不预测数字，而是重演未来：多智能体仿真引擎 MiroFish 上手体验

用预测类工具的人，多多少少都碰到过这种别扭：你丢进去一堆历史数据，它回你一个数字------"下季度大概涨 3.2%"。可你接着想问一句"为什么会是 3.2%""要是中途出了个突发事件呢"，它就答不上来了。

问题不在于算得准不准。问题在于，很多现实里的结果压根不是"算"出来的，而是一大群人你来我往、互相影响之后涌出来的。舆论怎么转向、情绪怎么发酵、政策一出来大家会怎么反应------这些东西你很难用一条曲线拟合，因为它们本来就是动态博弈的产物。

最近在 GitHub 上翻到一个思路完全不同的项目，叫 MiroFish 。它不拟合数字，而是直接搭一个"平行世界"，往里塞几千个带性格、带记忆的 AI 角色，让它们在里头自由发言、互相影响，然后看这个群体最后会演化成什么样。说白了，它预测的不是一个数字，而是一段剧情走向。

我花时间把它的仓库、文档和示例都过了一遍，这篇就聊聊它到底怎么用、好用在哪、以及哪些地方得心里有数。

一句话说清它是什么

MiroFish 官方给自己的定义是"简洁通用的群体智能引擎，预测万物"。这话有点大，翻译成人话大概是：

你给它一份材料（比如一份行业报告、一段新闻、甚至一本小说），再用一句话描述你想预测什么，它就在后台"复活"出一群虚拟的人，让他们围绕这个话题讨论、站队、争论若干轮，最后给你一份趋势分析报告。

打个比方会更直观。传统的预测模型像是拿一张历史照片 去推测下一帧；MiroFish 更像是拉了一个剧组，给每个演员写好人物小传，让他们就一个话题即兴演一场戏，你坐台下看剧情往哪儿走。

名字里的 Fish 我觉得挺好懂：鱼群没有中心指挥，成千上万条鱼各自只遵循简单的规则，却能在水里聚成壮观的图案------这就是所谓的"群体涌现"。MiroFish 想复刻的，正是这种"个体简单、群体复杂"的现象。

先看数据：这项目现在什么热度

改写的时候我顺手核了下仓库的实时数据，顺便说一句，网上不少介绍文章的 star 数都停在老版本了，实际早就涨上去了：

项目	数据
GitHub Stars	约 77,500
Forks	约 11,800
开源协议	AGPL-3.0
最新版本	v0.1.2
主要语言	Python（后端）+ Vue（前端）
仿真引擎	OASIS（来自 CAMEL-AI 团队）
背后支持	盛大集团战略孵化
配套项目	BettaFish / 微舆（舆情数据采集，约 4.2 万 Star）

作者是 GitHub 上的 666ghj 。他有另一个很有名的项目 BettaFish（微舆） ，做的是从 30 多个平台采集舆情数据。有意思的是，这两个项目能接成一条线：BettaFish 负责"看现在"，把现实里的舆情、情绪数据扒回来；MiroFish 负责"推以后"，把这些数据当种子，演一遍未来。 一个采数据，一个跑预演，正好凑成一个闭环。

它是怎么跑起来的：五个阶段

MiroFish 的整个流程被拆成五步，一步接一步走，中途不跳步。官方文档里叫"工作流程"，我把它和每步实际干的事整理成一张表：

阶段	官方叫法	这一步实际做的事
1	图谱构建	从种子材料里抽信息，建一张知识图谱，同时给智能体注入背景记忆
2	环境搭建	抽取实体之间的关系，自动生成"人设"，再把仿真参数注入进去
3	开始模拟	两个平台并行跑仿真，自动解析你的预测需求，动态更新时序记忆
4	报告生成	一个专门的 ReportAgent（报告智能体）调用各种工具去分析仿真结果
5	深度互动	你可以跟仿真世界里的任意一个角色对话，也可以追问报告

前四步基本是自动的，你只需要在第 1 步上传材料、在第 2 步填几个参数，然后等结果。第五步才是真正好玩的地方------报告不是终点，你还能跟这个"平行世界"里的人接着聊。

三个我觉得挺妙的设计

GraphRAG：让角色会"推理关系"，而不只是"查资料"

大部分 RAG（检索增强生成，简单说就是"先查资料再回答"）的做法是：把文档切碎、转成向量、找相似的段落。问题是它只能告诉你"文档里有哪些事实"，没法推理"A 变了会让 B 怎么变"。

MiroFish 用的是 GraphRAG（图增强检索），做法是把文档里的实体和关系抽出来，连成一张网。这样角色就能顺着关系链去推理------比如"政策 X 会影响群体 Y，而 Y 的反应又反过来影响 Z"。在仿真里，这种"因果链"恰恰是最关键的东西。

Zep 记忆：让角色不至于"每轮都失忆"

多智能体仿真有个经典毛病：如果每一轮对话角色都从零开始，那行为就前后不搭，预测出来的东西也没什么参考价值。这个项目给每个智能体都挂了一块独立记忆（用的是 Zep Cloud 的记忆服务），让它记得住自己之前说过啥、跟谁聊过。角色因此更像一个"有连续认知的人"，而不是一个健忘的复读机。

上帝视角注入：从"会发生什么"变成"如果我这么做会怎样"

这是我自己觉得最实用的功能。仿真跑到一半，你可以从"上帝视角"往世界里丢一个变量------比如"竞争对手突然降价 20%""某条政策提前发布"------然后看整个群体怎么应对。

普通预测工具只能回答"未来会怎样"；能注入变量的好处是，它能回答"我要是这样做，未来会怎样"。工具一下子从"算命"变成了"决策沙盘"。

另外它还做了个挺诚实的处理：同一个仿真在两个独立平台上并行跑一遍。两边结果高度一致，就说明结论比较稳；两边差得远，就标出来提醒你"这里不确定，别太当真"。比起硬给一个自信满满的数字，我更愿意接受这种"承认自己不确定"的做法。

上手实测

环境要求（这里跟一些老教程写得不一样）

我得先说一句：网上不少介绍（包括我参考的那版原文）写的是"Python 3.10+、Node.js 16+"，但我对着官方 README 核对后发现对不上。以官方文档为准，实际要求是：

工具	版本要求	用途
Node.js	18+	前端运行环境（自带 npm）
Python	≥3.11 且 ≤3.12	后端运行环境
uv	最新版	Python 包管理器

Node 和 Python 版本卡得比较严，尤其是 Python 上限 3.12，别用太新的版本，不然容易踩依赖的坑。

配置密钥

先把示例配置复制一份出来：

复制代码

cp .env.example .env

然后编辑 .env，必填的其实就两类------一个 LLM（大语言模型）的 key，一个 Zep 记忆服务的 key：

复制代码

# LLM API 配置（任何兼容 OpenAI SDK 格式的接口都行）
# 官方推荐阿里百炼平台的 qwen-plus 模型
# 注意：仿真消耗较大，建议先跑小于 40 轮试试水
LLM_API_KEY=your_api_key_here
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus

# Zep Cloud 配置（每月免费额度够简单使用）
ZEP_API_KEY=your_zep_api_key_here

这里要提醒一句：这东西是真烧 token 的。因为每轮每个智能体的发言都要过一次大模型，几千个角色跑几十轮，账单一不留神就上去了。官方自己也在注释里提示"先跑小于 40 轮的模拟"。

安装与启动

依赖可以一键装（根目录、前端、后端全包了）：

复制代码

npm run setup:all

装完直接起服务，前后端一起拉起来：

复制代码

npm run dev

启动之后：

前端界面：http://localhost:3000
后端 API：http://localhost:5001

想分开跑也行，npm run backend 只起后端，npm run frontend 只起前端。

嫌配环境麻烦的，官方也给了 Docker 方案，两条命令搞定：

复制代码

cp .env.example .env
docker compose up -d

端口一样，前端 3000、后端 5001。

第一次仿真

跑通之后，整个流程大概是这么几步：

在首页上传一份种子材料（支持 PDF、MD、TXT，也可以直接粘贴文字）
用一句话描述你想预测什么，比如"某公司发布降价公告后，舆论会怎么走"
让系统自动生成人设、搭好仿真环境
等它跑完（时间跟角色数量和轮次相关，官方说轮次要控制着来）
看报告，然后跟报告或跟里面的角色接着聊

界面长什么样

光说功能有点干，我把仓库里的几张运行截图放上来，你看看它实际是怎么用的。

下面这张是仿真跑起来之后的工作台：左边是一张巨大的关系图谱，每个点是一个实体（公司、人物、机构......），点开能看到它的详细属性；右边则显示已经生成好的"智能体人设"，以及仿真参数------跑了多少小时、多少轮、每个智能体多久发一次言，都能调。

再看这张，图谱旁边叠加了角色们的实际发言。你会看到类似"主流媒体""机构投资者""科技公司 CEO"这样不同人设的智能体，对同一件事给出立场完全不同的评论------有人看好，有人泼冷水。这种"观点分化"正是群体仿真的价值：它把一个话题上不同人群的立场都摆了出来。

最后是报告生成阶段。左边同样是图谱，右上角显示进度已经走到"报告生成"这一步，整个"平行世界"跑完之后的产物就在这里汇总成结论。

两个真实的案例

光看功能不如看它真跑过什么。作者在 B 站放了两个完整的演示视频，正好代表了它的两类典型用法：

一个是正经的舆情推演------用 BettaFish 生成的《武大舆情报告》当种子，让 MiroFish 推演这个事件后续会怎么发酵。这属于"决策辅助"的用法。

另一个是我觉得更有意思的------用《红楼梦》前 80 回几十万字的原文当种子，推测曹雪芹失传的结局会往哪儿走。这就是典型的"创意沙盘"：同样一套仿真引擎，既能干正事，也能拿来玩。

从这两个例子能看出项目的定位挺清晰：往大了说是决策者的预演实验室，往小了说是个人用户的创意沙盘。严肃的舆情预测和好玩的脑洞推演，用的其实是同一套东西。

适合谁，不适合谁

比较适合：

研究舆情演化、社会仿真、计算社会科学的同学
做市场、公关、政策相关工作的，想做 what-if 场景推演的人
研究多智能体架构、GraphRAG、智能体记忆系统的开发者
单纯对"群体智能涌现"好奇、想拿它推推小说结局的玩家

得想清楚再用：

预算敏感的人：如前所说，token 消耗是实打实的，几千个 agent 跑几十轮不是小数目，别一上来就拉满参数。
想要"开箱即出准确答案"的人：它给的是趋势和可能性，不是精确数字。你要是想要一个能直接抄进报表的结论，可能会失望。
打算做商用 SaaS 的人：AGPL-3.0 是比 GPL 更严的协议------用它搭在线服务，你改过的代码也得开源。自己本地研究、个人使用不受影响。

几句实话

平心而论，MiroFish 现在还是 v0.1.2 的早期版本，别指望它像成熟商用软件那样稳。我梳理了下，上手前值得知道的几个点：

是"重演"不是"算命"：它的价值在于把不同群体的反应摆给你看，帮你理解"为什么"，而不是替你下一个精确的赌注。
贵：仿真规模越大、轮次越多，成本越高。先小规模试跑是明智的。
依赖外部服务：LLM 和 Zep 记忆都得用外部 API，得先申请好 key，且网络要通畅。
还在迭代：版本号很诚实，接口和界面说不定哪天就变了，遇到问题多翻 issues 和官方文档。

不过话说回来，一个开源项目能把"用多智能体重演社会演化"这件事跑通，并且做得能让人真正上手，本身已经挺不容易了。

名词速查表

名词	一句话解释
多智能体（Multi-Agent）	让很多个 AI 角色各自行动、互相交互，而不是一个 AI 单打独斗
群体涌现（Emergence）	个体都遵守简单规则，凑一起却冒出谁都没想到的复杂整体行为，像鱼群、鸟群
GraphRAG	一种增强检索技术，把资料连成"关系网"再查，能推理因果关系，比单纯找相似段落更聪明
RAG	检索增强生成，简单说就是"先查资料，再让模型据此回答"
Zep Cloud	一个给 AI 提供长期记忆的云服务，让智能体记得住历史
OASIS	CAMEL-AI 团队开源的社交仿真框架，MiroFish 的仿真引擎就是它
上帝视角注入	仿真运行时人为丢进一个变量（比如降价、发政策），观察群体反应
AGPL-3.0	一种强开源协议，用它做网络服务也必须开源自己的改动
Star / Fork	GitHub 上的收藏数和派生数，大致反映项目的热度

资源汇总

🌟 MiroFish 仓库 ：https://github.com/666ghj/MiroFish
🐟 配套项目 BettaFish（微舆） ：https://github.com/666ghj/BettaFish
🌐 在线 Demo ：https://666ghj.github.io/mirofish-demo/
🎬 演示视频（B 站）：《红楼梦》结局推演、武大舆情推演
🧩 仿真引擎 OASIS ：https://github.com/camel-ai/oasis
🧠 Zep Cloud ：https://app.getzep.com/

说到底，MiroFish 想试的是这么一件事：现实世界本来就是无数个体互相博弈之后"长"出来的结果，那要理解它，也许真的得用同样复杂的仿真去重演一遍。

鱼群游动时没有谁在指挥，却能游出壮观的图案。人类社会的舆论和选择，会不会也是这么回事呢？有想法的，可以去仓库里自己跑一局看看。