MiroFish 手把手教程：一份种子报告到多智能体预测报告

MiroFish 手把手教程一份种子报告到多智能体预测报告【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 是一款简洁通用的群体智能引擎上传一份种子报告或故事它自动搭建平行数字世界让数百个智能体自主交互演化最终输出一份预测报告。适合想入门多智能体模拟与预测推演的开发者。先看效果 跑通之后你看到的就是这个页面左侧是宣传语和准备工作状态右侧是种子材料上传区文件支持 pdf、md、txt上限 50MB。你只需上传材料、用一句自然语言描述预测需求MiroFish 就会按图谱构建、环境搭建、模拟、报告生成 4 步自动推进每一步都能在网页上实时看到进度。原理速览一支彩排剧团MiroFish 的工作流程可以类比剧团排戏你当导演交出剧本种子材料和演出要求预测需求剧团按固定顺序完成 4 件事——编剧把剧本整理成人物关系图图谱构建与人设生成、舞台监督搭好两个舞台Twitter 和 Reddit 双平台环境、演员们分幕演出模拟、最后评论人翻阅演出记录写下剧评ReportAgent 生成预测报告。后端和模拟脚本之间的协作方式也值得一提它们不走网络套接字而是以文件系统当道具台——Flask 后端把命令序列化成 JSON 写进 commands/ 目录模拟脚本轮询取走、执行完把响应写进 responses/ 目录后端再取回结果。每个命令有 pending、processing、completed、failed 四种状态命令天然可追溯。这套逻辑集中在后端 IPC 模块中崩溃后重启脚本重扫目录即可恢复。第 2 步环境搭建的界面长这样左边是实体关系图谱右边列出已生成的 GPT 人设和模拟配置智能体数量、模拟时长等点击任意节点可以看到人设的完整设定。组件/角色职责对应文件路径Flask 后端应用接收上传、派发任务、启动时校验配置backend/app/模拟脚本示例Twitter / Reddit 双平台并行模拟backend/scripts/Vue 前端5 步向导页与图谱可视化frontend/src/views/四步跑通第一次模拟 前置条件 3 项Node.js 18、Python 3.11~3.12、最新版 uv。第 1 步克隆仓库# 克隆 MiroFish 仓库并进入目录 git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish第 2 步把示例配置复制为 .env# 复制示例配置文件稍后只需填 4 个值 cp .env.example .env第 3 步在 .env 里填 4 个值LLM_API_KEY你的密钥 # 任意 OpenAI 格式服务的密钥 LLM_BASE_URLhttps://dashscope.aliyuncs.com/compatible-mode/v1 # 推荐阿里百炼地址 LLM_MODEL_NAMEqwen-plus # 推荐模型 ZEP_API_KEY你的密钥 # 长期记忆图谱服务每月免费额度够用第 4 步一条命令装依赖一条命令启动# 安装 Node 与 Python 全部依赖 npm run setup:all # 同时启动前后端终端会打印两个服务的日志 npm run dev启动后浏览器打开 http://localhost:3000上传种子文件、填写预测需求、点击开始。模拟完成后你会得到一张完成状态页和一份可交互的预测报告可以对报告提问也可以直接采访模拟世界里的任意一个智能体。常用参数速查参数作用推荐值注意事项LLM_MODEL_NAME驱动智能体行为的大模型qwen-plus支持任何 OpenAI SDK 格式服务模型能力直接影响人设质量LLM_BASE_URL大模型服务地址百炼 compatible-mode 地址用本地模型时换成对应地址ZEP_API_KEY长期记忆图谱服务Zep Cloud 免费版免费版每月额度够简单使用OASIS_DEFAULT_MAX_ROUNDS模拟轮数10默认值官方建议先跑少于 40 轮消耗大FLASK_PORT后端服务端口5001前端固定 3000改端口后两处要同步踩坑 FAQ现象后端启动后立即退出终端打印配置错误。可能原因LLM_API_KEY 或 ZEP_API_KEY 未填.env 没放在仓库根目录键值行内混入了空格。解决步骤在仓库根目录确认存在 .env 文件后端只从这里读取打开 .env确认 4 个值都已填写且等号两侧无多余空格单独执行npm run backend重启后端后端启动时会逐项校验配置终端会直接列出缺失的键名按提示补齐即可现象第 1 步图谱构建长时间没有进展。可能原因种子文件过大导致切块耗时LLM 服务限流或响应慢前端刷新频率低误以为卡死。解决步骤用一份 1~2 页的短文档先验证全流程确认文件不超过 50MB且是 pdf、md、txt 之一单独调用一次你的 LLM API确认服务本身响应正常观察前端实时知识图谱节点数在增长就是正常工作中现象模拟跑得太久或 API 费用超出预期。可能原因模拟轮数设得过高智能体数量多且每轮都要调用大模型使用了偏贵的模型。解决步骤把 OASIS_DEFAULT_MAX_ROUNDS 保持默认 10 先试跑参照官方建议单次模拟控制在 40 轮以内在环境搭建页调低模拟时长等参数后再启动跑完一次后记录耗时与消耗作为下次放大规模的基线资源导航README-ZH.md中文文档含完整部署步骤与在线演示入口backend/scripts/Twitter 与 Reddit 双平台模拟脚本示例backend/app/services/simulation_ipc.py命令/响应式进程通信的完整实现frontend/src/views/图谱、模拟、报告 5 个向导页的前端源码交流渠道README 中附有 QQ 群二维码加入后可以获取模拟案例和答疑。跑通第一次模拟后接下来可以试试换一份自己领域的报告舆情、市场调研、小说片段作为种子材料对比两次生成的报告差异——同一个引擎不同的剧本会给出完全不同的演化结果。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考