今天在 GitHub Trending 上看到一个有意思的项目：MiroFish，一个简洁通用的群体智能引擎，能够"预测万物"——只需上传种子材料（数据分析报告或有趣的小说故事），用自然语言描述预测需求，就能获得详细的预测报告和一个可深度交互的高保真数字世界。
一、项目概述
MiroFish 是由盛趣游戏孵化的下一代 AI 预测引擎，核心技术是多智能体（Multi-Agent）系统。它的核心理念是：在数字沙盒中彩排未来，在无数次模拟中赢得决策。
用户只需做两件事：
- 上传种子材料：数据分析报告、突发新闻、政策草案，或一本小说的前 80 回
- 用自然语言描述预测需求：比如"预测这条政策推出后的舆论走向"
MiroFish 会返回：
- 一份详细的预测报告
- 一个可深度交互的高保真数字世界，你可以与其中的任意智能体对话
核心特性
- 多智能体平行推演：数千个具有独立人格、长期记忆的智能体同时在数字世界中交互
- GraphRAG 图谱增强：自动构建实体关系图谱，为智能体注入背景知识
- 动态时间记忆更新：随时间推移，智能体的记忆和行为逻辑持续演进
- 零风险决策 rehearsal：宏观层面是政策制定者的推演实验室，微观层面是个人用户的创意沙盒
- 深度交互：推演结束后可与任意智能体对话，甚至与 ReportAgent 互动追问细节
二、技术原理
架构设计
MiroFish 的技术栈非常清晰：前端 Node.js + 后端 Python，支持 Docker 一键部署。
Graph Building → Environment Setup → Simulation → Report Generation → Deep Interaction
1. Graph Building（图谱构建） 从种子材料中提取关键实体与关系，构建 GraphRAG 知识图谱，作为所有智能体的共同知识背景。
2. Environment Setup（环境配置）
- 实体关系提取
- 人格画像生成（Persona）
- Agent 行为逻辑配置注入
3. Simulation（平行模拟）
- 双平台并行模拟（前端 + 后端）
- 自动解析预测需求，动态注入变量
- 实时更新每个智能体的时序记忆
4. Report Generation（报告生成） ReportAgent 配备丰富的工具集，可深度查询推演后的世界状态，生成结构化预测报告。
核心技术栈
| 组件 | 技术选型 | 说明 |
|---|---|---|
| 前端 | Node.js 18+ + React | 用户交互界面 |
| 后端 | Python ≥3.11, ≤3.12 | 核心推理与模拟引擎 |
| Python 包管理 | uv | 快速的 Python 包管理器 |
| LLM | OpenAI SDK 兼容接口 | 推荐阿里云通义 Qwen-plus（Bailian 平台） |
| 长期记忆 | Zep Cloud | 智能体记忆管理 |
| 底层模拟引擎 | OASIS | CAMEL-AI 开源的智能体社交模拟框架 |
| 部署 | Docker Compose | 一键部署前后端服务 |
关键源码结构
从项目源码中可以看到，核心模拟逻辑通过 Python 后端实现：
# backend/pyproject.toml 中定义的依赖包含：
# - fastapi（API 层）
# - openai（LLM 调用）
# - zepython（Zep 记忆集成）
# - camel（CAMEL 多智能体框架）
前端以 React 构建，服务于交互体验：
// package.json 核心脚本
{
"dev": "concurrently --kill-others -n \"backend,frontend\" -c \"green,cyan\" \"npm run backend\" \"npm run frontend\"",
"backend": "cd backend && uv run python run.py",
"frontend": "cd frontend && npm run dev"
}
三、安装与快速开始
环境要求
| 工具 | 版本要求 |
|---|---|
| Node.js | 18+ |
| Python | ≥3.11, ≤3.12 |
| uv | Latest |
一键安装（推荐）
# 克隆项目
git clone https://github.com/666ghj/MiroFish.git
cd MiroFish
# 复制环境变量模板
cp .env.example .env
# 编辑 .env，填入 LLM_API_KEY 和 ZEP_API_KEY
# 一键安装所有依赖（Node + Python）
npm run setup:all
启动服务
npm run dev
启动后访问：
- 前端界面：http://localhost:3000
- 后端 API：http://localhost:5001
Docker 部署
# 配置好 .env 后
docker compose up -d
四、使用方法与实战
基础用法
- 打开前端界面（http://localhost:3000）
- 上传种子材料（文本或报告）
- 用自然语言描述你的预测目标
- 点击开始模拟，等待 ReportAgent 生成报告
- 阅读预测报告，与感兴趣的角色智能体继续对话
进阶用法
- 自定义 Agent 人格：在配置文件中调整每个 Agent 的行为参数
- 注入动态变量：在模拟过程中从"上帝视角"实时注入新变量，观察预测轨迹变化
- 深度追问：与 ReportAgent 对话，针对报告中的任意结论追问细节和证据
项目自带演示案例
MiroFish 在 README 中提供了两个精彩的演示视频：
- 武汉大学舆情模拟：模拟一条突发新闻在网络上的传播与演化
- 红楼梦丢失结局推演：基于前 80 回数十万字文本，推演林黛玉、薛宝钗等角色的后续命运
五、常见问题与解决方案
Q: npm run setup:all 报错，Python 依赖安装失败？
确保 Python 版本在 3.11~3.12 范围内，并安装最新版的 uv：
pip install uv
Q: 模拟过程中 LLM API 调用频繁报 429 限流错误？
推荐使用阿里云 Bailian 平台的 Qwen-plus 模型，并在 .env 中配置 API Key；简单场景每月免费额度足够使用。
Q: Docker 部署后前端 / 后端端口无法访问？
检查 .env 是否在项目根目录下，Docker Compose 默认映射 3000（前端）和 5001（后端）端口。
Q: 如何与模拟世界中的特定智能体对话？ 在 ReportAgent 生成报告后，界面会列出所有参与模拟的智能体，点击任意一个即可发起对话。
六、总结
MiroFish 是一个极具想象力的开源项目，它将多智能体模拟与 LLM 结合，让"预测未来"从抽象概念变成了可操作的数字推演工具。无论是政策推演、舆情预测还是文学推续，MiroFish 都展现了群体智能在复杂系统建模上的独特优势。盛趣游戏的技术孵化背景加上 CAMEL-AI 的开源底座，让这个项目在技术深度和工程成熟度上都值得信赖。
如果你对 AI 模拟、多智能体系统或 LLM 应用感兴趣，MiroFish 是一个值得深入研究的优质项目。
🔗 GitHub: https://github.com/666ghj/MiroFish
🐳 Docker: https://hub.docker.com/（构建中）