MiroFish：44.6k Stars 的群体智能预测引擎，让未来在数字沙盘中预演

目标读者：对 AI 预测、多智能体仿真、数字孪生感兴趣的研究者和开发者 核心问题：如何通过群体智能预测未来走向？ 难度：⭐⭐⭐⭐（专家设计） 来源：GitHub 666ghj/MiroFish，2026-03-28

一、项目概览

1.1 为什么这个项目值得关注

MiroFish 是盛大集团孵化的新一代 AI 预测引擎，基于多智能体技术构建群体智能仿真系统。与传统预测工具不同，MiroFish 不依赖历史数据统计，而是通过构建高保真的数字平行世界，让数千个具有独立人格、长期记忆和行为逻辑的 AI 智能体在仿真环境中自由交互演化。

核心数据：

项目定位：

简洁通用的群体智能引擎，预测万物 A Simple and Universal Swarm Intelligence Engine, Predicting Anything

1.2 核心理念

MiroFish 的核心创新在于不是预测单一结果，而是推演无限可能。

传统预测 vs MiroFish：

1.3 适用场景

宏观视角——决策者的预演实验室：

• 政策推演：预测某项政策发布后的社会反应
• 公关预案：模拟危机事件的多路径演化
• 市场预测：推演产品发布后的竞争格局变化

微观视角——个人用户的创意沙盘：

• 文学推演：基于《红楼梦》前80回预测后40回结局
• 剧本创作：探索故事发展的无限可能
• 商业模拟：推演创业决策的各种后果

二、技术架构

2.1 整体架构

MiroFish 采用前后端分离架构：

┌─────────────────────────────────────────────────────┐
│                     MiroFish                           │
├─────────────────────────────────────────────────────┤
│  Frontend (Vue 41.1%)                                 │
│  ┌─────────────────────────────────────────────┐     │
│  │  用户界面 / 可视化 / 交互层                   │     │
│  └─────────────────────────────────────────────┘     │
├─────────────────────────────────────────────────────┤
│  Backend (Python 57.8%)                               │
│  ┌──────────────┐  ┌──────────────┐  ┌────────────┐ │
│  │ OASIS Engine │  │ GraphRAG    │  │ReportAgent│ │
│  │ 仿真引擎     │  │ 知识图谱    │  │ 报告生成  │ │
│  └──────────────┘  └──────────────┘  └────────────┘ │
│  ┌──────────────┐  ┌──────────────┐                   │
│  │ Agent System │  │ Memory Layer │                   │
│  │ 智能体系统   │  │ Zep Cloud    │                   │
│  └──────────────┘  └──────────────┘                   │
└─────────────────────────────────────────────────────┘

2.2 核心技术组件

OASIS 仿真引擎：

MiroFish 的仿真引擎由 CAMEL-AI 的 OASIS 驱动，提供多智能体并行仿真的基础设施。

GraphRAG（知识图谱增强检索）：

基于知识图谱的检索增强生成技术，用于构建实体关系图，支持：

• 现实种子信息提取
• 个体与群体记忆注入
• 关系网络建模

Zep Cloud 记忆层（智能体记忆服务）：

为每个智能体提供长期记忆能力，支持：

• 智能体个性记忆
• 群体共享记忆
• 时序记忆动态更新

ReportAgent 报告生成：

专门的报告生成智能体，拥有丰富的工具集，可与仿真环境深度交互，生成预测报告。

2.3 技术栈

三、工作流程详解

3.1 五步工作流

MiroFish 的预测流程分为五个阶段：

种子输入 → 图谱构建 → 环境搭建 → 开始模拟 → 报告生成 → 深度互动

第一步：图谱构建

从现实世界提取「种子信息」，包括：

• 突发新闻
• 政策草案
• 金融信号
• 任意文本材料

然后通过 GraphRAG 构建知识图谱，注入个体记忆与群体记忆。

第二步：环境搭建

• 实体关系抽取：从种子材料中提取关键实体和关系
• 人设生成：为每个智能体生成独立人格
• 环境配置：通过 Agent 注入仿真参数

第三步：开始模拟

• 双平台并行模拟：多个智能体同时在仿真环境中运行
• 自动解析预测需求：理解用户的预测目标
• 动态更新时序记忆：智能体行为影响记忆，记忆驱动下一步行为

第四步：报告生成

ReportAgent 拥有丰富的工具集，可与模拟后的环境进行深度交互，生成详尽的预测报告。

第五步：深度互动

用户可以：

• 与模拟世界中的任意智能体进行对话
• 与 ReportAgent 讨论预测结果
• 通过「上帝视角」动态注入变量，观察不同决策的后果

3.2 典型应用案例

案例一：武汉大学舆情推演

基于热点舆情事件，MiroFish 生成舆情传播预测报告，模拟不同主体（官方、媒体、公众）在舆情发展中的行为和互动。

案例二：《红楼梦》失传结局推演

基于《红楼梦》前80回数十万字内容，MiroFish 深度预测失传的后40回可能结局，包括主要人物命运走向和家族兴衰。

四、快速开始

4.1 环境要求

4.2 配置环境变量

cp .env.example .env

必需的环境变量：

# LLM API配置（支持 OpenAI SDK 格式的任意 LLM API）
# 推荐使用阿里百炼平台 qwen-plus 模型
LLM_API_KEY=your_api_key
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus

# Zep Cloud 配置（每月免费额度即可支撑简单使用）
ZEP_API_KEY=your_zep_api_key

4.3 安装依赖

# 一键安装所有依赖（根目录 + 前端 + 后端）
npm run setup:all

# 或者分步安装
npm run setup      # 安装 Node 依赖
npm run setup:backend  # 安装 Python 依赖

4.4 启动服务

# 同时启动前后端
npm run dev

# 服务地址
# 前端：http://localhost:3000
# 后端 API：http://localhost:5001

4.5 Docker 部署

# 1. 配置环境变量（同源码部署）
cp .env.example .env

# 2. 拉取镜像并启动
docker compose up -d

docker-compose.yml 中已通过注释提供加速镜像地址，可按需替换。

五、项目结构

5.1 目录结构

MiroFish/
├── .github/workflows/     # CI/CD 工作流
├── backend/               # Python 后端
│   ├── agents/            # 智能体实现
│   ├── simulation/         # 仿真引擎
│   └── ...
├── frontend/              # Vue 前端
├── static/image/           # 静态资源
├── .env.example            # 环境变量示例
├── Dockerfile              # Docker 配置
├── docker-compose.yml      # Docker Compose 配置
└── package.json            # Node 依赖

5.2 关键文件说明

六、与同类项目对比

6.1 相关项目定位对比

6.2 MiroFish 的独特优势

1. 预测导向：不是通用框架，而是专注于「预测未来」这一明确目标
2. 群体演化：通过多个智能体的自主交互涌现预测结果，而非预设路径
3. 深度交互：支持与任意智能体实时对话，支持动态变量注入
4. 商业孵化：由盛大集团战略支持，有明确的商业落地场景

七、应用场景拓展

7.1 金融领域

• 股价预测：模拟市场各方参与者的行为和博弈
• 投资决策：推演不同投资策略的后果
• 风险评估：预测极端事件对市场的影响

7.2 政策研究

• 政策推演：预测某项政策发布后的社会反应链
• 舆情监控：模拟舆情传播路径和演变规律
• 公共安全：推演突发事件的多路径发展

7.3 创意产业

• 文学创作：推演故事发展的多种可能
• 剧本开发：探索剧本情节的无限分支
• 游戏设计：生成动态游戏叙事

7.4 商业战略

• 竞品分析：推演竞争对手的可能反应
• 产品策略：预测产品发布后的市场格局
• 危机公关：模拟危机事件的多路径发展

八、总结与展望

8.1 核心价值

MiroFish 的核心价值在于将「预测」从概率计算转变为仿真推演：

8.2 技术亮点

1. OASIS 仿真引擎：成熟的多智能体并行仿真基础设施
2. GraphRAG 知识图谱：结构化抽取和存储实体关系
3. Zep Cloud 记忆：为每个智能体提供长期记忆能力
4. 双平台并行：前端交互 + 后端仿真的高效架构

8.3 局限与挑战

8.4 资源链接

相关话题标签

#MiroFish #群体智能 #多智能体 #预测引擎 #OASIS

来源

• GitHub：https://github.com/666ghj/MiroFish
• 演示视频（武汉大学舆情）：https://www.bilibili.com/video/BV1VYBsBHEMY/
• 演示视频（《红楼梦》结局）：https://www.bilibili.com/video/BV1cPk3BBExq

MiroFish 由盛大集团战略支持和孵化，仿真引擎由 CAMEL-AI OASIS 驱动。