MiroFish 群体智能引擎速查指南：一份报告如何变成一份预测报告

MiroFish 群体智能引擎速查指南：一份报告如何变成一份预测报告

【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎，预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFish

上传一份市场分析或舆情通报，几小时后你会拿回一份自动生成的推演报告，以及一个可以被"盘问"的模拟世界。MiroFish正是这样一套简洁通用的群体智能引擎：它从种子文档里抽取实体与关系，批量生成带人设的智能体，让它们在虚拟的社交平台上互动演化，再把演化结果汇总成可交互的预测报告。

MiroFish 安装与首次运行

跑通它的前置条件很轻：Node.js 18+、Python 3.11~3.12、uv 包管理器。克隆仓库后核心流程就四行命令：

git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish cp .env.example .env # 填入 LLM 与 Zep 的 API Key npm run setup:all && npm run dev

启动后前端在 3000 端口、后端 API 在 5001 端口。.env里只要求两组配置：一组LLM参数（支持任何 OpenAI SDK 格式的接口，官方默认配了阿里百炼 qwen-plus），一组Zep记忆图谱的 Key（每月免费额度够用）。如果不想碰源码环境，仓库根目录的 docker-compose.yml 提供了等价的一键部署：配好.env后docker compose up -d即可。

首屏即最小闭环：左侧是五段式流水线状态，右侧拖入种子文件、用自然语言写清预测需求，一次完整推演就算开始了。

报告到报告：引擎内部在跑什么

MiroFish 的完整链路是五段流水线，每段都对应一个可查的模块：

• 图谱构建：ontology_generator.py 先根据文档内容自动生成实体本体（人物、组织、机构……），graph_builder.py 再把全文切块写入 Zep 图谱，形成可检索的 GraphRAG 底座；
• 环境搭建：oasis_profile_generator.py 为图谱里的每个实体生成人设档案，simulation_config_generator.py 则把你的自然语言需求解析成时间跨度、初始事件、各智能体的行为参数；
• 开始模拟：仿真引擎基于开源的 OASIS 框架，在类 Twitter 和类 Reddit 两个平台上并行跑，智能体会发帖、点赞、转发、关注、搜索；
• 报告生成：report_agent.py 里的 ReportAgent 先规划报告大纲，再借助 InsightForge 深度洞察、PanoramaSearch 全局检索等工具逐节取材撰写；
• 深度互动：模拟结束后你可以直接"采访"世界里任意一位智能体（后端提供interview_agent/interview_all_agents接口），也可以继续追问 ReportAgent。

它和普通"让大模型预测一下"的玩法差别在于证据链。普通 LLM 的回答是一句"我判断会……"，而 MiroFish 的结论背后是一轮轮真实发生的智能体动作流水和一条持续更新的记忆图谱——zep_graph_memory_updater.py 会把模拟中的动态实时写回 Zep，让智能体的认知随时间演化，也让报告里的每个判断都能回查到具体行为日志。

哪些材料喂进去效果好

从官方演示看，两类题材最能发挥它的长处。一类是舆情与公共事件：项目提供了基于《武大舆情报告》的完整推演演示，报告会还原情绪如何从观望走向极化；另一类是长文本创意推演：基于《红楼梦》前 80 回数十万字推演失传结局。此外金融、时政方向的示例也在陆续补充。共同点是：材料里实体和关系足够密集，推演才有抓手。反过来，若文档只是观点罗列而缺少具体的人、机构与事件，图谱会稀薄，模拟质量也会打折扣——写预测需求时把关键主体和关心走向点明，比堆形容词有用得多。

使用方式选择与常见坑

先说成本：多智能体长轮次模拟的 LLM 消耗不小，官方在 .env.example 里明确建议先用少于 40 轮的模拟尝试，确认流程没问题再加码。文件侧支持 pdf、md、txt、markdown，单文件上限 50MB。部署上，想改代码、加逻辑就选源码部署；只想稳定跑环境，Docker 方案更省心，两者读的是同一份.env。最后提醒一点：Python 版本被卡在 3.11~3.12 区间，高版本环境建议先用虚拟环境隔离，这也是后端用 uv 管理依赖的原因。

🧪 跑完一次模拟后，别急着关掉页面：左侧报告、右侧对话区里，你可以追问 ReportAgent 结论的来源，也可以点名采访某位智能体，这往往是比报告本身更有信息量的部分。

开始你的第一次推演：

1. 配好.env的两个 Key，跑通npm run dev
2. 找一份你熟悉的报告当种子，用自然语言写清预测问题
3. 顺着 backend/app/services/ 读一遍五段流水线的源码

每一轮推演都是一次可回溯的实验，而不是一句一次性结论。

【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎，预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFish