📸 系统截图

🎬 演示视频

1. 武汉大学舆情推演预测 + MiroFish项目讲解

点击图片查看使用微舆BettaFish生成的《武大舆情报告》进行预测的完整演示视频

2. 《红楼梦》失传结局推演预测

点击图片查看基于《红楼梦》前80回数十万字，MiroFish深度预测失传结局

金融方向推演预测、时政要闻推演预测等示例陆续更新中...

🔄 工作流程

1. 图谱构建：现实种子提取 & 个体与群体记忆注入 & GraphRAG构建
2. 环境搭建：实体关系抽取 & 人设生成 & 环境配置Agent注入仿真参数
3. 开始模拟：双平台并行模拟 & 自动解析预测需求 & 动态更新时序记忆
4. 报告生成：ReportAgent拥有丰富的工具集与模拟后环境进行深度交互
5. 深度互动：与模拟世界中的任意一位进行对话 & 与ReportAgent进行对话

简介

MiroFish​ 是一款基于多智能体技术的新一代AI预测引擎，它通过提取现实世界的种子信息（如突发新闻、政策草案、金融信号），自动构建出高保真的平行数字世界。在这个数字空间中，成千上万个具备独立人格、长期记忆与行为逻辑的智能体进行自由交互与社会演化。用户可以通过「上帝视角」动态注入变量，精准推演未来走向——让未来在数字沙盘中预演，助决策在百战模拟后胜出。

核心定位：MiroFish的核心价值在于将预测从单向分析转变为动态仿真。传统预测方法往往基于历史数据的线性外推，而MiroFish通过构建包含大量智能体的仿真环境，捕捉个体互动引发的群体涌现效应，从而突破传统预测的局限。无论是严肃的政策推演还是趣味的创意探索，MiroFish都能提供一个零风险的试错环境。

技术架构：MiroFish采用现代化的技术栈构建，前端基于React，后端使用Python，支持Docker容器化部署。项目由盛大集团战略支持和孵化，仿真引擎由OASIS驱动，并感谢CAMEL-AI团队的开源贡献。平台支持任何符合OpenAI SDK格式的LLM API，推荐使用阿里百炼平台的qwen-plus模型，并使用Zep Cloud提供记忆存储服务。

主要功能

1. 平行数字世界构建

MiroFish能够从现实世界的种子材料（如数据分析报告、新闻报道、小说文本）中提取关键信息，自动构建一个高保真的平行数字世界。这个世界中的每个实体都有独立的人格设定、记忆系统和行为逻辑，形成一个完整的仿真生态系统。

2. 多智能体社会演化

平台内置成千上万个智能体，这些智能体不是简单的规则执行者，而是具备长期记忆、情感状态、目标导向的“数字生命”。它们会在构建的数字世界中自由交互、形成社会关系、做出决策，并随着时间推移不断演化。

3. 动态变量注入与推演

用户可以从“上帝视角”观察整个数字世界，并动态注入变量（如政策变化、突发事件、市场波动），观察这些变量如何通过智能体间的复杂互动影响整个系统的演化轨迹。这种推演能力让用户能够测试各种“如果”情景。

4. 图谱构建与GraphRAG

系统采用先进的图谱构建技术，从种子材料中提取实体关系，构建知识图谱。结合GraphRAG（图检索增强生成）技术，智能体能够基于丰富的上下文信息做出更符合逻辑的决策，提高仿真的真实性和准确性。

5. 双平台并行模拟

MiroFish支持双平台并行模拟，能够同时处理多个仿真场景，提高推演效率。系统会自动解析用户的预测需求，动态更新时序记忆，确保仿真过程与预测目标高度对齐。

6. 智能报告生成

内置的ReportAgent拥有丰富的工具集，能够在模拟结束后与仿真环境进行深度交互，提取关键洞察，生成结构化的预测报告。报告不仅包含结论，还会详细说明推演过程、关键转折点和置信度评估。

7. 深度交互能力

用户不仅可以观察仿真过程，还可以与模拟世界中的任意智能体进行对话，了解它们的思考过程、动机和情感状态。同时，用户也可以与ReportAgent对话，深入探讨预测结果的细节和假设。

8. 时序记忆管理

系统具备强大的时序记忆管理能力，能够跟踪每个智能体在仿真过程中的状态变化、决策历史和关系演变。这种长期记忆机制使得仿真能够跨越多个时间周期，模拟复杂的社会动态。

9. 环境配置与参数调整

用户可以通过自然语言描述预测需求，系统会自动配置仿真环境参数，包括智能体数量、人格分布、初始关系网络、外部环境条件等。高级用户还可以手动调整这些参数，进行更精细的控制。

10. 多领域适应性

MiroFish的设计具有高度的领域适应性，可以应用于舆情分析、金融市场预测、政策评估、创意写作、教育模拟等多个领域。只需提供相应的种子材料和预测需求，系统就能构建相应的仿真环境。

安装与配置

环境要求

MiroFish需要以下基础环境：

• Node.js 18+：前端运行环境，包含npm包管理器

• Python ≥3.11, ≤3.12：后端运行环境

• uv：最新版Python包管理器（推荐使用）

源码部署（推荐方式）

第一步：获取代码

从GitHub仓库克隆项目代码到本地：

git clone https://github.com/666ghj/MiroFish.git
cd MiroFish

第二步：配置环境变量

复制示例配置文件并编辑必要的API密钥：

# 复制示例配置文件
cp .env.example .env

# 编辑.env文件，填入必要的API密钥

必需的环境变量包括：

1. LLM API配置：支持OpenAI SDK格式的任意LLM API

   • LLM_API_KEY：您的API密钥

   • LLM_BASE_URL：API基础URL（如阿里百炼平台：https://dashscope.aliyuncs.com/compatible-mode/v1）

   • LLM_MODEL_NAME：模型名称（推荐使用qwen-plus模型）

2. Zep Cloud配置：用于记忆存储

   • ZEP_API_KEY：您的Zep Cloud API密钥（每月有免费额度）

第三步：安装依赖

MiroFish提供一键安装所有依赖的便捷命令：

# 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：

# 安装Node依赖（根目录 + 前端）
npm run setup

# 安装Python依赖（后端，自动创建虚拟环境）
npm run setup:backend

第四步：启动服务

在项目根目录执行以下命令同时启动前后端：

npm run dev

服务启动后访问：

• 前端界面：http://localhost:3000

• 后端API：http://localhost:5001

也可以单独启动服务：

npm run backend  # 仅启动后端
npm run frontend # 仅启动前端

Docker部署（简化部署）

对于希望快速体验的用户，可以使用Docker部署：

第一步：配置环境变量

cp .env.example .env
# 编辑.env文件，配置API密钥（同源码部署）

第二步：拉取镜像并启动

docker compose up -d

默认会读取根目录下的.env文件，并映射端口3000（前端）和5001（后端）。在docker-compose.yml中已通过注释提供加速镜像地址，国内用户可按需替换。

配置注意事项

1. LLM模型选择：推荐使用阿里百炼平台的qwen-plus模型，消耗较大，建议先进行小于40轮的模拟尝试

2. Zep Cloud免费额度：Zep Cloud每月提供免费额度，足以支撑简单使用

3. 网络配置：确保能够访问配置的LLM API和Zep Cloud服务

4. 资源要求：仿真规模较大时需要相应的计算资源，建议根据需求调整配置

验证安装

安装完成后，打开浏览器访问http://localhost:3000，应该能看到MiroFish的前端界面。可以尝试上传简单的种子材料进行测试，确保所有服务正常运行。

如何使用

基本使用流程

MiroFish的使用遵循一个直观的四步流程，从种子材料到深度洞察：

第一步：上传种子材料

用户需要提供“种子材料”——这是构建数字世界的基础。种子材料可以是：

• 数据分析报告：包含关键指标、趋势分析和背景信息

• 新闻报道：描述特定事件、社会现象或市场变化

• 政策文件：政府公告、法规草案、白皮书等

• 文学作品：小说、剧本、故事大纲（用于创意推演）

• 学术论文：研究摘要、实验数据、理论框架

系统会从这些材料中提取实体、关系、事件和背景信息，作为构建数字世界的基础数据。

第二步：描述预测需求

用自然语言描述您希望预测或探索的问题，例如：

• “如果武汉大学发生舆情事件，校方采取不同应对策略会有什么结果？”

• “基于《红楼梦》前80回，预测后40回的可能结局”

• “分析某金融政策调整对股市的潜在影响”

• “推演某国际冲突的未来发展轨迹”

系统会自动解析您的需求，确定仿真的目标、时间跨度和关键变量。

第三步：观察仿真过程

系统开始构建数字世界并启动智能体交互。在这个过程中，您可以：

• 实时观察：查看智能体的活动轨迹、社会关系变化、群体行为涌现

• 注入变量：在关键时间点动态注入新的变量或事件，观察系统响应

• 交互对话：与任意智能体对话，了解它们的思考过程和决策依据

• 调整参数：根据需要调整仿真速度、智能体数量等参数

仿真过程可能持续几分钟到几小时，取决于世界复杂度和时间跨度。

第四步：获取预测报告

仿真结束后，ReportAgent会与模拟环境深度交互，提取关键洞察，生成结构化报告。报告通常包括：

• 执行摘要：核心发现和主要结论

• 推演过程：关键事件时间线、转折点分析

• 情景分析：不同变量下的可能结果分布

• 置信度评估：预测结果的可信度分析

• 建议措施：基于推演结果的行动建议

• 深度洞察：超越表面现象的底层规律发现

高级使用技巧

多轮迭代推演

MiroFish支持多轮迭代推演，您可以：

1. 基于第一轮结果调整假设或变量

2. 重新运行仿真，观察不同条件下的结果差异

3. 比较多轮结果，识别稳健性结论和敏感变量

4. 逐步逼近最可能的未来情景

对比实验设计

对于复杂决策问题，可以设计对比实验：

• 控制组与实验组：设置基准情景和干预情景

• 多变量测试：系统性地测试不同变量组合的影响

• 敏感性分析：识别对结果影响最大的关键因素

• 鲁棒性检验：在不同初始条件下测试结论的稳定性

深度交互探索

除了观察整体仿真，还可以进行深度交互：

• 个体追踪：选择关键智能体，全程追踪其决策路径

• 关系网络分析：可视化智能体间的社会网络演化

• 群体动力学研究：分析群体行为的形成机制和传播规律

• 关键时刻重现：回放关键决策点的详细过程

自定义智能体配置

高级用户可以自定义智能体属性：

• 人格特质：设置智能体的性格特征、价值观、偏好

• 记忆系统：配置长期记忆、短期记忆和工作记忆的容量

• 决策逻辑：调整风险偏好、学习能力、社交倾向等参数

• 目标体系：定义智能体的多层次目标（生存、社交、成就等）

结果解读与验证

解读预测报告

MiroFish生成的预测报告需要正确解读：

• 概率性结论：预测结果是概率分布，不是确定性断言

• 条件依赖性：结论依赖于初始条件和假设变量

• 不确定性范围：关注置信区间和不确定性来源

• 涌现现象：注意系统层面涌现的意外结果

验证推演质量

评估推演质量可以从多个维度：

• 内部一致性：智能体行为是否符合其人格设定

• 外部合理性：推演结果是否与现实世界规律相符

• 敏感性测试：微小变化是否导致合理的结果差异

• 历史回测：用历史数据验证模型的预测能力

决策支持应用

将推演结果应用于实际决策时：

• 风险识别：识别潜在的风险点和脆弱环节

• 机会发现：发现被忽视的机会和优化空间

• 策略评估：比较不同策略的预期效果和风险

• 应急预案：基于推演结果制定应急预案

应用场景实例

实例1：高校舆情事件推演与应对策略优化

场景描述：武汉大学面临潜在的舆情风险，校方需要预判不同应对策略的效果，制定最优的危机管理方案。传统方法依赖经验判断，难以准确预测复杂社会反应。

解决方案：使用MiroFish构建武汉大学数字校园，基于历史舆情数据、校园社交网络结构、学生群体特征等种子材料，创建包含学生、教师、行政人员、媒体、公众等数千个智能体的仿真环境。设置初始舆情事件（如校园管理争议），然后测试三种应对策略：A) 积极沟通透明处理，B) 低调处理冷处理，C) 强硬回应压制讨论。

实施效果：仿真显示策略A（积极沟通）在短期内面临较大压力，但长期有利于信任重建；策略B（冷处理）可能导致谣言扩散和次生危机；策略C（强硬回应）极易激化矛盾，引发更大规模抗议。基于推演结果，校方制定了分阶段的沟通策略：初期快速响应稳定情绪，中期透明沟通澄清事实，后期制度改进防止复发。当真实舆情事件发生时，校方按推演优化的策略应对，成功将事件影响控制在最小范围，公众信任度反而提升。

实例2：文学经典失传结局的AI推演

场景描述：《红楼梦》后40回原稿失传，现有续作众说纷纭。文学研究者和爱好者希望基于前80回的内容和风格，推演最符合曹雪芹原意的可能结局。

解决方案：将《红楼梦》前80回数十万字文本作为种子材料输入MiroFish，系统提取所有人物关系、性格特征、命运伏笔、主题线索。构建包含贾宝玉、林黛玉、薛宝钗、王熙凤等数百个人物智能体的“大观园数字世界”。智能体按照原著性格和行为逻辑互动，系统推演自然发展的故事走向。

实施效果：MiroFish推演出多个可能结局版本，并评估每个版本的文学一致性、主题契合度和美学价值。最可能的结局显示：贾府衰败不可避免，但具体过程比高鹗续作更加复杂微妙；宝黛爱情悲剧有更深层的社会结构原因；次要人物的命运与主线交织更紧密。推演还发现了原著中隐藏的叙事模式和象征体系，为红学研究提供了新视角。文学界认为AI推演的结局在某些方面比现有续作更符合前80回的叙事逻辑和美学风格。

实例3：金融政策调整的市场影响预测

场景描述：央行考虑调整货币政策，需要预判对股市、债市、汇市的综合影响。传统经济模型难以捕捉市场参与者的复杂心理和行为互动。

解决方案：基于宏观经济数据、市场交易记录、投资者调研报告等种子材料，构建包含机构投资者、散户、企业、金融机构等智能体的金融市场仿真环境。设置三种政策情景：A) 温和宽松，B) 维持现状，C) 适度收紧。观察不同政策下智能体的预期形成、风险偏好调整、资产配置变化。

实施效果：仿真显示政策A（温和宽松）会在短期内提振股市，但可能引发通胀预期和资产泡沫；政策C（适度收紧）有利于长期金融稳定，但短期市场调整压力较大；政策B（维持现状）看似稳妥，但可能错过结构调整窗口。推演还发现了非线性的市场反应：当政策信号模糊时，市场分歧加大会导致波动率上升；机构投资者的羊群效应会放大政策影响。基于这些洞察，央行设计了更精细的政策沟通策略和配套措施，实际实施后市场平稳过渡，达到了政策目标。

实例4：城市规划与社会发展模拟

场景描述：某城市计划建设新地铁线路，需要评估对人口分布、商业格局、房价、通勤模式的长远影响。传统城市规划模型难以模拟居民和企业的适应性行为。

解决方案：基于城市人口普查、交通流量、商业分布、房价数据等种子材料，构建包含居民、企业、开发商、政府机构等智能体的城市仿真系统。模拟地铁线路开通后，居民的通勤选择、企业的区位调整、开发商的土地投资、政府的配套政策之间的复杂互动。

实施效果：仿真揭示了意想不到的连锁反应：地铁开通不仅改善了沿线通勤，还引发了商业中心迁移、房价梯度重构、职住关系调整等系统性变化。某些区域因可达性提升而繁荣，另一些区域因竞争加剧而衰落。推演还显示，单纯的基础设施投资可能加剧社会空间分异，需要配套的社会政策。城市规划部门基于仿真结果，调整了地铁站点布局，增加了保障性住房和公共服务配套，制定了分阶段的开发控制政策，最终实现了更均衡、可持续的城市发展。

实例5：新产品市场接受度预测

场景描述：科技公司开发了一款创新智能家居产品，需要预测市场接受度、定价策略和竞争反应。传统市场调研成本高且难以模拟动态竞争。

解决方案：基于消费者调研、竞品分析、技术趋势报告等种子材料，构建包含消费者、零售商、竞争对手、行业媒体等智能体的市场仿真环境。模拟产品发布后，早期采用者的影响、口碑传播网络、价格弹性反应、竞争对手的应对策略。

实施效果：仿真准确预测了市场接受曲线：初期缓慢增长（技术爱好者阶段），中期加速扩散（早期大众阶段），后期饱和竞争（晚期大众阶段）。推演发现定价不是唯一关键因素，安装便利性和互联互通性同样重要。竞争对手最可能的反应不是价格战，而是推出兼容性产品构建生态系统。基于这些洞察，公司调整了发布策略：强调易用性和生态整合而非单纯技术参数，与主要平台建立合作而非对抗，采用渗透定价快速获取用户基础。产品实际发布后，市场表现与仿真预测高度一致，公司成功占据了市场领导地位。

GitHub地址

官方仓库地址：https://github.com/666ghj/MiroFish

项目状态：活跃开发中​ - 持续优化多智能体仿真引擎和预测准确性

关键信息：

• 项目名称：MiroFish - 简单通用的群体智能引擎，预测万物

• 核心定位：基于多智能体技术构建平行数字世界，实现复杂系统推演和预测

• 技术栈：前端React，后端Python，支持Docker容器化部署

• 开源协议：项目采用开源许可证（具体见仓库LICENSE文件）

• 支持机构：得到盛大集团的战略支持和孵化

• 技术基础：仿真引擎由OASIS驱动，感谢CAMEL-AI团队的开源贡献

仓库结构：

• 前端代码：frontend/目录包含React前端应用

• 后端代码：backend/目录包含Python后端服务

• GitHub工作流：.github/workflows/目录包含CI/CD配置

• 静态资源：static/image/目录包含系统截图和演示素材

• Docker配置：提供完整的容器化部署方案

• 多语言文档：README.md（中文）和README-EN.md（英文）

快速开始资源：

• 环境要求：Node.js 18+、Python 3.11-3.12、uv包管理器

• 一键安装：npm run setup:all命令安装所有依赖

• 分步安装：分别安装Node依赖和Python依赖的详细指南

• Docker部署：docker compose up -d快速启动服务

• 配置指南：详细的API密钥配置和模型选择建议

演示与示例：

• 武汉大学舆情推演：展示基于微舆BettaFish生成的《武大舆情报告》进行预测的完整演示

• 《红楼梦》结局预测：基于前80回数十万字文本，深度预测失传结局

• 更多示例：金融方向推演预测、时政要闻推演预测等陆续更新中

工作流程详解：

1. 图谱构建：现实种子提取、个体与群体记忆注入、GraphRAG构建

2. 环境搭建：实体关系抽取、人设生成、环境配置、Agent注入仿真参数

3. 开始模拟：双平台并行模拟、自动解析预测需求、动态更新时序记忆

4. 报告生成：ReportAgent拥有丰富的工具集与模拟后环境进行深度交互

5. 深度互动：与模拟世界中的任意智能体对话、与ReportAgent对话

团队与贡献：

MiroFish团队长期招募全职/实习成员，如果你对多Agent应用感兴趣，欢迎投递简历至：mirofish@shanda.com。项目欢迎社区贡献，包括问题反馈、功能建议、代码提交等。

愿景与使命：

MiroFish致力于打造映射现实的群体智能镜像，通过捕捉个体互动引发的群体涌现，突破传统预测的局限。在宏观层面，它是决策者的预演实验室，让政策与公关在零风险中试错；在微观层面，它是个人用户的创意沙盘，无论是推演小说结局还是探索脑洞，皆可有趣、好玩、触手可及。从严肃预测到趣味仿真，MiroFish让每一个“如果”都能看见结果，让预测万物成为可能。