上线不到两周飙到 7 万星：MiroFish 试图用”数字平行世界”预测万物

上线不到两周飙到 7 万星：MiroFish 试图用”数字平行世界”预测万物

最近 GitHub 上出现了一个颇为吸引眼球的实验性项目：MiroFish。它的核心概念相当直接——构建一个高保真的数字平行世界，让成百上千个具有独立人格、记忆和行为逻辑的 AI 智能体在其中自由交互、社会演化，然后从”上帝视角”注入变量，观察未来可能走向何方。上线不到两周，Star 数已突破 7 万，目前 70,503 ⭐，Forks 10,987 个，还在持续增长中。

它想解决什么问题？

传统的 AI 预测大致分两类：要么看历史数据做统计回归，要么让大模型直接”猜”一个结果。但这类方法的问题在于，它们缺乏对真实社会运作机制的表达——真实世界里，人们会根据信息调整立场、互相影响、形成群体极化，这些动态过程才是预测准确与否的关键。

MiroFish 的思路是把”预测”变成一场多智能体模拟实验。你上传一份种子材料（突发新闻、政策草案、金融数据、甚至一段小说文本），系统自动从中提取关键实体、关系和背景，构建一个高保真的数字世界。然后，成千上万个具有独立人格的 AI 智能体会被部署进这个世界——每个智能体有自己的性格、目标、记忆，会主动与周围智能体交互、竞争、合作。随着时间推进，整个”社会”会涌现出单体无法预测的群体行为。你可以从上帝视角动态注入新变量（比如政策变化、突发事件），观察系统的下一步演化。

这和传统 Agent 系统的最大区别在于”涌现”二字——MiroFish 并不预设任何宏观结论，它让系统自己跑出来。

技术实现：前后端分离，支持自托管

项目采用典型的前后端分离架构：前端基于 Node.js（18+），后端基于 Python（3.11~3.12）。核心依赖包括：

• LLM API：任何兼容 OpenAI SDK 格式的接口均可，项目文档推荐阿里云百炼的 Qwen-plus，作者 affiliation 也显示与盛大（Shanda）有关；
• Zep Cloud：负责智能体的长期记忆管理，提供免费额度，够轻度使用；
• Neo4j + Qdrant：图数据库 + 向量数据库，负责实体关系抽取和语义检索。

从已有社区分支来看（如 StrayDragon 的分支），也有完全移除 Zep 依赖、引入自托管图/向量数据库的方案，适合对数据隐私有要求的企业场景。

完整的快速启动流程官方已给出：

# 复制配置
cp .env.example .env
# 填写 LLM_API_KEY、ZEP_API_KEY 等

# 一键安装依赖
npm run setup:all

# 启动前后端
npm run dev

也支持 Docker 部署，项目根目录提供了 Dockerfile 和 docker-compose.yml。整个技术栈对有 Python 经验的开发者来说门槛不高，核心模拟逻辑在 backend/app/services/simulation_runner.py，有源码阅读能力的话可以深入理解模拟引擎的工作方式。

真实使用门槛：不是玩具，但也不是银弹

MiroFish 目前的版本为 v0.1.2（2026 年 3 月发布），项目整体仍处于积极维护状态（最近一次 commit 在 2026 年 8 月 3 日），但远未成熟。实际使用有几道坎：

Token 消耗是最大门槛。 文档里明确写道：qwen-plus 模型消耗较高，建议先用少于 40 轮模拟来测试。生产级仿真跑起来 Token 费用不低，如果没有免费额度的 LLM 账号，实验成本需要心里有数。

模拟规模与硬件挂钩。 成千上万的智能体同时运行，每个智能体的每次交互都需要调用 LLM——即使做了并发优化，内存和计算资源的消耗仍然相当可观。官方建议有条件的话上 GPU，但纯 CPU 跑小规模模拟也能跑起来。

结果质量依赖提示词质量。 智能体的人格设定、行为规则的描述方式会直接影响模拟结果。没有精心设计的 Seed 材料和 Simulation 配置，”预测万物”很容易变成”随机生成万物”。

适合谁 / 不适合谁

适合：

• 对多智能体系统、涌现行为有兴趣的研究者和开发者；
• 想探索”数字孪生+AI 预测”这个方向的产品经理或决策者；
• 有闲置 API 额度或免费 LLM 账号，想自己跑一遍看看效果的技术爱好者。

不太适合：

• 需要严肃金融或政策预测的从业者——当前阶段的准确度远达不到生产级；
• 没有任何 Python/Node.js 经验的纯新手——本地部署需要一定的工程能力；
• 对 AI 生成结果有强确定性预期的场景——MiroFish 的本质是模拟，不是统计推断。

有哪些有趣的 demo 可以先体验？

如果你只是想看看效果再决定是否部署，项目方提供了一个在线体验 Demo：mirofish-live-demo（无需配置环境，直接在浏览器里跑一个舆情推演示例）。

此外，项目在 GitHub README 里还放了两个 B 站演示视频：

• 武汉大学公共舆论模拟 + MiroFish 项目介绍：用真实舆情报告作为 Seed，跑出一个舆论演化预测；
• 红楼梦结局推演：用前 80 回文本作为 Seed，让 AI 智能体群模拟后续可能的走向。

这些 demo 至少说明项目方在认真运营，也欢迎社区 Fork 和二次开发——毕竟 MIT 协议下拿过来改改图数据库配置、换个模型跑自己的场景，是完全可行的。

下一步怎么玩？

如果你感兴趣，建议按以下顺序上手：

1. 先看 Demo（上述链接），对”数字平行世界”的概念建立直观感受；
2. clone 仓库：git clone https://github.com/666ghj/MiroFish，阅读 README-ZH.md 中文文档；
3. 准备好 API Key：至少需要一个百炼账号或其他兼容 OpenAI SDK 的 LLM API key，以及一个 Zep Cloud 账号（免费够用）；
4. 跑一个最小化模拟：按 Quick Start 文档起服务，先用少于 20 轮模拟验证整个链路；
5. 尝试调优：修改 backend/app/services/simulation_runner.py 中的并发参数，或参考社区分支接入自托管数据库。

最后，项目的 Discord 社区目前比较活跃（discord.gg/ePf5aPaHnA），遇到问题可以在那里交流。GitHub Issues 目前有 113 个 open issue，说明工程上还处于快速迭代阶段——对于愿意跟进一个活跃项目的开发者来说，现在介入正是时机。

项目链接：

• GitHub：https://github.com/666ghj/MiroFish（70.5k ⭐）
• 在线 Demo：https://666ghj.github.io/mirofish-demo/
• 文档：项目 README 内置中文（README-ZH.md）
• 社区：Discord discord.gg/ePf5aPaHnA