GitHub 一周 Star增加量 破千：MiroFish 群体智能引擎，中国开发者预测万物的沙盘

导言

过去两年，AI 预测几乎被大模型垄断——丢数据、给提示、拿答案。但大模型有一个根本局限：它只会"一个人思考"。2026 年 5 月，由中国团队 666ghj 开发的 MiroFish 登上 GitHub Trending，用另一条路破局：让数千个具备独立人格的 AI 智能体在一个平行数字世界中自由交互、演化，从群体行为中涌现出预测结果。它不追求更强的单模型，而是追求"更多的智能体 × 更真实的社交模拟"。

本文适合需要政策推演、市场预判、舆情分析的开发者与决策者；不适合追求"一行 API 调用即出结果"的轻量用户。

一句话结论：MiroFish 是目前开源领域最接近"社会模拟器"的工具，值得每个做预测类应用的团队花 30 分钟跑一次 demo。

§1 它是什么？解决什么问题

MiroFish 是一个基于多智能体（Multi-Agent）技术的群体智能预测引擎。核心理念：从现实世界抽取"种子信息"（突发新闻、政策草案、金融信号等），自动构建一个高保真的平行数字世界，里面运行着数千个拥有独立人格、长期记忆和行为逻辑的智能体。它们自由交互、社交演化，用户以"上帝视角"注入变量，就能精确推演未来轨迹。

它解决的痛点有三：

• 单点预测的盲区：传统模型只给出统计意义上的"最可能结果"，丢失了社会系统中"少数派引发蝴蝶效应"的可能性。
• 沙盘成本过高：政策推演、公关预演通常需要人工搭建模拟环境或雇佣咨询团队，成本动辄数十万。MiroFish 让零风险彩排变得廉价。
• "What if" 的创意需求：从小说结局推演到市场策略 A/B 测试，个体用户也需要轻量化的社会模拟工具。

§2 核心能力与架构亮点

MiroFish 的架构可以概括为四步流水线：

1. 图谱构建（Graph Building）：从种子材料中抽取实体关系，构建知识图谱（GraphRAG），注入个体与集体记忆。这意味着系统"理解"角色之间的关联，而非随机生成对话。

2. 环境设定（Environment Setup）：自动从材料中提取人物画像（Persona），配置每个智能体的性格、动机、行为规则。一个"武汉大学生"和一个"政策制定者"在模拟中会有截然不同的反应路径。

3. 并行仿真（Simulation）：双平台并行模拟 + 自动解析预测需求 + 动态时间记忆更新。关键创新在于记忆的时间维度——智能体会随"模拟时间"推进而更新认知，不是静态回复。

4. 报告生成（Report Generation）：内建 ReportAgent 配备丰富工具集，可深度交互后仿真环境，输出结构化预测报告。

底层仿真引擎由 OASIS（CAMEL-AI 开源）驱动，MiroFish 在其之上构建了完整的用户交互层和报告系统。

§3 快速上手

环境要求

• 操作系统：macOS / Linux / Windows（WSL2 推荐）
• Python：≥3.11，≤3.12（3.13 暂不支持）
• Node.js：18+（含 npm）
• LLM API：支持 OpenAI SDK 格式的任何接口（推荐阿里云百炼 Qwen-plus）
• 内存：建议 16GB+（智能体规模越大越吃内存）
• GPU：非必需（LLM 调用走 API，本地仅做编排）

中国开发者推荐使用阿里云百炼平台的 `qwen-plus` 模型，兼容性好、延迟低。每次仿真消耗较高，建议先用少于 40 轮测试。

安装步骤

# 1. 克隆项目
git clone https://github.com/666ghj/MiroFish.git
cd MiroFish

# 2. 配置环境变量
cp .env.example .env
# 编辑 .env，填入以下关键配置：
# LLM_API_KEY=***
# LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
# LLM_MODEL_NAME=qwen-plus
# ZEP_API_KEY=***

# 3. 一键安装所有依赖
npm run setup:all

# 4. 启动前后端
npm run dev

服务启动后：

• 前端：`http://localhost:3000`
• 后端 API：`http://localhost:5001`

最小可运行示例

• 打开前端页面，上传一份"种子材料"（可以是某篇舆情分析报告、政策草案或小说章节）
• 用自然语言描述预测需求，如："如果这个政策在下月实施，公众反应会怎样？"
• 等待仿真完成，查看预测报告

常见报错与处理：

• `uv not found`：Python 包管理器未安装。运行 `curl -LsSf https://astral.sh/uv/install.sh | sh`，然后重新执行 `npm run setup:backend`
• `ZEP_API_KEY invalid`：Zep Cloud 配额用尽。去 app.getzep.com 注册新账号获取免费额度，小规模测试完全够用
• 前端白屏：检查 Node.js 版本是否 ≥18，前端依赖是否完整安装（`npm run setup`）

§4 适用场景与选型建议

推荐使用 MiroFish 的场景：

• 政策影响预演（政府 / 智库 / 咨询）
• 公关危机沙盘（企业品牌团队）
• 市场趋势群体预测（金融 / 投资）
• 小说/剧本结局推演（内容创作者）

不推荐的场景：

• 需要毫秒级响应的实时预测
• 只需简单数据分类/回归的传统 ML 任务
• 团队缺乏 LLM API 调用预算

如果你只是想快速搭一个多智能体对话系统，CrewAI 或 AutoGen 更轻量；但如果目标是"模拟社会群体的演化行为"，MiroFish 目前几乎没有同级别开源竞品。

§5 总结与相关资源

三条 Takeaway：

• MiroFish 用"群体智能"换道超车，不拼单模型精度，拼社会模拟的真实性
• Docker 一键部署 + 阿里云百炼 API 即可跑通，中国开发者无障碍
• 开源 + 盛大集团战略支持，项目稳定性有保障

相关资源：

• GitHub 仓库
• 中文文档
• 在线 Demo
• DeepWiki 深度解析
• OASIS 底层引擎