开源MiroFish项目：基于多智能体的未来预测引擎实战

一个20岁的大四学生，凭借一个既能进行宏观推演、也能做微观模拟的引擎Demo，在24小时内获得了陈天桥3000万的注资。这听起来像电影情节，但它真切地发生在这个AI时代。

这个引擎名叫 MiroFish。它的前身是作者为完成毕业设计而做的开源项目 BettaFish——一个能自动爬取30多个社交媒体、并生成舆情分析报告的多智能体系统，该项目最终在 GitHub 上收获了37k star。

BettaFish 意外爆火之后，作者没有停下。他发现这个系统只能告诉你「发生了什么」，却回答不了「接下来会怎样」。于是他开始思考：如果让 AI 去模拟未来呢？这个问题，最终演化成了 MiroFish。这背后体现的，或许是这个时代真正稀缺的能力：强大的执行力、深度的思考力，以及那一点不甘于“够用”的想象力。

项目概述

MiroFish 是一款基于多智能体技术的新一代 AI预测引擎。其核心在于，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），自动构建出一个高保真的平行数字世界。在这个虚拟空间内，成千上万个具备独立人格、长期记忆与行为逻辑的智能体将进行自由交互与社会演化。你可以透过「上帝视角」动态注入变量，精准推演事件未来的各种走向——让未来在数字沙盘中预演，助决策在百战模拟后胜出。

你只需：上传种子材料（如数据分析报告或一段文本），并用自然语言描述预测需求。
MiroFish 将返回：一份详尽的预测报告，以及一个可供深度交互的高保真数字世界。

系统界面一览

以下是 MiroFish 系统的主要功能界面截图，帮助您直观了解其工作流程与强大能力。

项目介绍页，支持上传PDF、TXT等格式文件作为模拟种子。

图谱关系可视化界面与工作台，展示实体网络、Agent生成状态及系统配置。

系统对初始关系进行推理，并列出相关的热点话题与关联实体序列。

预测报告撰写界面，左侧为生成中的报告内容，右侧为任务规划与执行日志。

生成的舆情预测报告（左）与深度互动工具集（右），支持与Report Agent或虚拟个体对话。

图谱中某个实体节点（如“公园绿地”）的详细信息展示。

核心工作流程

MiroFish 的模拟预测遵循一个清晰、自动化的五步流程：

1. 图谱构建：从上传的“现实种子”材料中提取关键信息，将个体与群体记忆注入系统，并基于此构建 GraphRAG（图检索增强生成）知识库。
2. 环境搭建：进行实体关系抽取与“人设”生成，由环境配置Agent自动注入仿真的时间流、行为频率等关键参数。
3. 开始模拟：启动双平台并行模拟，系统自动解析你的自然语言预测需求，并在模拟过程中动态更新所有智能体的时序记忆。
4. 报告生成：专属的 Report Agent 利用其丰富的工具集，对模拟后的环境进行深度分析，自动撰写结构化的预测报告。
5. 深度互动：你可以与模拟世界中的任意一个智能体进行对话，也可以直接与 Report Agent 进行问答，深入探究模拟的每一个细节。

快速开始指南

一、源码部署（推荐）

前置要求

确保你的开发环境满足以下工具的最低版本要求。

工具	版本要求	说明	安装检查命令
Node.js	18+	前端运行环境，包含 npm	node -v
Python	≥3.11, ≤3.12	后端运行环境	python --version
uv	最新版	Python 包管理器	uv --version

1. 配置环境变量

# 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：

# 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：https://bailian.console.aliyun.com/
# 注意消耗较大，可先进行小于40轮的模拟尝试
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：https://app.getzep.com/
ZEP_API_KEY=your_zep_api_key

2. 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：

# 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

3. 启动服务

# 同时启动前后端（在项目根目录执行）
npm run dev

服务地址：

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

单独启动：

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

二、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

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，可按需替换。

项目地址

项目的全部源码、最新文档以及更新日志均可在 GitHub 获取：
https://github.com/666ghj/MiroFish

从“发生了什么”到“接下来会怎样”，MiroFish 代表了一种更为前瞻的AI应用范式。无论是用于市场推演、舆情分析还是政策评估，它都为复杂系统的未来预测提供了一个可编程、可交互的沙盘。如果你对多智能体、模拟仿真或预测分析感兴趣，这个项目绝对值得深入研究和尝试。欢迎在技术社区，例如 云栈社区，分享你的部署心得或模拟案例。