引言“传统预测工具失败的地方不是因为缺少数据而是因为它们忽略了个体交互涌现出的集体行为。”这是「每日一个开源项目」系列的第 184 篇。今天的项目是MiroFish—— 盛大集团支持的开源多 Agent 仿真预测引擎2025 年 12 月发布2026 年 3 月登顶 GitHub 全球趋势榜现有 69,800 颗 Star。MiroFish 的出发点很具体给你一篇新闻报道或一份政策文件你想预测接下来会发生什么不是统计回归而是这件事在真实社会里会怎么演化。MiroFish 的方案是建一个数字孪生世界——数千个 AI Agent 各有性格、记忆和社会关系放进去模拟交互看涌现出什么结果最后给你一份带有深度分析的预测报告你还可以直接和任何一个模拟中的 Agent 对话。“预测任何事情的简单通用群体智能引擎”——这是它的口号。69,800 Stars10,900 ForksAGPL-3.0。你会学到什么群体智能预测的核心逻辑为什么要模拟个体交互MiroFish 的四步工作流图构建 → 环境配置 → 仿真 → 报告生成GraphRAG Zep 长期记忆Agent 的认知基础设施三个已验证的使用场景舆情仿真、文学续写、未来预测ReportAgent 深度交互和模拟结果对话安装和配置Docker 或源码部署前提知识了解 LLM 和 AI Agent 的基本概念熟悉 Docker 基础操作对知识图谱知道节点和边是什么有基本认知问题背景预测为什么难天气预报失效的地方不是缺少算力是因为蝴蝶效应——初始条件的微小差异导致结果完全不同。社会预测的难度本质上也是这个一条政策发布各行各业的人会有不同反应这些反应会互相影响最终涌现出一个谁也没有单独设计的宏观结果一篇新闻在不同圈子里的传播路径完全不同情绪演化、信息变形、群体分化这些都不是简单的线性预测能捕捉的传统预测工具统计模型、专家系统的局限在于它们描述的是平均行为而真实结果往往是极端尾部和涌现现象。MiroFish 的方案不预测平均模拟个体。把数千个有差异的 Agent 放进一个数字世界让它们互相作用观察涌现出的集体行为。核心工作流四步 深度交互Step 1图构建Graph Building输入种子材料新闻文章、研究报告、小说章节……任何文本都行。引擎用GraphRAG从种子材料里提取知识图谱识别实体人物、组织、地点、事件提取实体间的关系注入个体记忆和集体记忆种子材料武汉大学新闻报道 → GraphRAG 实体提取 → 构建社交关系网络 → 注入历史背景记忆 → 输出知识图谱 记忆基础Step 2环境配置Environment Setup基于知识图谱生成仿真环境的各个组件实体关系提取从图谱里确定谁和谁有关联人格生成为每个 Agent 生成独立的性格、立场、价值观Agent 配置把人格、记忆、社会关系写入每个 Agent 的初始状态每个 Agent 是真正独立的个体不是同一个模板的副本。一个保守派中年教授和一个活跃的大学生在面对同一则新闻时会有截然不同的反应和传播行为。Step 3仿真Simulation双平台并行仿真底层基于 CAMEL-AI 团队的OASIS框架自动解析预测需求从你的目标描述里提取仿真参数动态时序记忆更新Agent 的记忆随仿真时间推进而更新早期事件影响后期决策上帝视角变量注入仿真进行中可以动态注入新事件观察扰动后的演化路径仿真过程中数千个 Agent 在平行时间线上交互产生海量的对话、决策和行为记录。Step 4报告生成Report Generation仿真结束后ReportAgent接管分析仿真全程的数据识别关键转折点和驱动因素使用 ReACT 工具集做深度推理包括 web_search 工具可以把仿真预测和现实数据交叉验证输出结构化预测报告趋势分析、风险点、概率评估Step 5深度交互报告不是终点。你可以直接和任何一个仿真中的 Agent 对话用户你在这次事件里为什么选择转发这条消息 Agent张教授我看到消息的时候正在开会第一反应是 这和我去年研究的一个案例很像……也可以和 ReportAgent 对话追问报告里的任何细节或者要求它重新分析某个角度。技术架构前端Node.js 18 ↕ 后端Python 3.11-3.12 ├── GraphRAG 模块 ← 知识图谱构建 ├── OASIS 仿真引擎 ← CAMEL-AI 开源框架 ├── Zep Cloud ← Agent 长期记忆存储 ├── LLM 接口 ← OpenAI 兼容 API └── ReportAgent ← ReACT 工具集推理关键组件说明OASISCAMEL-AI开源的大规模多 Agent 社会仿真框架专门为数千 Agent 并发互动场景设计是 MiroFish 的仿真引擎底座。Zep Cloud专为 AI Agent 设计的长期记忆服务让 Agent 在跨越多个时间步的仿真里保持记忆一致性。免费 tier 足够基本使用。GraphRAG微软开源的基于知识图谱的 RAG 方案在 MiroFish 里负责从种子材料里结构化提取知识为 Agent 提供背景记忆。推荐 LLM官方推荐阿里云 Qwen-plus也支持任何 OpenAI 兼容接口GPT-4o、Claude、本地 Ollama 等。三个验证场景场景一舆情演化仿真种子武汉大学某事件的新闻报道目标预测社交媒体上的舆论走向MiroFish 生成了代表不同群体的 Agent学生、教师、媒体、管理层模拟信息在不同圈子里的传播、变形、放大过程输出舆论演化路径预测。场景二文学结局推断种子《红楼梦》前 80 回目标推断后 40 回曹雪芹原稿遗失部分的可能结局这个案例很有意思MiroFish 把《红楼梦》里的人物作为 Agent基于前 80 回的人物关系和性格设定让他们继续活着互动观察故事的自然演化走向。场景三金融和政治预测标注为即将支持。已有 demo 展示基于财经新闻的市场情绪演化仿真。安装和快速上手环境变量准备cp.env.example .env编辑.env填入LLM_API_KEYyour_api_key LLM_BASE_URLhttps://dashscope.aliyuncs.com/compatible-mode/v1 # 阿里云 Qwen LLM_MODEL_NAMEqwen-plus ZEP_API_KEYyour_zep_cloud_key # zep.us 注册免费 tier 够用Docker 部署推荐dockercompose up-d# 前端http://localhost:3000# 后端http://localhost:5001源码部署npmrun setup:all# 安装前后端所有依赖npmrun dev# 启动开发模式项目地址与资源GitHub: 666ghj/MiroFish官网: mirofish.aiLive Demo: 666ghj.github.io/mirofish-demoDiscord: discord.gg/ePf5aPaHnATwitter/X: mirofish_ai团队邮箱: mirofishshanda.com招募全职和实习仿真引擎: CAMEL-AI/OASIS总结MiroFish 代表的是一种预测范式的转变从统计历史数据推断趋势到模拟社会个体交互观察涌现。这两种方式各有适用场景。统计模型在趋势延续的场景里准确而高效。但当你面对的是一个高度非线性的社会系统——新政策冲击、突发事件扩散、复杂的群体博弈——线性外推往往在关键时刻失效因为它捕捉不到个体异质性和互动产生的涌现行为。MiroFish 的技术路线图里也反映了这个判断舆情和文学续写只是起点金融和政治预测才是更有价值的应用目标也是技术真正接受检验的地方。2025 年 12 月发布2026 年 3 月登顶 GitHub 全球趋势这个速度说明可仿真的预测这件事击中了很多人的想象。探索 PrimeSkills —— 精选 AI Agent 与技能的市场每一个都经过真实企业工作流验证去掉浮夸留下真正有用的。欢迎访问我的个人主页发现更多有价值的见解和有趣的产品。