上传一份报告，让千个智能体把未来演一遍：MiroFish 群体智能推演实战

上传一份报告让千个智能体把未来演一遍MiroFish 群体智能推演实战【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 是一款群体智能推演引擎你上传一份报告PDF、Markdown 或纯文本都可以再用一句话说明想推演什么它会从文本中自动提取种子信息搭建一个由数千个拥有独立人格和长期记忆的智能体组成的平行数字世界让它们在模拟社会里自由交互、演化最后交回一份预测报告和一个可以随便盘问的数字现场。这篇教程带你走完全部流程三分钟装好、跑第一次推演以及实际使用中容易踩的坑。 未来没法算出来但可以被演出来先说清楚它解决的痛点。传统预测方法有三个绕不开的短板只能消化结构化数据一份新闻稿、一本小说这类非结构化材料基本没法用因果链条是线性的推不出人影响人、情绪传染这种群体连锁反应产出是一份静态报告看完就结束了没法追问如果第 3 天出了新公告会怎样。MiroFish 的路线不一样不去解方程而是搭一个舞台让智能体自己演。每个智能体有人设、有记忆、有行为逻辑它们在模拟社区里发帖、互动、站队宏观结果不是被设定出来的而是群体交互涌现出来的。一句话对比传统分析给你一份结论MiroFish 给你一个能走进去提问的预演现场。准备工作只有一件事准备两个密钥都写在根目录的.env里具体定义见 backend/app/config.py。 用 Docker 三分钟部署 MiroFishgit clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish cp .env.example .env docker compose up -d.env里必须填两个值LLM_API_KEY/LLM_BASE_URL/LLM_MODEL_NAME任何 OpenAI SDK 格式的大模型 API 都接受官方推荐配阿里百炼的 qwen-plusZEP_API_KEYZep Cloud 的密钥用来托管智能体的长期记忆每月有免费额度够跑几次体验。启动后容器映射两个端口3000 是前端界面5001 是后端 API浏览器打开http://localhost:3000就能用。拉镜像慢的话docker-compose.yml 里已经用注释留了加速镜像地址替换一下即可。不想用 Docker 也可以源码部署需要 Node.js 18 和 Python 3.11–3.12然后在项目根目录执行npm run setup:all装依赖、npm run dev同时起前后端流程和 Docker 完全对等。 上传一份报告跑第一次推演界面很直接把文件拖进上传区在下方输入框用自然语言写下预测需求然后交给流水线。整个推演分五步自动推进页面上能看到当前走到哪一步图谱构建——从文本里抽取现实种子注入个体与群体记忆搭 GraphRAG 图谱环境搭建——抽取实体关系、生成智能体人设、写入仿真参数开始模拟——在 Twitter 和 Reddit 两种社交平台形态上并行跑多轮交互报告生成——ReportAgent 带着检索工具回到模拟后环境先规划目录再分段写报告深度互动——报告出来后你可以和世界里任意一个智能体对话也可以继续追问报告智能体。轮数由OASIS_DEFAULT_MAX_ROUNDS控制默认 10 轮。第一次跑别贪多小轮数先确认流程通顺。 三种已经验证过的用法舆情演化。官方演示是武汉大学撤销处分公告的舆情推演50 多个智能体分饰媒体、公众、校方等角色模拟出了舆情爆发点正面情感占比从 15.2% 一路降到 6.4%报告还点名了微博作为传播引爆点的角色。左侧是完整预测报告右侧可以直接和智能体对话核实细节。文学推演。把《红楼梦》前 80 回数十万字喂进去上百位人物被转成带人格的智能体系统给出了多个说得通的后 40 回结局假设。这个案例的价值在于证明长文本、弱结构化的材料也能被消化成可推演的图谱。企业战略预演。有团队用它接了 20 多个行业分析智能体连续跑了 180 天、处理超过百万条交互命令且无数据丢失官方口径是市场趋势判断准确率提升 35%。这类长期低频的背景推演正是静态分析报告给不了的。⚠️ 踩坑与排障几个真实会卡住你的点按出现频率排序费用超支是最常见的问题。Token 消耗随轮数 × 智能体数放大README 明确建议先用小于 40 轮的规模试跑确认方向后再加量。文件格式和大小有限制。只接受 pdf、md、txt、markdown 四种扩展名单文件上限 50MB别的格式会直接被拒。密钥缺失会在启动时报错。配置校验逻辑在 backend/app/config.py 的validate方法里两个密钥缺哪个提示哪个按提示补齐重启即可。进程崩了不代表前功尽弃。模拟是后台进程跑命令和动作日志都落在磁盘上backend/uploads下有actions.jsonl之类的文件服务重启后可以基于残留状态恢复这一点和纯内存方案的模拟框架有本质区别。硬件门槛不高。4 核 CPU、8GB 内存就能跑百级智能体以内的小规模模拟上千智能体的规模建议上云服务器。中文支持是完整的。界面与报告走多语言机制locales/下同时提供中英文案。 想往下挖它内部是怎么跑的模拟引擎底层是 CAMEL-AI 开源的 OASIS 框架Twitter 和 Reddit 两套平台动作集并行执行动作类型在 backend/app/config.py 里各列了一张清单后端和模拟进程之间不走网络而是文件系统通信Flask 把命令写进commands/目录模拟脚本轮询执行后把响应写回responses/目录实现见 backend/app/services/simulation_ipc.py。这也是崩溃可恢复的根本原因记忆托管在 Zep个体记忆和群体记忆分开存模拟过程中按时间动态更新报告不是模板填空backend/app/services/report_agent.py 里的 ReportAgent 用 ReACT 模式先规划章节、再分段生成对话中还能自主调用图谱检索工具取证想定制智能体人设或调行为规则入口在 backend/app/services/oasis_profile_generator.py 和simulation_manager.py。把它当工具而不是玄学种子材料给得越具体推演结果越可检验。先拿一份你熟悉背景的报告跑 10 轮对照真实走向看它错在哪比直接信任结论靠谱得多。【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