MiroFish：GraphRAG 与 Multi-Agent 融合架构与工作流

MiroFish 突破了传统单一智能体系统的限制，其最核心的技术亮点在于：巧妙地利用 GraphRAG（知识图谱检索增强生成）作为多智能体（Multi-Agent）的底层共享长期记忆结构，并将多智能体的动态行为实时反写回图谱，实现演化与记忆的闭环。

以下是该核心架构在源码深处的流转原理解析：

1. 核心架构拓扑图

2. 三阶段深度工作流程
阶段一：GraphRAG 负责「世界创立与打底」

本体定义 (Ontology Generation)： 系统启动时，首先由内置架构读取用户提供的种子文本（小说、财报、新闻），然后利用大模型提炼出核心的「实体类型 (EntityModel)」和「边类型 (EdgeModel)」。
Pydantic 动态建模映射： 由于每个推演沙盘的背景不同，代码通过动态创建 Python 类（如 type(name, (EntityModel,), attrs)）向 Zep Cloud 注册一套专属的知识图谱结构。
文本灌入： 文本被拆分成 Chunk，调用 Zep API 以 EpisodeData 的形式注入。Zep 云端此时会自动应用 GraphRAG 技术，从文本中提取人名、地名、核心矛盾点，形成最初始的静态知识网。

阶段二：Multi-Agent 激活「社会平行演化」
角色下发： 基于上文 GraphRAG 析出的实体间复杂关系，OASIS Profile Generator 自动生成成百上千个 Agent，下发布置到虚拟世界（分为 Twitter 平台、Reddit 平台，支持跨平台并发操作）。
并行推演： 利用多线程跑批模型，数以千计的智能体开始基于其各自的性格树和认知局限展开决策。
事件总线落地： 所有的操作（例如点赞、转发、拉黑关注、发表冲突言论）通过 IPC机制 和 actions.jsonl 日志体系进行微秒级记录。

阶段三：Multi-Agent 与 GraphRAG 的「同频呼吸更新」
技术主干：backend/app/services/zep_graph_memory_updater.py 由于原本的单纯 Multi-Agent 社会很容易陷入「幻觉」和「短期记忆断层」，MiroFish 用了一个非常工程化的手段来解决这个问题：
动作监听：一个名为 ZepGraphMemoryUpdater 的高并发监控线程（以队满触发，如 BATCH_SIZE = 5 为一次心跳）时时注视着智能体的每一张底牌。
动作语意化（语义对齐）： 系统通过强大的重写规则，将程序指令转回给自然语言序列。例如触发 LIKE_COMMENT 会被序列化为：“用户A点赞了用户B的评论：「确实应该是这样」”；触发 QUOTE_POST 会转译为：“用户A引用了文章，并评论道：「我极度不认同」”。
图谱活化闭环： 翻译后的自然语言再次调用 self.client.graph.add()。这就相当于：智能体产生的新世界史，又实时喂给了图谱引擎重新计算。 这些动态连接随即化作了长效记忆网，进而影响后续该网内所有相关 Agent 的因果推理。

3. 设计亮点总结
此系统的架构亮点主要体现在——让 RAG 实现了由“静态”向“活体”的历史跳跃。 传统的 Agent 提取一次 RAG 后便“各自飞升”；而在这个项目中，Zep（知识图谱管理器）和 CAMEL-AI（智能体模拟器）形成了双向通道：GraphRAG 初始化构建虚拟社会规律，多智能体验证规律并实时将变动结果存回图谱以更新规律。这是使得系统能实现《红楼梦》失传结局等深度内容演练的底层核心技术壁垒。