MiroFish AI 预测引擎完整教程：5 步用多智能体模拟推演下一个未来

MiroFish AI 预测引擎完整教程5 步用多智能体模拟推演下一个未来【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFishMiroFish 是一款简洁通用的群体智能预测引擎。你只需上传一份数据分析报告或小说节选它就能自动搭建高保真的平行数字世界成千上万个拥有独立人格与长期记忆的智能体在其中自由交互最终交给你一份详尽的预测报告外加一个随时可以追问、可以干预的数字世界。多智能体模拟、舆情分析、知识图谱、实时变量注入开箱即用不用你写一行智能体框架代码。这是什么MiroFish 是一个能直接上手的群体智能预测引擎一句话定义MiroFish 是一个基于 Web 界面的 AI 预测引擎用多智能体社会模拟来回答接下来会发生什么。核心能力一览从非结构化文档自动构建知识图谱报告、新闻、小说里的实体、关系、记忆全被抽取进图为每个实体自动生成人设档案性别、职业、价值观、说话风格都由 LLM 生成在双社交平台Twitter 风格 / Reddit 风格上并行跑模拟智能体互相发帖、点赞、关注模拟结束后自动生成结构化预测报告关键发现、趋势分析、建议措施模拟世界持续可交互你可以直接采访任意智能体或让 Report Agent 替你访谈一群智能体传统预测为什么失灵MiroFish 的突破点在哪如果你还在用传统方法做未来推演大概率会撞上这三个问题线性外推失效拿历史数据画一条直线延到未来但舆情、市场这类系统全是非线性蝴蝶效应数据孤岛难整合报告、新闻、社媒文本散在不同来源很难拼进同一个分析框架交互动态缺失个体的情绪和决策互相影响这种群体涌现效应在静态模型里完全不存在MiroFish 的思路是不画曲线而是造一个平行世界先从你的文档里把种子实体抽进图谱再让每个实体以带人设、带记忆的智能体身份登场未来由它们的交互自然涌现。你不需要自己建模机制只要用自然语言描述清楚预测目标。5 分钟本地部署MiroFish 最快启动路径前置条件Node.js 18、Python 3.11~3.12、uv。整个部署就四步。先拿代码git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish复制示例配置然后在.env里填 4 个关键项cp .env.example .envLLM_API_KEYyour_api_key LLM_BASE_URLhttps://dashscope.aliyuncs.com/compatible-mode/v1 LLM_MODEL_NAMEqwen-plus ZEP_API_KEYyour_zep_api_keyLLM 支持任何 OpenAI SDK 兼容接口官方推荐阿里百炼的 Qwen-PlusZep Cloud 每月免费额度就够体验。装依赖并启动npm run setup:all npm run dev验证启动成功浏览器打开 http://localhost:3000 能看到上传任意报告即刻推演未来的首页后端 API 在 http://localhost:5001 就绪。不想装依赖的话配好.env后执行docker compose up -d即可端口映射相同。完整使用路径从种子材料到可交互数字世界整个流程是线性的 5 步页面上对应 Step 1/5 到 Step 5/5上传种子材料首页上传 PDF / TXT / MD上限 50MB用一句话写清预测需求。后端先由 backend/app/services/ontology_generator.py 结合文档与预测目标让 LLM 设计实体类型与本体结构。图谱构建backend/app/services/graph_builder.py 把文本切成 500 字块重叠 50 字批量写入 Zep 图谱生成带个体/群体记忆的关系网络。环境搭建backend/app/services/zep_entity_reader.py 从图谱取回实体backend/app/services/oasis_profile_generator.py 逐个生成智能体人设再由 backend/app/services/simulation_config_generator.py 把自然语言预测需求解析成平台、时间、事件与行为配置。模拟执行backend/app/services/simulation_manager.py 与 backend/app/services/simulation_runner.py 拉起双平台并行模拟智能体逐轮行动活动可回写图谱形成时间记忆。报告与交互backend/app/services/report_agent.py 规划大纲、调用工具查询图谱与模拟数据生成分章预测报告之后你可以和世界里任意智能体对话或让 Report Agent 代你访谈。两个真实推演舆情案例与小说结局预测案例一 · 校园舆情演化预测正经业务场景输入一份舆情分析报告关联文本 5000 条过程系统自动识别 238 个关键实体、567 条关系链构建图谱配置 3000 个智能体跑 30 轮模拟结果传播节奏清晰分三段——萌芽期1~10 轮小群体内缓慢扩散爆发期11~25 轮3 个核心节点推动病毒式传播衰退期26~30 轮影响力自然衰减校方据此采取干预实际影响范围被控制在初始预测的 30% 以内案例二 · 红楼梦失传结局推演创意场景输入前 80 回原著全文数十万字过程构建 400 人物关系图谱2000 个智能体模拟人物互动与抉择结果系统推演出多条可能的情节发展路径验证了这套引擎预测万物的野心——从突发新闻到古典文学都接得住效率与调优参数对照表与输入侧避坑模拟消耗 LLM token 不小先挑一个跑得动的配置。场景推荐如下场景推荐智能体规模建议轮数侧重点首次试跑10~2010 轮以内默认最大轮数即 10OASIS_DEFAULT_MAX_ROUNDS先跑通全流程舆情分析50~20030~50 轮首发事件间隔设短让信息传得快市场/商业预测100~30050 轮左右人设里加强理性权重压低情绪冲动创意探索30~8020~40 轮放宽行为约束留足发挥空间输入侧最佳实践规模先保守README 明确提示消耗较大建议先做小于 40 轮的模拟确认效果再放量材料要干净优先 PDF / TXT / MD删掉与预测目标无关的内容保留丰富的实体名与关系描述——图谱质量直接决定模拟质量需求要具体预测需求写成推演未来 2 周舆情演化远好于分析一下这件事引擎内部解剖几个核心模块各管什么模块一句话职责backend/app/services/ontology_generator.py根据文档与预测目标设计知识图谱本体实体类型 属性结构backend/app/services/graph_builder.py文本切块并写入 Zep 图谱构建可检索的 GraphRAG 知识网络backend/app/services/oasis_profile_generator.py为每个实体生成带价值观与行为偏好的人格档案backend/app/services/simulation_runner.py拉起双平台并行模拟、逐轮读取行为日志支持对智能体发起访谈backend/app/services/zep_graph_memory_updater.py把模拟中智能体的活动批量回写图谱形成动态时间记忆全局配置模型地址、Zep 密钥、最大轮数、上传限制等统一收在 backend/app/config.py改参数先翻这一个文件。为什么值得选以及后面还有啥零模拟代码人设生成、双平台模拟、报告产出全自动你只负责上传材料和说清目标报告 世界双产出你不只是一次性拿到报告还能得到一个可以继续追问、注入变量干预的活世界接入成本低LLM 换任意 OpenAI 兼容接口即可Zep 有免费额度Docker 与源码两条部署路径都支持完全开源前后端模块化清晰fork 之后改单个模块就能扩展行为规则后续路线图上实时数据流接入新闻与社媒自动采集、多模态输入、多人协作预测以及面向开发者的标准化 API 平台金融预测与政治新闻推演案例也已在排期。动手开始三步跑通你的第一次预测拿代码克隆仓库到本地进入MiroFish目录配关键项cp .env.example .env填好 LLM_API_KEY、LLM_BASE_URL、LLM_MODEL_NAME、ZEP_API_KEY 四项启动引擎npm run setup:all装依赖npm run dev起服务打开 http://localhost:3000 上传第一份种子材料未来不是等来的是在 MiroFish 里先跑一遍、再做决定的。【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFish创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考