MiroFish群体智能预测引擎用一份报告快速推演任何如果【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如果你能在决策之前先让一群虚拟的人替你试错一遍呢比如先看看一条舆情会怎么发酵、一家公司融资后舆论会走向哪里、甚至一部经典小说的失传结局可能是什么。这就是 MiroFish 做的事——一款简洁通用的群体智能引擎你只需上传一份报告它会自动构建一个拥有数千个智能体的平行数字世界让未来在数字沙盘里提前上演。 它和传统预测的本质区别模拟人而不是拟合数据传统预测模型更像一张静态照片输入历史数据输出一条曲线而曲线之后的世界它看不见。MiroFish 更像一部可交互的纪录片——它把报告里的实体提取出来赋予每个个体独立人格和长期记忆再让它们在模拟的社交平台上发帖、转发、点赞、争论。预测结果不是从历史数据里回归出来的而是从成千上万次个体交互中涌现出来的。这就带来一个关键差异你不仅能看结果还能中途改变量。政策参数变了、突发事件来了、关键人物态度转向——改完立即重跑观察连锁反应。预测从一个结论变成了一个可以随时进出的实验沙箱。 机制拆解一份报告如何变成一个平行世界整个流程被拆成 5 个步骤图谱构建 → 环境搭建 → 开始模拟 → 报告生成 → 深度互动核心机制可以概括为下面三件事。1. 图谱构建把报告变成一张世界地图上传材料后支持 PDF、Markdown、TXT单文件上限 50MB系统会先把长文切成小块再用 LLM 从中提取人物、机构、事件等实体及其关系构建出一张知识图谱并注入实体与群体的记忆。这张图谱就是平行世界的骨架——谁和谁有连接、谁属于哪个阵营都在这里定下来。相关实现可以在 backend/app/services/graph_builder.py 里看到分块、批次上传与图谱构建的完整过程。2. 环境搭建给每个角色写一份人设图谱里每个实体都会变成一个智能体系统会为它生成一份相当详细的人设基本信息、职业经历、性格特征包括 MBTI 类型、核心性格、情绪表达方式、社交媒体行为习惯等。与此同时一个专门的环境配置 Agent 会读取你的预测需求决定模拟的时间跨度、初始事件由谁发起、每个智能体的活跃度如何。这一步完成后你的平行世界就有了居民也有了开场剧情。3. 并行模拟与报告生成让虚拟社交网络自己跑模拟阶段MiroFish 会在两个虚拟平台类 Twitter 与类 Reddit上并行运行。智能体按人设执行真实感很强的动作发帖、转发、引用、关注、评论、点赞甚至搜索和屏蔽——仅 Reddit 侧就定义了 12 种可执行动作。智能体的动态行为会持续写回记忆系统保证后半场的讨论能记得前半场发生过什么。跑完后ReportAgent 接手它自带一套图谱查询与智能体访谈工具先规划出章节大纲再逐章思考—查证—写作最后产出一份可下钻的预测报告。更妙的是深度互动环节——你可以直接采访模拟世界里的任何一位智能体问你当时为什么转发那条帖子也能和 ReportAgent 继续追问报告细节。这套智能体生成 报告 Agent的实现分别在 backend/app/services/oasis_profile_generator.py 与 backend/app/services/report_agent.py 中。 MiroFish快速上手从克隆到跑通的第一条最短路径环境要求提前装好这三样即可Node.js 18、Python 3.11~3.12、Python 包管理器 uv。# 第1步拿到代码 git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish # 第2步配置两个密钥LLM 与 Zep 图谱存储 cp .env.example .env打开.env填入LLM_API_KEY、LLM_BASE_URL、LLM_MODEL_NAME任意兼容 OpenAI SDK 的 LLM 都可以官方示例用的是阿里云百炼的 qwen-plus和ZEP_API_KEYZep Cloud 每月免费额度就够入门使用。# 第3步一键安装全部依赖前端 后端 npm run setup:all # 第4步同时启动前后端 npm run dev启动后浏览器访问http://localhost:3000就是前端界面后端 API 跑在http://localhost:5001。接下来是纯界面操作上传报告 → 用自然语言写一句预测需求 → 跟着 5 步向导走完。官方提示 LLM 消耗较大第一次建议先跑 40 轮以内的短模拟体感成本更低。 三个落地场景舆情、小说与资本事件 舆情演化预测——武汉大学舆情案例。上传一份舆情分析报告后MiroFish 模拟出舆情从发酵、扩散到转折的完整过程最终报告不仅给出演化路径还允许你审问当事智能体的心理动机。官方演示视频封面见下完整记录了从报告到推演的全过程是很好的入门参考。 小说结局推演——《红楼梦》失传结局。这个项目不只能做严肃预测也能玩脑洞喂入《红楼梦》前 80 回数十万字文本图谱引擎提取出全部人物关系智能体群在模拟中推演出一个失传结局。这直观展示了它的通用性——只要材料里有人与人的关系就能搭起一个世界。 企业资本事件分析——摩尔线程融资案例。上传融资与产业报告后系统生成的预测报告会按 4 个章节规划生成如资本投向与技术路线产业链协同等ReportAgent 每章最多可调用 5 次查证工具、进行 2 轮反思确保结论有图谱证据支撑而不是凭空发挥。 部署方式对比选一条适合你的路径路径适合人群环境要求关键步骤成本提示Docker 一键体验想 10 分钟内看效果的尝鲜者Dockercp .env.example .envdocker compose up -d端口 3000/5001 自动映射最省心源码部署官方推荐需要定制、二次开发Node 18 / Python 3.11~3.12 / uvclone → 配 env →npm run setup:all→npm run dev完全本地可控便于改动 backend/app/ 源码规模模拟千级智能体、长轮次推演在源码部署基础上调参缩短首轮轮次40轮试跑再逐步放大LLM 调用是主要开销建议配预算 留一个开放问题给你模拟世界再逼真它的现实感也完全来自你上传的那份材料——材料里没有的变量一次计划外的政策、一位没被写进报告的当事人平行世界里的智能体永远不会想到。那么当预测越来越像真的它究竟是在预测未来还是在创造一个我们以为的未来以及一份足够精准的预测公开之后会不会反过来改变它要预测的事这些问题大概是每一个使用预测沙箱的人都值得想一想的。✅ 现在开始4 步搭起你的平行世界拉代码git clone https://gitcode.com/GitHub_Trending/mi/MiroFish进入项目目录填密钥cp .env.example .env填入 LLM 与 Zep 两组密钥跑起来npm run setup:all装依赖npm run dev启动打开localhost:3000第一次推演找一份手边的报告舆情、行业分析甚至一本小说上传并写一句预测需求先跑 40 轮以内感受上帝视角是什么体验。下一次当你面对一个如果……会怎样的决策时也许不必只在脑子里空想——把它放进沙盒里让它先跑一遍。【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 MiroFish群体智能预测引擎：用一份报告快速推演任何“如果“
MiroFish群体智能预测引擎用一份报告快速推演任何如果【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如果你能在决策之前先让一群虚拟的人替你试错一遍呢比如先看看一条舆情会怎么发酵、一家公司融资后舆论会走向哪里、甚至一部经典小说的失传结局可能是什么。这就是 MiroFish 做的事——一款简洁通用的群体智能引擎你只需上传一份报告它会自动构建一个拥有数千个智能体的平行数字世界让未来在数字沙盘里提前上演。 它和传统预测的本质区别模拟人而不是拟合数据传统预测模型更像一张静态照片输入历史数据输出一条曲线而曲线之后的世界它看不见。MiroFish 更像一部可交互的纪录片——它把报告里的实体提取出来赋予每个个体独立人格和长期记忆再让它们在模拟的社交平台上发帖、转发、点赞、争论。预测结果不是从历史数据里回归出来的而是从成千上万次个体交互中涌现出来的。这就带来一个关键差异你不仅能看结果还能中途改变量。政策参数变了、突发事件来了、关键人物态度转向——改完立即重跑观察连锁反应。预测从一个结论变成了一个可以随时进出的实验沙箱。 机制拆解一份报告如何变成一个平行世界整个流程被拆成 5 个步骤图谱构建 → 环境搭建 → 开始模拟 → 报告生成 → 深度互动核心机制可以概括为下面三件事。1. 图谱构建把报告变成一张世界地图上传材料后支持 PDF、Markdown、TXT单文件上限 50MB系统会先把长文切成小块再用 LLM 从中提取人物、机构、事件等实体及其关系构建出一张知识图谱并注入实体与群体的记忆。这张图谱就是平行世界的骨架——谁和谁有连接、谁属于哪个阵营都在这里定下来。相关实现可以在 backend/app/services/graph_builder.py 里看到分块、批次上传与图谱构建的完整过程。2. 环境搭建给每个角色写一份人设图谱里每个实体都会变成一个智能体系统会为它生成一份相当详细的人设基本信息、职业经历、性格特征包括 MBTI 类型、核心性格、情绪表达方式、社交媒体行为习惯等。与此同时一个专门的环境配置 Agent 会读取你的预测需求决定模拟的时间跨度、初始事件由谁发起、每个智能体的活跃度如何。这一步完成后你的平行世界就有了居民也有了开场剧情。3. 并行模拟与报告生成让虚拟社交网络自己跑模拟阶段MiroFish 会在两个虚拟平台类 Twitter 与类 Reddit上并行运行。智能体按人设执行真实感很强的动作发帖、转发、引用、关注、评论、点赞甚至搜索和屏蔽——仅 Reddit 侧就定义了 12 种可执行动作。智能体的动态行为会持续写回记忆系统保证后半场的讨论能记得前半场发生过什么。跑完后ReportAgent 接手它自带一套图谱查询与智能体访谈工具先规划出章节大纲再逐章思考—查证—写作最后产出一份可下钻的预测报告。更妙的是深度互动环节——你可以直接采访模拟世界里的任何一位智能体问你当时为什么转发那条帖子也能和 ReportAgent 继续追问报告细节。这套智能体生成 报告 Agent的实现分别在 backend/app/services/oasis_profile_generator.py 与 backend/app/services/report_agent.py 中。 MiroFish快速上手从克隆到跑通的第一条最短路径环境要求提前装好这三样即可Node.js 18、Python 3.11~3.12、Python 包管理器 uv。# 第1步拿到代码 git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish # 第2步配置两个密钥LLM 与 Zep 图谱存储 cp .env.example .env打开.env填入LLM_API_KEY、LLM_BASE_URL、LLM_MODEL_NAME任意兼容 OpenAI SDK 的 LLM 都可以官方示例用的是阿里云百炼的 qwen-plus和ZEP_API_KEYZep Cloud 每月免费额度就够入门使用。# 第3步一键安装全部依赖前端 后端 npm run setup:all # 第4步同时启动前后端 npm run dev启动后浏览器访问http://localhost:3000就是前端界面后端 API 跑在http://localhost:5001。接下来是纯界面操作上传报告 → 用自然语言写一句预测需求 → 跟着 5 步向导走完。官方提示 LLM 消耗较大第一次建议先跑 40 轮以内的短模拟体感成本更低。 三个落地场景舆情、小说与资本事件 舆情演化预测——武汉大学舆情案例。上传一份舆情分析报告后MiroFish 模拟出舆情从发酵、扩散到转折的完整过程最终报告不仅给出演化路径还允许你审问当事智能体的心理动机。官方演示视频封面见下完整记录了从报告到推演的全过程是很好的入门参考。 小说结局推演——《红楼梦》失传结局。这个项目不只能做严肃预测也能玩脑洞喂入《红楼梦》前 80 回数十万字文本图谱引擎提取出全部人物关系智能体群在模拟中推演出一个失传结局。这直观展示了它的通用性——只要材料里有人与人的关系就能搭起一个世界。 企业资本事件分析——摩尔线程融资案例。上传融资与产业报告后系统生成的预测报告会按 4 个章节规划生成如资本投向与技术路线产业链协同等ReportAgent 每章最多可调用 5 次查证工具、进行 2 轮反思确保结论有图谱证据支撑而不是凭空发挥。 部署方式对比选一条适合你的路径路径适合人群环境要求关键步骤成本提示Docker 一键体验想 10 分钟内看效果的尝鲜者Dockercp .env.example .envdocker compose up -d端口 3000/5001 自动映射最省心源码部署官方推荐需要定制、二次开发Node 18 / Python 3.11~3.12 / uvclone → 配 env →npm run setup:all→npm run dev完全本地可控便于改动 backend/app/ 源码规模模拟千级智能体、长轮次推演在源码部署基础上调参缩短首轮轮次40轮试跑再逐步放大LLM 调用是主要开销建议配预算 留一个开放问题给你模拟世界再逼真它的现实感也完全来自你上传的那份材料——材料里没有的变量一次计划外的政策、一位没被写进报告的当事人平行世界里的智能体永远不会想到。那么当预测越来越像真的它究竟是在预测未来还是在创造一个我们以为的未来以及一份足够精准的预测公开之后会不会反过来改变它要预测的事这些问题大概是每一个使用预测沙箱的人都值得想一想的。✅ 现在开始4 步搭起你的平行世界拉代码git clone https://gitcode.com/GitHub_Trending/mi/MiroFish进入项目目录填密钥cp .env.example .env填入 LLM 与 Zep 两组密钥跑起来npm run setup:all装依赖npm run dev启动打开localhost:3000第一次推演找一份手边的报告舆情、行业分析甚至一本小说上传并写一句预测需求先跑 40 轮以内感受上帝视角是什么体验。下一次当你面对一个如果……会怎样的决策时也许不必只在脑子里空想——把它放进沙盒里让它先跑一遍。【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