MiroFish ：让上千个 AI 智能体替你把未来「排练」一遍

6 0 0

AI智库导航-aiguide.cc为您提供最新的AI新闻资讯和最新的AI工具推荐，在这里你可以获得用于营销的AI聊天机器人、AI在商业管理中的应用、用于数据分析的AI工具、机器学习模型、面向企业的AI解决方案、AI在商业客户服务中的应用、AI和自动化工具等。

主要介绍

MiroFish 是一个基于多智能体技术构建的 AI 预测引擎，由当时 20 岁的中国科学技术大学学生 BaiFu 开源，GitHub 仓库为 666ghj/MiroFish，采用 AGPL-3.0 许可证，主语言为 Python（约 66.6%）与 Vue（约 32.5%）。项目于 2025 年 11 月 26 日建仓，目前累计 73,652 Star 与 11,321 Fork，并已获得盛大集团的战略支持与孵化——这也是它与其他同类学术项目最显著的差别：一个从学生毕设级 Demo 快速长成有产业资源投入的开源基础设施。

它的定位不是又一个「问答型 AI 助手」，而是「社会仿真预测引擎」。在方法论上它属于学术界已有几十年历史的 Agent-Based Modeling（基于主体的建模）路径，但做了一个关键升级：把 LLM 注入到每一个主体中。于是智能体不再是简单规则引擎里按条件判断的棋子，而是能理解语境、有性格倾向、会记忆、能辩论的「个体」。MiroFish 的价值就在于把这套原本需要研究者手写建模的工作，压缩成了「上传材料 + 描述需求」两个动作。

它最出圈的案例是《红楼梦》失传结局推演。团队上传了前 80 回原著共约 15 万字，系统据此构建出包含 905 个实体节点、3822 条关系边的知识图谱，节点关系网的核心正是宝玉，与黛玉、宝钗、贾母、袭人等角色的关系边数量最多；随后抽取出 580 个人设（每个都带全景经历、独特记忆、行为模式、社会关系网络，甚至包含 MBTI 性格标签，例如贾代儒被标注为 ISTJ），经过 30 轮双世界模拟，五百多个智能体累计产生近 2000 个活动。有意思的是，它推演出的部分结局与现存《红楼梦》后四十回基本吻合，比如黛玉焚稿断情、柳湘莲削发出家；而在宝玉的归宿上，它给出了与高鹗续本不同的答案——不是参加科举，而是在连番打击下精神遭受重创，随疯道人而去，不知所踪。整个流程从第一步到模拟结束，后台花费约 14 元人民币。

666ghj/MiroFish 仓库预览图：简洁通用的群体智能引擎，GitHub 73,652 Star

功能特点

零代码自然语言驱动：用户只需上传种子材料（支持 TXT、PDF 报告、新闻稿、小说片段等文本）并用自然语言描述预测需求，例如「基于以上新闻报道，预测接下来 7 天的舆情走势」或「用《红楼梦》前 80 回的内容，推演一个可能的结局走向」，系统会自动完成图谱构建、实体关系抽取、智能体生成与仿真推演。官方明确表述「用户无需编程基础」。
四阶段流水线：图谱构建（种子抽取 + 个体与集体记忆注入 + GraphRAG 构建）→ 环境搭建（实体关系抽取 + 人设生成 + Agent 配置注入）→ 模拟运行（双平台并行仿真 + 自动解析预测需求 + 动态时序记忆更新）→ 报告生成（ReportAgent 携丰富工具集与模拟后环境深度交互）。
大规模并行社会仿真：底层由 CAMEL-AI 团队开源的 OASIS（Open Agent Social Interaction Simulations）引擎驱动，可支撑数百至数千个智能体同时运行，智能体之间会产生引用、评论、回应等真实社交互动，从而让群体智能的涌现效应得以还原。
时序 GraphRAG 知识图谱：从种子文本中提取关键实体与关系网络，构建带时序信息的知识图谱，为每个智能体注入独特的背景记忆与初始状态。图谱节点可点击查看角色详细介绍与该角色在故事中发生的最新事件总结（如黛玉的最新事件对应第 76 回的「冷月葬诗魂」）。
上帝视角变量注入：支持在模拟进程中实时注入新变量或调整参数，精确观察不同条件对事件发展路径的影响，实现零风险决策预演。这是「沙盘」相对「单次问答」最有价值的差异点。
深度交互能力：模拟完成后，用户可以与数字世界中的任意智能体进行一对一对话，也可以向专门的 ReportAgent 咨询，深入了解推演细节与逻辑依据，而非只能拿到一份封闭结论。
结构化预测报告：系统自动整合多轮模拟结果，输出包含事件脉络、关键节点、趋势判断与风险预警的结构化分析报告，辅助决策者形成判断。
长期记忆维护：借助 Zep Cloud 维护智能体的长期记忆，使智能体的态度与行为能在多轮模拟中保持一致性与演化性，避免出现「每一轮都像换了个人」的失真。
双平台并行模拟：通过双平台并行执行同一套初始化配置，既提升效率，也让结果具备多样性与可比性，减少单次模拟的偶发性。
多场景适配：官方与社区已验证的场景涵盖舆情危机推演、政策与公关方案预演、金融与宏观趋势推演、企业战略演进分析、文学创意仿真等多个领域，且提供可直接访问的在线体验 Demo，无需部署即可先感受效果。

优缺点

优点：

零代码、零门槛是它最硬的差异化：上传材料 + 自然语言描述需求即可获得预测报告和可交互数字世界，官方明确「用户无需编程基础」，这在多智能体仿真这个历来偏学术、偏工程的领域里是罕见的。对没有建模能力的普通用户，它把过去只有研究者才能做的事变成了可操作的产品动作。
方法论路径独特，绕开了单点生成的可靠性陷阱：不做「模型直接预测」，而是构造平行世界让结果涌现。这条 ABM + LLM 的路线上限更高，因为结论来自智能体之间的相互作用，而非某一次语言采样；同时它天然支持反事实推演（注入变量看分岔），这是单点问答模式做不到的。
技术栈整合完整，不是玩具 Demo：OASIS 仿真引擎 + 时序 GraphRAG + Zep Cloud 长期记忆 + 双平台并行模拟 + ReportAgent 四层结构完整，工程密度与概念演示项目拉开了明显差距。
案例说服力强，可验证性高：红楼梦推演的完整链路（15 万字 → 905 实体 / 3822 关系边 → 580 人设 → 30 轮双世界模拟 → 近 2000 个活动）公开透明，且推演结论与现存版本存在可对照的吻合与差异，同时约 14 元的成本透明化，是难得的「可复核」案例。
叙事与产业背书兼具，社区势能强：作者 BaiFu 的前作 BettaFish（多 Agent 舆情分析助手）开源一周即涨约 2 万 Star，MiroFish 是其自然延续；项目已获盛大集团战略支持与孵化，团队正在招募全职与实习，AGPL-3.0 开源，说明这不是一次性发布而是有持续投入意图的项目。

缺点：

代码活跃度已明显停滞，需重点注意：仓库最近 5 次提交全部是 chore: update star history [skip ci] 这类自动化脚本，最后一次为 2026 年 9 月 3 日；最新正式 Release 为 v0.1.2，发布时间停留在 2026 年 3 月 7 日。也就是说，功能层面的实质性开发已有一段时间没有推进（可能与作者加入盛大后转入商业化孵化有关）。对希望立即在生产环境依赖它的团队，这是必须纳入评估的风险项。
运行门槛与成本并不为零：需要同时配置 LLM API（推荐阿里百炼 qwen-plus，兼容任意 OpenAI SDK 格式接口）与 Zep Cloud 两套密钥；官方明确提醒 token 消耗不低，建议先用少于 40 轮的模拟熟悉流程与成本；资源层面建议 4 核 8GB、40GB 硬盘起（纯本地小规模推演 2 核 4GB 可跑，但跑大报告不稳定）。智能体数量与推演轮次越多，成本增长越陡。
输出质量存在已知短板：作者自述当输入文本量过大时，结果可能出现中英文混杂的情况，并承诺后续优化。此外，模拟结论本质上是对「可能性空间」的推演而非确定性预测，用户的解读方式会显著影响实际价值，误当作精准预言使用会产生误导。
使用环节零代码，但上手仍有一步环境门槛：虽然实际操作是「上传 + 描述」，但要跑在自己机器上仍需完成 Docker Compose 启动，或 Node 与 Python 环境配置、依赖安装、密钥填写等步骤。对完全没有技术背景的用户，这一步仍需要有人协助，并非下载即用的成品软件。

如何使用

MiroFish 的日常操作完全不需要编程，全部在网页界面完成；只有首次把服务跑起来这一步需要一点动手。

第一步，把服务启动起来。官方提供两条路径：其一，源码部署，依次完成依赖安装与前后端启动，前端默认跑在 3000 端口、后端 API 跑在 5001 端口；其二，Docker 部署，准备好环境变量文件后启动容器即可，默认同样映射 3000 与 5001 端口。推荐 Docker 路线，环境更统一，官方镜像里也附带了加速镜像地址的注释。

第二步，填写两份密钥。一是 LLM 接口，任何兼容 OpenAI SDK 格式的服务都可以，官方推荐使用阿里百炼平台的 qwen-plus 模型；二是 Zep Cloud 的密钥，用于 GraphRAG 与智能体记忆，每月免费额度足够简单体验。这两项是官方列出的必需配置。

第三步，打开界面开始推演。浏览器访问本机或服务器的对应端口，进入首页后上传种子材料——可以是研究报告、新闻稿、小说正文等文本内容。

第四步，用自然语言描述你想预测什么。例如「基于以上新闻报道，预测接下来 7 天的舆情走势」，或者直接用小说前 80 回推演一个可能的结局走向。这一步不需要任何格式规范，按平时说话的方式写清楚诉求即可。

第五步，等待系统自动处理。MiroFish 会依次完成图谱构建、实体关系抽取、人设生成与仿真推演。这个过程耗时取决于材料体量与设置轮次，官方建议第一次先跑 40 轮以内的轻量模拟。

第六步，查看结果并继续交互。你会得到两份产出：一份结构化的预测报告，以及一个可交互的数字世界。在报告里可以看到事件脉络、关键节点、趋势判断与风险预警；在数字世界里可以点击任意智能体查看其人设与活动轨迹，与它一对一对话，或者以「上帝视角」注入新变量重跑推演，观察事件走向如何分岔。如果对推演逻辑有疑问，还可以直接向 ReportAgent 追问依据。

第七步，控制成本与观察日志。官方反复提醒 LLM 调用费用会随智能体数量和推演时长上升，建议从小规模试起；部署过程中若遇到异常，查看容器日志是最高效的排查方式。若打算长期使用或给多人使用，可以在前面加一层反向代理并绑定域名与 HTTPS。

框架技术原理

MiroFish 的核心是一个四阶段流水线，每一步都对应明确的技术组件。

第一阶段是图谱构建。系统从种子材料中抽取关键实体与相互关系，利用时序 GraphRAG 技术构建动态知识图谱，并为每个智能体注入独特的背景与初始记忆。这一步决定了后续所有推演的「事实基底」是否扎实——红楼梦案例中的 905 个实体节点与 3822 条关系边就产生在这一步。

第二阶段是环境搭建。系统基于上一步的知识图谱抽取实体关系并生成智能体人设，人设维度包括角色在故事中的全景经历、独特记忆、行为模式、社会关系网络，甚至包含 MBTI 性格标签；同时配置双平台模拟参数、初始激活事件与激活话题，为仿真运行做好准备。红楼梦案例在这一步生成了 580 个人设，即 580 个待生成的 Agent。

第三阶段是模拟运行。仿真引擎由 CAMEL-AI 团队开源的 OASIS 驱动，支持数百至数千 Agent 并行运行；智能体之间自由交互、辩论、决策，会产生引用与评论等真实社交互动（如某角色描述昨日情形后，另一角色回复评价），而这些互动正是群体智能涌现的来源。系统在运行过程中动态更新时序记忆，记录演化轨迹。

第四阶段是报告生成与深度交互。专门的 ReportAgent 拥有丰富工具集，可以与模拟后的环境进行深度交互，自动解析用户的预测需求，整合多轮推演数据提取关键事件、趋势与转折点，最终输出结构化的预测分析报告。用户随后还能继续与任意智能体或 ReportAgent 对话，追问推演逻辑。

在工程实现上，前端为 Vue 应用，后端为 Python 服务，通过容器化或本地双进程方式协同；长期记忆由 Zep Cloud 承担，使智能体的态度与行为在多轮模拟之间保持连续。整套系统对外暴露的接口是「上传材料 + 自然语言需求」，对内则是一套完整的多智能体社会仿真基础设施。

创新点

把 Agent-Based Modeling 与 LLM 做了产品级融合：ABM 在学术界已有几十年历史，但传统 ABM 的智能体是规则驱动的，行为僵硬；MiroFish 把 LLM 注入每个主体，使其能理解语境、具备性格与记忆。这一融合并非首创概念，但把它封装成零代码产品是实质性的跨越。
用「造世界」代替「给答案」，从根本上改变预测的交互方式：预测不再是拿到一个封闭结论，而是得到一个可继续追问、可注入变量重跑、可与其中个体对话的世界。这让用户从「接受结论」变成「参与推演」，是方法论层面的创新而非功能叠加。
上帝视角变量注入让反事实推演变得可操作：在模拟进程中实时注入新变量并观察走向分岔，等价于给决策者一个零风险的试验场。政策与公关方案预演的价值正来源于此。
时序 GraphRAG 与长期记忆的组合解决了仿真的「人格漂移」问题：通过时序知识图谱 + Zep Cloud 记忆层，智能体在多轮交互后仍然保持一致的人设与立场，这是长时程社会仿真能否成立的关键技术条件。
成本透明化与轻量部署降低了仿真研究的门槛：公开约 14 元的完整推演成本、支持 2 核 4GB 起步的小规模本地运行、提供在线 Demo 免部署体验，让原本需要实验室算力与人力投入的仿真研究，变成了个人开发者与小团队可以反复试验的工具。

评估标准

判断一个多智能体仿真预测框架是否值得关注或引入，可以从五个维度考察。第一，输入门槛与易用性：是否支持直接上传自然语言材料、是否允许用日常语言描述需求、是否需要用户自行建模或写代码，这决定了它能覆盖多大的人群。第二，仿真引擎的承载规模与真实性：底层引擎能支撑多少个智能体并行、智能体之间是否具备真实的社交互动（引用、评论、回应）、是否存在平台的多样性以避免单次模拟的偶发偏差。第三，记忆与一致性机制：是否有长期记忆层（如向量库、知识图谱、云端记忆服务）来维持智能体人设与立场的一致性，能否避免长时程仿真中的人格漂移。第四，结果的可交互性与可验证性：输出是否只是一份封闭报告，还是允许与智能体对话、注入变量重跑、追问推演依据；案例是否公开完整链路与成本以便复核。第五，项目健康度：代码活跃度（近期提交是否包含实质性功能开发而非自动化脚本）、正式版本发布节奏、许可证类型（AGPL-3.0 对商业集成有传染性要求）、是否有产业资源或团队持续投入、部署与运行成本是否透明。

应用领域

舆情推演与危机公关预演：把热点事件相关报道作为种子材料输入，模拟媒体、公众、相关方等角色的反应与博弈，预判舆情走势并在零风险环境中测试不同回应方案的效果。这是官方 Demo 展示的主场景，也是与作者前作 BettaFish 舆情分析能力衔接最自然的延伸。
公共政策与方案预演：把政策草案、行业报告作为输入，模拟不同群体在新规则下的行为反应，观察可能出现的反弹、适应与连锁效应，为政策制定提供决策参考沙盘。
金融与宏观趋势推演：输入市场数据、政策信号与新闻事件，模拟市场参与者的行为反应与交易决策，推演宏观调整或重大事件后的连锁反应，形成前瞻性判断。官方已展示过针对特定公司大规模融资后战略演进与市场影响的分析案例。
企业战略与竞争分析：将行业报告、竞品动态作为种子信息，模拟多方博弈下战略选择的可能后果，用于内部战略讨论与风险评估，帮助管理层在投入资源之前先跑一遍「可能性空间」。
文学创作与创意仿真：用小说原文推演可能的结局走向、分支剧情与人物关系演变，既可作为创作者的灵感工具，也可用于 IP 开发方向的前期探索。红楼梦结局推演是该领域的标杆案例。

项目地址

以下是 MiroFish 的官方入口与可直接体验的资源地址。

项目官网提供产品定位、核心理念与最新动态；在线体验 Demo 准备了针对热点公共事件的推演案例，无需自行部署即可感受完整流程；代码仓库包含全部前后端源码、Docker 部署文件与 Issue 讨论区；DeepWiki 提供基于代码库自动生成的结构化技术文档，适合在部署或二次开发前快速建立整体认知。

仓库中同时提供了英文与中文两份 README，环境变量配置、依赖安装、启动方式与服务端口均有完整说明；官方也在 README 中提醒先从小轮次模拟试起，以熟悉流程与成本。

项目官网：https://mirofish.ai
代码仓库：https://github.com/666ghj/MiroFish
官方文档：https://deepwiki.com/666ghj/MiroFish（含在线体验 Demo https://666ghj.github.io/mirofish-demo/）

项目	GitHub 规模	使用门槛	核心路径	定位与差异
MiroFish（本期）	73,652 Star / 11,321 Fork	零代码：上传材料 + 自然语言描述需求	时序 GraphRAG + OASIS 引擎 + Zep 记忆 + 双平台并行	通用群体智能预测引擎，跨行业可迁移，AGPL-3.0
TauricResearch/TradingAgents	106,725 Star / 20,395 Fork	编程型：需调用 Python 框架与配置模型接口	多角色 Agent 分工协作（分析师团队、研究员辩论、交易员、风控）	金融垂域专用，方法论有 arXiv 论文支撑，Apache-2.0
CAMEL-AI/OASIS	学术开源项目	编程型：需自行编写仿真配置与运行脚本	纯社会交互仿真引擎，不自带 LLM 编排与报告层	MiroFish 的底层引擎，能力更底层、上限更高但不面向终端用户
666ghj/BettaFish（同作者前作）	开源一周涨约 2 万 Star	零代码：输入热点话题即可	多 Agent 团队协作做全网检索与观点碰撞	舆情分析助手，输出分析报告；MiroFish 在其上把「分析终点」变成「预测起点」
CopilotKit/OpenBot	4,960 Star / 628 Fork	中等：需 Docker 与账号、模型密钥	策略闸门（CEL policy）先行决策后执行并记录	面向 Agent 执行治理而非预测，MIT 许可，解决的是「敢不敢把工具交给 Agent」问题

暂无评论

暂无评论...