MiroFish Skill：把新闻/小说丢进去，跑出千人千面的群体智能预测沙盘

Skill超级捕获手 技术创作者 2026-07-28 28 阅读

近期 GitHub Trending 上最快冲榜的中文 AI Agent 项目里，MiroFish 是把”群体智能”概念真正落地到普通人能用的那一款——它让你把一段新闻、政策草案甚至一本小说的前 80 回丢进去，由成千上万个具备独立人格、长期记忆和行为逻辑的智能体在数字沙盘里自由演化，最后给你一份「未来推演报告」。截至 2026-07-28，仓库已斩获 69,514 Stars、10,861 Forks，并挂上 GitHub Trending 每日榜单与 Trendshift 徽章，是近期多智能体方向讨论度最高的开源项目之一。

功能与原则

MiroFish 的核心能力是「构建平行数字世界 + 多 Agent 社会演化 + 自然语言预测报告」三件事一站式打通：用户上传种子材料（舆情报告、政策草案、金融信号、小说章节），系统自动抽取实体关系、生成人物画像、注入 GraphRAG 长期记忆，再启动双平台并行模拟，让上千个 AI Agent 在同一个数字空间里彼此交互、记忆、博弈，最后由 ReportAgent 输出可深度交互的预测报告。设计上坚持四个原则：①群体涌现——模拟结果不靠单一 LLM 直答，而是从大量个体互动中涌现；②上帝视角注入变量——用户可以在模拟途中动态加入外部事件，看演化路径分叉；③零风险试错——把政策、公关、商业决策放到数字沙盘里先演练一遍再下注；④好玩可触达——严肃预测与脑洞推演（如红楼梦失传结局）使用同一套引擎。

认可度

  • GitHub Stars：69,514（截至 2026-07-28，REST API 实测）
  • Forks：10,861、Open Issues：105、Watchers：430
  • 长期占据 GitHub Trending Python 日榜 / 周榜前列，挂载 Trendshift 官方徽章
  • 仿真引擎由 CAMEL-AI 团队的 OASIS 开源项目驱动，社区讨论度极高
  • X（@mirofish_ai）、Discord、Instagram、B 站均有官方频道；B 站武大舆情与红楼梦推演演示视频播放量持续攀升
  • 主题词覆盖 multi-agent-simulation swarm-intelligence future-prediction public-opinion-analysis knowledge-graph agent-memory financial-forecasting

链接

GitHub 主仓库：https://github.com/666ghj/MiroFish
在线 Demo：https://666ghj.github.io/mirofish-demo/
官方文档站：https://www.shanda.com/

原作者

  • GitHub 主开发者：666ghj
  • 团队与孵化方：盛大集团（Shanda） 提供战略支持和孵化
  • 仿真引擎致谢：CAMEL-AI / OASIS 开源项目作者团队
  • 团队长期招募多 Agent 应用方向的全职/实习，简历投递 mirofish@shanda.com

介绍

MiroFish 直译「镜中之鱼」，寓意是把现实映照进数字沙盘。它的工作流被官方拆为五步：图谱构建 → 环境搭建 → 开始模拟 → 报告生成 → 深度互动。在前两步里，系统会读取你上传的种子文本，识别实体与人物关系，为每个角色生成独立人设，并把人物记忆、群体记忆注入基于 Zep 的 GraphRAG 知识图谱；第三步启动双平台并行模拟，引擎每轮都会更新时序记忆；第四步由 ReportAgent 携带丰富工具集对模拟结果做总结与可视化；第五步用户可以与模拟世界里的「任何一位」智能体直接对话，像进入剧本杀一样追问细节。

项目自带两个高传播度的官方演示案例：武汉大学舆情推演——用微舆 BettaFish 生成的「武大舆情报告」作为种子，跑出学生、老师、媒体、家长等多方角色在数字空间里的演化轨迹；《红楼梦》失传结局推演——把前 80 回数十万字喂进去，让上百位书中人物按各自性格继续往后写，输出与程高本迥异的「另一种结局」。这两个 Demo 决定了 MiroFish 在中文圈天然具备破圈属性。

特点

  • 多 Agent 群体涌现：上千独立人格智能体在同一数字世界自由交互，预测来自社会演化而非单一 LLM 直答
  • GraphRAG + Zep 长期记忆：每个 Agent 都带个人记忆和集体记忆，跨轮演化保持一致性，不会「失忆」
  • 上帝视角注入变量：模拟过程中可动态追加外部事件，观察演化路径分叉
  • 严肃 + 趣味双场景：同一引擎既可做政策/金融预测，也可推演小说结局，门槛大幅降低
  • 完整开源 + Docker 一键部署：AGPL-3.0 协议，前端 Next.js + 后端 Python 一条 docker compose up -d 跑起来

使用方法

前置依赖： Node.js 18+、Python 3.11–3.12、uv 包管理器

源码部署（推荐）：

git clone https://github.com/666ghj/MiroFish.git
cd MiroFish
cp .env.example .env       # 填入 LLM_API_KEY 与 ZEP_API_KEY
npm run setup:all          # 一键安装根目录 + 前端 + 后端依赖
npm run dev                # 同时启动前后端
# 前端 http://localhost:3000   后端 API http://localhost:5001

Docker 部署：

cp .env.example .env
docker compose up -d       # 默认映射 3000 / 5001 端口

最小调用： 启动后打开前端，在「新建推演」页上传一段种子文本（推荐先用 < 40 轮模拟测试），选择目标场景模板，输入一句「请预测未来 7 天的舆情走向」之类的自然语言需求，点击运行即可在 5–15 分钟内拿到报告。

配置小贴士： 官方推荐使用阿里百炼 qwen-plus 模型（OpenAI SDK 兼容格式），Zep Cloud 提供每月免费额度即可支撑简单使用。

使用场景与人群

  • 政策与公关团队：在真实发布前用 MiroFish 模拟政策出台后公众、媒体、利益相关方的多轮反应，提前发现舆论风险点
  • 金融 / 投研分析师：把研报、政策草案、行业新闻丢进去，跑出「多方资金 + 散户 + 监管」在数字世界里的演化轨迹
  • 品牌与营销人员：做新品发布、危机公关、A/B 创意方向测试，先看「数字消费者」怎么说
  • 学术研究者：社会模拟、舆情传播、博弈论实验的零代码实验台
  • 小说 / 剧本 / 游戏编剧：用同一引擎推演故事支线、角色命运、世界观演化
  • 个人爱好者：纯粹好玩——给一段新闻，看「平行世界」一周后长什么样

输入与输出案例

案例 1：武大舆情推演（官方演示）

  • 输入（种子材料）： 微舆 BettaFish 生成的《武汉大学舆情报告》原文，约 8 千字，含学生、教师、媒体、家长、校友等多方言论样本
  • 用户指令： 「请以 72 小时为窗口，推演该舆情事件的演化路径、各方态度转变节点，以及潜在二次发酵话题」
  • 输出（节选）： ReportAgent 输出结构化报告——24h 内学生群体从「声援」转为「分化」，48h 媒体出现 2 篇深度评论并形成两派意见，72h 一条校友圈的怀旧帖反向带动正向声量；同时给出可视化交互沙盘，用户可点击任一节点上的智能体直接对话询问「你当时为什么改口」

案例 2：红楼梦失传结局推演（官方演示）

  • 输入（种子材料）： 《红楼梦》前 80 回原文，数十万字；环境配置：人物 380+，关系图谱自动抽取
  • 用户指令： 「请基于前 80 回推演后 40 回的可能走向，重点关注宝黛钗三人命运与贾府结局」
  • 输出（节选）： ReportAgent 输出与程高本完全不同的「另一种结局」分支报告，包含 7 条主线剧情分叉、12 个关键人物命运重写、与原作的差异度热力图；用户可与「模拟世界」中的林黛玉、贾母、王熙凤直接对话，听她们各自版本的后续走向

GitHub: https://github.com/666ghj/MiroFish

评论区

0 条评论

登录后可评论。

Skill超级捕获手 28 阅读