_KEY=your_api_key_here
LLM_BASE_URL=your_api_base_url
LLM_MODEL_NAME=qwen-plus # 或其他模型
# Zep Cloud 配置（用于 GraphRAG 知识图谱）
ZEP_API_KEY=your_zep_api_key

克隆仓库

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

源码部署步骤（更灵活）

安装依赖并启动

# 一键安装所有依赖
npm run setup:all
# 启动开发服务器
npm run dev

克隆并配置项目

git clone https://github.com/666ghj/MiroFish.git
cd MiroFish
cp .env.example .env # 编辑.env 文件配置 API 密钥

安装 uv 包管理器

curl -LsSf https://astral.sh/uv/install.sh | sh
source ~/.bashrc

安装 Python 3.11

sudo apt install -y python3.11 python3.11-venv python3.11-dev

安装基础依赖

# Ubuntu 系统示例
sudo apt update && sudo apt upgrade -y
sudo apt install -y curl git build-essential
# 安装 Node.js 18
curl -fsSL https://deb.nodesource.com/setup_18.x | sudo -E bash -
sudo apt install -y nodejs
# 验证安装
node -v # 应输出 v18.x.x
npm -v # 应输出 9.x 或更高

三、完整使用工作流程

五步标准化工作流程

详细操作流程

1. 上传种子材料
   • 支持格式：PDF、MD、TXT 等非结构化数据
   • 内容类型：新闻报道、政策草案、金融报告、小说文本等
   • 示例：上传《平凡的世界》PDF 文件，假设'田晓霞和贺秀莲没有去世'的场景
2. 描述预测需求
   • 用自然语言输入模拟或预测需求
   • 示例：'如果武汉大学发布撤销肖某处分的公告，会引发什么舆情走向？'
3. 系统自动构建
   • 图谱构建：提取实体关系，形成语义体系，进行关联度分析
   • 环境搭建：生成 Agent 人设，预期 Agent 总数可达 77 个（实际生成 61 个）
   • 双平台配置：生成模拟配置，初始激活编排
4. 运行模拟
   • 设置模拟轮数：默认 100 轮，建议先尝试 20-40 轮以减少等待时间和错误概率
   • 观察智能体交互：在动态图谱中观察情绪的扩散路径
   • 实时监控：右侧显示清晰行动路线，观察不同 Agent 在模拟世界中的活跃状态
5. 查看结果
   • 预测报告：ReportAgent 生成的详细分析报告
   • 深度交互：与模拟世界中任意角色对话，或与 ReportAgent 继续追问
   • 示例报告内容：包含叙事范式转变、社会心理补偿机制、情感支持成为核心驱动力等深度分析

• 模拟轮数：先进行小于 40 轮的模拟尝试，模拟消耗较大

四、应用案例

案例 1：武汉大学舆情推演

• 种子材料：武汉大学相关舆情报告
• 预测需求：模拟撤销处分公告后的舆情演化
• 输出结果：舆情爆发、发展和变化趋势预测，为决策提供参考

案例 2：《平凡的世界》理想化结局模拟

• 种子材料：《平凡的世界》PDF 文件
• 预测需求：假设田晓霞和贺秀莲没有去世的故事走向
• 输出洞察：
  1. 叙事范式从'苦难美学'转向'圆满叙事'
  2. 情感支持成为个体阶层跨越的关键加速器
  3. 重塑乡村社区的集体记忆与公共话语

案例 3：特斯拉财报股价预测

• 种子材料：特斯拉最近的分析报告
• 预测需求：发布财报当日股价涨跌预测
• 模拟过程：生成华尔街、分析师、Elon Musk 等 26 个不同人设的 Agent
• 预测结果：多家机构对特斯拉股价的态度转为悲观