MiroFish 群体智能预测引擎部署实战10 分钟跑出第一次推演【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本文以 MiroFish 群体智能预测引擎的部署为主线覆盖环境检查、.env 密钥配置、依赖一键安装、前后端启动与首次种子材料提交的完整操作。MiroFish 把一份文档当作种子生成由大量具备独立人格的 Agent 构成的平行数字世界经交互演化后产出预测报告与可对话的数字世界。按文中的分钟里程碑推进约 10 分钟即可看到第一次完整推演跑起来。⏱ 第 0 分钟 | MiroFish 本地运行环境检查先确认运行环境齐备。后端是 Flask Python前端是 Vite 工程整个安装链路由 npm scripts 串联node -v # 需要 18 及以上 python --version # 需要 3.11 到 3.12 之间 uv --version # Python 包管理器建议最新版工具版本要求作用Node.js≥ 18运行前端并驱动依赖安装Python3.11 – 3.12运行后端服务uv最新版管理 Python 虚拟环境与依赖三条命令都应能返回版本号。不需要数据库和中间件MiroFish 本地不依赖任何外部存储记忆图谱能力由 Zep Cloud 服务承担。⏱ 第 5 分钟 | .env 密钥配置与依赖安装步骤克隆仓库并复制配置模板git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish cp .env.example .env.env存放 API 密钥仓库默认忽略该文件不要把它提交进任何版本库。关键变量变量必填说明LLM_API_KEY是LLM 服务密钥LLM_BASE_URL是兼容 OpenAI SDK 格式的任意地址LLM_MODEL_NAME是模型名如 qwen-plusZEP_API_KEY是Zep Cloud 密钥每月免费额度支撑简单使用LLM_BOOST_*否加速通道不用则从 .env 中整段移除随后一次性安装全部依赖。该命令依次执行根目录 npm install、前端 npm install 与后端 uv sync首次耗时数分钟取决于网络npm run setup:all⏱ 第 10 分钟 | 前后端启动与健康检查验证npm run dev命令拉起后前端监听http://localhost:3000后端 API 在http://localhost:5001。确认链路存活敲一次健康检查curl http://localhost:5001/health返回包含status: ok的 JSON 即表示后端就绪。单独重启某一端时用npm run backend与npm run frontend分别启动。打开前端地址即可看到种子材料上传区部署核心链路至此打通。Docker 替代启动方式本机缺 Node 与 Python 环境时Docker 可跳过整个安装阶段cp .env.example .env # 先填好密钥 docker compose up -d镜像读取根目录.env映射 3000 与 5001 两个端口访问地址与源码部署一致。两种方式的差异集中在四个维度对比维度源码部署Docker 部署代码改动反馈前端热更新后端重启生效需重建或重拉镜像上传数据持久化直接写入 backend/uploads通过 volume 映射到本地 ./backend/uploads网络带宽要求npm 与 uv 两侧分别拉包拉取单一镜像首次约数分钟服务恢复方式手动重启restart: unless-stopped自动恢复⏱ 第 15 分钟 | 提交首次种子材料与模拟全流程上传任意种子材料——舆情报告、政策草案、小说文本均可支持 pdf、md、txt、markdown单文件 50 MB 以内再用一句自然语言描述预测需求提交。系统随后按四个阶段自动推进模拟流程的四个阶段图谱构建从种子材料抽取实体与关系注入 Zep 记忆图谱环境搭建生成 Agent 人设与模拟参数轮数、活跃度、时间跨度双平台模拟Twitter 与 Reddit 风格平台并行运行Agent 逐轮交互并更新时序记忆报告生成Report Agent 用工具集检索模拟后的环境输出预测报告。调整模拟轮数与控制成本轮数直接决定推演深度与 LLM 消耗。模拟接口接受max_rounds参数用于截断轮数后端另有OASIS_DEFAULT_MAX_ROUNDS变量控制上限。首轮建议控制在 40 轮以内验证流程确认结果方向正确后再放大。报告产出后进入深度互动环节可与 Report Agent 对话也可直接盘问世界中任意一个 Agent 的行为细节。文件进、报告出外加一个可对话的平行世界完整闭环到此形成。图谱构建、模拟运行、报告生成的核心逻辑集中在 backend/app/services/调整任何提示词或参数后重启服务即可生效。故障排除三个高频卡点与处理现象npm run dev报端口已被占用 →根因3000 或 5001 被其他进程占用 →处理lsof -i :3000定位并结束进程或修改端口映射。现象后端启动即列出配置错误与缺失变量 →根因.env中LLM_API_KEY或ZEP_API_KEY仍是占位符 →处理填入真实密钥保存后重启服务。现象setup:all长时间卡在下载 →根因拉取依赖的网络缓慢 →处理直接重跑一次通常可续传仍无进展则检查网络或代理配置。MiroFish 部署验证清单逐条核对确认各链路已跑通node -v、python --version、uv --version均返回满足要求的版本.env中四个必填变量已填真实值无占位符残留npm run dev同时拉起前后端终端无报错curl http://localhost:5001/health返回包含 status: ok 的 JSON浏览器提交了一份种子材料流程已推进到模拟或报告阶段【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
