MiroFish：基于多智能体技术的开源 AI 推演预测引擎

在这里插入图片描述

MiroFish 是一款基于多智能体技术的开源 AI 预测引擎，能够基于现实种子信息构建平行数字世界进行仿真推演。下面为您详细介绍这个项目以及本地部署和使用流程。

一、MiroFish 项目概述

核心功能

种子信息驱动预测：支持从突发新闻、政策草案、金融信号、数据分析报告或小说故事中提取种子信息，生成预测任务输入。
平行数字世界构建：自动搭建高保真仿真环境，让具备独立人格、长期记忆与行为逻辑的智能体在其中自由交互和演化。
自然语言预测交互：用户可直接用自然语言描述预测需求，无需手工编排复杂规则。
预测报告生成：模拟完成后输出详尽预测报告，并由 ReportAgent 与仿真环境进行深度交互。
模拟世界深度对话：支持与模拟世界中任意角色对话，也可以与报告代理继续追问。

技术架构

GraphRAG + 长期记忆：种子材料自动拆解成实体关系、人设画像、事件链，Zep Cloud 驱动记忆
OASIS 仿真引擎：基于 CAMEL-AI 团队开源的 OASIS 引擎，支持数千 Agent 并行运行
ReACT 模式驱动：ReportAgent 采用 Reasoning & Acting 范式，主动调研而非被动生成
双平台并行模拟：两个仿真平台同时运行，互相验证，动态更新时序记忆

应用场景

舆情推演：对热点事件、校园舆情、品牌公关风险等进行动态模拟与走势预测
政策与决策预演：在零风险环境中对政策、公关方案或复杂决策进行试错和预演
金融与时政预测：金融方向推演预测、时政要闻推演预测
文学与创意仿真：小说剧情延展、结局推演，如《红楼梦》失传结局预测
多智能体研究：探索群体涌现、社会仿真和多智能体交互机制

二、本地部署详细指南

环境要求

Node.js：18 及以上版本
Python：3.11 至 3.12 版本（不要使用 3.13）
uv：最新版 Python 包管理器
Docker & Docker Compose（如果选择 Docker 部署）

部署方式对比

部署方式	优点	缺点	适用场景
Docker 部署	快速便捷、环境一致、隔离性好	定制化程度较低	快速体验、生产环境
源码部署	深度定制、灵活性高	依赖环境复杂	开发调试、二次开发

Docker 部署步骤（推荐新手）

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

步骤	名称	核心任务	输出成果
Step 01	知识初始化	上传种子材料，系统通过 LLM 自动梳理本体结构	关键节点识别、实体关系图谱
Step 02	仿真编排	生成性格迥异的 Profile，配置时间步长、事件触发逻辑	智能体人设配置、环境参数设置
Step 03	实时演推	启动模拟，观察情绪扩散路径，捕捉关键节点	动态图谱可视化、实时行动日志
Step 04	AI 深度诊断	ReportAgent 介入，将非结构化数据转化为逻辑严密的叙事	结构化预测报告、风险分析
Step 05	决策下达	获得包含'最佳回应节点'、'风险触发带'的终极报告	可执行洞察、对策收益预测

详细操作流程

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
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？'
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
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
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

MiroFish：基于多智能体技术的开源 AI 推演预测引擎

一、MiroFish 项目概述

核心功能

技术架构

应用场景

二、本地部署详细指南

环境要求

部署方式对比

Docker 部署步骤（推荐新手）

源码部署步骤（更灵活）

三、完整使用工作流程

五步标准化工作流程

详细操作流程

四、应用案例

案例 1：武汉大学舆情推演

案例 2：《平凡的世界》理想化结局模拟

案例 3：特斯拉财报股价预测

更多推荐文章

相关免费在线工具

MiroFish：基于多智能体技术的开源 AI 推演预测引擎

一、MiroFish 项目概述

核心功能

技术架构

应用场景

二、本地部署详细指南

环境要求

部署方式对比

Docker 部署步骤（推荐新手）

源码部署步骤（更灵活）

三、完整使用工作流程

五步标准化工作流程

详细操作流程

四、应用案例

案例 1：武汉大学舆情推演

案例 2：《平凡的世界》理想化结局模拟

案例 3：特斯拉财报股价预测

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具