MiroFish：多智能体技术的开源AI推演预测引擎
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 |shsource ~/.bashrc 安装Python 3.11
sudoaptinstall-y python3.11 python3.11-venv python3.11-dev 安装基础依赖
# Ubuntu系统示例sudoapt update &&sudoapt upgrade -ysudoaptinstall-ycurlgit build-essential # 安装Node.js 18curl-fsSL https://deb.nodesource.com/setup_18.x |sudo-Ebash - sudoaptinstall-y nodejs # 验证安装node-v# 应输出v18.x.xnpm-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：
- 叙事范式从"苦难美学"转向"圆满叙事"
- 情感支持成为个体阶层跨越的关键加速器
- 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
