MiroFish

图1：MiroFish 项目 Logo

一款让 AI「预演未来」的开源预测引擎

试想一个场景：某天你读到一则关于某大学校园政策的新闻草案，你突发奇想——如果这则政策正式实施，会在校园里引发什么样的连锁反应？学生、老师、校领导各有什么反应？社交媒体上会怎么发酵？最终会导向什么结果？

传统做法是「凭经验猜」，或者找专家咨询。但 MiroFish 给出了第三种答案：构建一个高保真的数字平行世界，让成百上千个 AI 智能体在这个世界里真实地模拟人类社会的运转，然后告诉你"按照这个剧本推演，未来可能会发生什么"。

---

背景故事：一个「vibe coding」诞生的现象级项目

MiroFish 由一名中国大学生在 10 天内「vibe coding」完成，一经发布便空降 GitHub Trending 榜首，获得超过 61,000 颗星，一度成为全球最受关注的开源 AI 项目之一。它的爆火并非偶然——背后反映的是整个行业对「多智能体模拟」能力的强烈需求。

MiroFish 由盛大集团战略支持和孵化，核心仿真引擎基于 OASIS（CAMEL-AI 团队开源）驱动。团队同时活跃运营 Discord 社区、X 账号和 Instagram，并与 DeepWiki 集成提供文档解读服务。

图2：MiroFish 系统运行界面

---

核心技术：群体智能如何「预测万物」

MiroFish 的核心技术路径分为五个阶段：

第一阶段：图谱构建（GraphRAG）

系统从用户上传的种子材料中提取关键信息——新闻报道、分析报告，甚至小说文本。通过 GraphRAG 技术构建实体关系图谱，为后续的智能体生成提供知识基础。

第二阶段：环境搭建

基于图谱，系统自动进行实体关系抽取，并利用 LLM 为每个智能体生成独立的「人设」——包括性格特征、背景故事、行为偏好。这些智能体并非简单的模板复制，而是每个都具备独特人格的「数字生命」。

第三阶段：多智能体并行模拟

这是 MiroFish 最核心的创新。系统通过 OASIS 引擎驱动数千个智能体同时在「平行数字世界」中运行，每个智能体都有：

• 独立人格：LLM 驱动，不同背景的智能体对同一事件反应各异
• 长期记忆：由 Zep Cloud 提供记忆存储和检索能力，智能体能够「记住」之前发生的事
• 行为逻辑：根据人设自动生成符合角色的行为和发言

第四阶段：动态交互与变量注入

用户可以以「上帝视角」动态注入变量——比如突然颁布一条新政策、引入一个突发事件——观察智能体社会的实时反应。这让「如果……会怎样」的问题可以得到精确的模拟推演。

第五阶段：报告生成与深度互动

最后，系统中的 ReportAgent 会综合所有模拟数据生成一份详细的预测报告。同时，用户还可以与模拟世界中的任意智能体直接对话，深入探索某个角色的心理动机或某个情节的发展逻辑。

---

技术栈解析

MiroFish 采用了前后端分离的架构：

层级	技术选型	说明
后端框架	Flask + Python 3.11	轻量级 Python Web 框架，满足 AI 原生应用需求
AI 仿真引擎	camel-oasis 0.2.5	驱动多智能体社交媒体模拟的核心
记忆系统	Zep Cloud 3.13.0	提供智能体长期记忆存储和 GraphRAG 支持
LLM 接口	OpenAI SDK (兼容任意 OpenAI 格式 API)	支持阿里百炼 qwen-plus 等国产模型
前端	Node.js >= 18 + 前端构建工具	提供用户交互界面
包管理	uv (Astral 出品)	极快的 Python 包管理器
部署	Docker + docker-compose	一键容器化部署

后端目录结构体现了良好的模块化设计：

• app/api/：API 路由（graph、report、simulation）
• app/services/：核心服务（simulation_manager、report_agent、graph_builder、zep_tools 等 13 个服务）
• app/utils/：工具函数（llm_client、file_parser、logger 等）

---

使用体验：从零开始的预测任务

对于普通用户，MiroFish 的上手路径相当清晰：

第一步：配置环境变量。需要提供 LLM API（推荐阿里百炼 qwen-plus）和 Zep Cloud API（每月有免费额度）。

第二步：一键安装依赖。根目录执行 npm run setup:all，自动安装 Node 依赖和 Python 虚拟环境。

第三步：启动服务。执行 npm run dev，前后端同时启动，访问 http://localhost:3000 即可进入 Web UI。

Docker 方式更简单：docker compose up -d，配置文件 .env 放在项目根目录即可。

图3：武汉大学舆情事件推演演示

---

典型应用场景

MiroFish 的潜力覆盖多个领域：

• 舆情预测：上传一篇新闻报道，系统模拟公众舆论的传播路径和演变趋势。官方团队已提供武汉大学舆情事件的完整推演演示。
• 金融推演：模拟市场参与者的行为逻辑，预测政策变化或突发事件对市场的冲击。
• 文学推演：输入小说前 80 回，让 AI 智能体模拟后续人物命运。团队已展示《红楼梦》失传结局的深度预测。
• 政策测试：在正式颁布政策前，先在数字世界中模拟其社会影响，用于辅助决策。

---

局限性与挑战

MiroFish 虽强，但也有明显的局限：

Token 消耗较大。完整的模拟轮次会消耗大量 LLM 调用配额，团队建议「先进行小于 40 轮的模拟尝试」。使用阿里百炼 qwen-plus 等商用 API 时需注意成本控制。

强依赖外部 LLM 和 Zep Cloud。项目本身不包含本地 LLM 推理能力，完全依赖外部 API。这意味着预测质量直接受制于所选 LLM 的能力，且需要稳定的网络连接。

OASIS 引擎的黑盒性。作为核心仿真能力的来源，OASIS 的内部机制对用户来说是个黑盒，调试和二次开发有一定门槛。

License 限制。项目采用 AGPL-3.0 开源协议，商业使用需注意合规要求。

---

行业意义：从单 Agent 到群体智能的范式跃迁

MiroFish 的爆火折射出一个重要趋势：单 Agent 系统正在向多 Agent 群体智能演进。传统的单 Agent 系统（如 ChatGPT）本质上是一个超级大脑，而 MiroFish 构建的是一个「数字人类社会」，其中每个智能体都有独立人格和记忆，通过群体互动涌现出单一个体无法预测的复杂结果。

这种范式在 AI 研究领域被称为「涌现行为（Emergent Behavior）」——当足够多的智能体按照简单规则交互时，系统整体会产生超越个体之和的智能表现。MiroFish 正是将这一理论落地为可操作工具的先行者。

从增长曲线看，项目在发布后极短时间内突破 61K stars，Discord 社区活跃，GitHub issues 和 PR 数量持续增长，展现出强劲的开源社区活力。随着多智能体技术的成熟，这类工具在政策仿真、市场预测、创意推演等领域的价值将进一步凸显。

图4：基于《红楼梦》前80回的失传结局推演