引言
"不预测个体，而是仿真群体。"
这是"一天一个开源项目"系列的第 78 篇。今天的项目是 MiroFish（GitHub）。
传统预测工具的逻辑是：收集数据 → 跑模型 → 输出数字。但这有一个根本局限：模型是静态的，而现实世界是动态博弈的结果。舆论风向、市场情绪、政策响应，这些都是无数个体相互作用后涌现出来的集体现象——你很难用线性回归去拟合一场舆论风暴。
MiroFish 换了一种思路：不拟合，而是重演。通过多智能体仿真，让数千个虚拟的"人"在一个模拟平台里互动，用群体行为的演化来预测真实世界的走向。这不是预测数字，而是预测故事。
56k+ Stars，8.6k+ Forks——在多智能体仿真赛道上的现象级项目。作者是北京邮电大学学生白富（666ghj），同时也是 BettaFish（40.5k Stars）的作者，两个项目构成一套完整的"数据采集 → 仿真预测"流水线。
你将学到什么
- MiroFish 的核心哲学：为什么群体仿真比统计预测更接近真相
- 五阶段仿真流水线：从知识图谱构建到深度交互报告
- GraphRAG 在仿真中的角色：给智能体注入领域知识
- Zep Cloud 跨会话记忆：让智能体"记得"自己的历史
- "上帝模式"变量注入：运行时 what-if 分析
前置知识
- 了解多智能体系统（MAS）的基本概念
- Python 基础（可选，用于理解配置逻辑）
- 对舆情分析或趋势预测有一定兴趣
项目背景
它是什么？
MiroFish 是一个群体智能预测引擎，通过构建包含数千个 AI 智能体的虚拟社会，仿真真实群体对某个话题的演化过程，从而生成趋势预测报告。
项目名称来自 Miro——灵感来源于人类集体智慧的涌现现象，就像一群鱼（Fish）可以形成远超个体能力的群体行为。
它解决的核心问题是：
传统方法：
历史数据 → 统计模型 → "下个月销量是 X"
问题：无法解释为什么，无法应对突发事件
MiroFish 方法：
种子知识 + 多智能体仿真 → 群体行为演化 → "在这些条件下，群体会这样反应"
优势：可解释、可干预、可做 what-if 分析
关于作者
- GitHub: 666ghj
- 背景: 北京邮电大学学生，盛大集团支持
- 另一项目: BettaFish（40.5k ⭐）——从 30+ 平台采集情感数据，是 MiroFish 的数据供给端
- 定位: 两个项目构成完整闭环：BettaFish 采集 → MiroFish 仿真预测
项目数据
- ⭐ GitHub Stars: 56,400+
- 🍴 Forks: 8,600+
- 📝 最新版本: v0.1.2
- 📄 协议: AGPL-3.0（Copyleft，SaaS 部署需开源）
- 🌐 语言构成: Python 57.6% + Vue.js 41.2%
- 🤝 核心依赖: CAMEL-AI OASIS、camel-ai 0.2.78、Zep Cloud 3.13.0、GraphRAG、PyMuPDF
主要功能
核心：五阶段仿真流水线
MiroFish 的仿真过程分为五个严格顺序的阶段：
阶段 1：图谱构建（Graph Building）
种子文档（PDF/URL）→ PyMuPDF 提取 → GraphRAG 构建知识图谱
输出：领域知识图谱（实体 + 关系）
阶段 2：环境准备（Environment Setup）
CAMEL-AI OASIS 初始化虚拟平台
为每个智能体分配 Zep Cloud 长期记忆
注入知识图谱上下文
阶段 3：并行仿真（Parallel Simulation）
双平台同时运行（提高置信度）
数千个智能体互动 N 轮
智能体行为由 LLM 驱动 + 个性档案约束
阶段 4：报告生成（Report Generation）
聚合仿真轨迹
LLM 总结群体行为模式
生成结构化趋势报告
阶段 5：深度交互（Deep Interaction）
用户可向报告提问
支持"上帝模式"变量注入（运行时 what-if）
RAG 检索仿真记录回答问题
GraphRAG：给仿真注入领域知识
MiroFish 使用 GraphRAG 而非普通 RAG，原因很直观：
# 普通 RAG：文档 → 向量 → 检索相似段落
# 问题：只能回答"有哪些事实"，无法推理关系
# GraphRAG：文档 → 实体抽取 → 关系图谱 → 图遍历
# 优势：可以推理"A 影响 B，B 又会如何影响 C"
在仿真中，智能体需要理解复杂的因果关系（如"政策 X 会影响群体 Y 的行为"），GraphRAG 的图结构比向量检索更擅长这类推理。
Zep Cloud：让智能体拥有记忆
每个智能体都分配了独立的 Zep Cloud 记忆空间：
# 每个智能体拥有持久化记忆
agent_memory = ZepMemory(
session_id=f"agent_{agent_id}",
zep_client=zep_client
)
# 仿真轮次之间，智能体可以"记住"之前的交互
# 这使得智能体行为更连贯、更符合真实人类认知模式
这解决了多智能体仿真中的一个经典问题：如果每轮仿真智能体都"失忆"，行为就会缺乏连贯性，预测结果可信度下降。
"上帝模式"变量注入
这是 MiroFish 最有趣的功能之一——在仿真运行时注入外部变量：
# 例：分析"如果竞争对手突然降价 20%"会怎样
god_mode_injection = {
"event": "competitor_price_cut",
"magnitude": -0.20,
"timing": "round_15",
"affected_agents": "all_consumer_agents"
}
# 注入后，仿真会实时响应这个"外部冲击"
# 输出：群体情绪变化 + 行为演化轨迹
这让 MiroFish 不仅能预测"会发生什么"，还能回答"如果我这样做，会发生什么"。
双平台并行仿真
MiroFish 同时在两个独立的虚拟平台上运行相同的仿真：
平台 A ─── 仿真结果 A ──┐
├── 置信度评估 + 综合报告
平台 B ─── 仿真结果 B ──┘
两个平台的结果高度一致 → 高置信度结论 两个平台结果发散 → 标记为"不确定区间"，提示用户审慎解读
BettaFish + MiroFish 完整流水线
[BettaFish] [MiroFish]
微博/推特/Reddit/... → 种子数据 → 知识图谱
情感数据采集 → 智能体初始化
30+ 平台 → 仿真 → 报告 → 预测
两个项目合用，构成从"现实数据收集"到"未来趋势预测"的完整链路。
快速开始
环境要求：Python 3.10+、Node.js 16+、Docker（推荐）
# 克隆项目
git clone https://github.com/666ghj/MiroFish.git
cd MiroFish
# 配置环境变量
cp .env.example .env
# 编辑 .env，填写以下必要配置：
# - OPENAI_API_KEY（或兼容 API）
# - ZEP_API_KEY（Zep Cloud 账号）
# - GRAPHRAG_API_KEY
# 方式一：Docker 一键启动（推荐）
docker-compose up -d
# 方式二：手动启动
pip install -r requirements.txt
cd frontend && npm install && npm run build && cd ..
python app.py
访问 http://localhost:5000 进入 Web 界面。
第一次仿真：
1. 上传种子文档（PDF 或输入 URL）
2. 设置仿真参数（智能体数量、仿真轮次、话题）
3. 点击"开始仿真"
4. 等待约 10-30 分钟（取决于智能体数量和 API 速度）
5. 查看生成的趋势报告，支持自然语言追问
项目详细剖析
整体架构
┌─────────────────────────────────────────────────┐
│ 前端层 (Vue.js) │
│ 仿真配置 / 进度监控 / 报告展示 / 深度交互 │
└─────────────────────┬───────────────────────────┘
│ REST API
┌─────────────────────▼───────────────────────────┐
│ 后端层 (Flask + Python) │
│ 五阶段流水线编排 / 上帝模式控制器 │
└──────┬──────────────┬──────────────┬────────────┘
│ │ │
┌──────▼──────┐ ┌─────▼──────┐ ┌───▼────────────┐
│ 知识层 │ │ 仿真层 │ │ 记忆层 │
│ GraphRAG │ │ CAMEL-AI │ │ Zep Cloud │
│ 知识图谱 │ │ OASIS 框架 │ │ 智能体记忆 │
│ PyMuPDF │ │ 双平台并行 │ │ 跨轮次持久化 │
└─────────────┘ └────────────┘ └────────────────┘
CAMEL-AI OASIS：仿真核心
CAMEL-AI OASIS 是 MiroFish 的仿真引擎，专为社会仿真设计：
from oasis import Environment, Agent, Platform
# 初始化虚拟平台
platform = Platform(
name="simulated_weibo",
max_agents=5000,
interaction_rules=InteractionConfig(
max_posts_per_round=10,
follow_probability=0.3
)
)
# 创建具有不同个性的智能体
agents = [
Agent(
id=i,
persona=PersonaProfile(
age=random.randint(18, 65),
occupation=random.choice(occupations),
political_lean=random.gauss(0, 1),
activity_level=random.uniform(0.1, 1.0)
),
memory=ZepMemory(session_id=f"agent_{i}"),
knowledge_context=graphrag_context
)
for i in range(5000)
]
# 启动仿真
env = Environment(platform=platform, agents=agents)
results = env.run(rounds=50, topic="新能源汽车补贴政策")
GraphRAG 知识图谱构建
from graphrag import GraphRAGPipeline
# 从种子文档构建知识图谱
pipeline = GraphRAGPipeline(
input_dir="./seed_documents",
output_dir="./knowledge_graph"
)
# 提取实体和关系
pipeline.run()
# 输出示例：
# 实体：[特斯拉, 比亚迪, 补贴政策, 消费者群体, ...]
# 关系：[特斯拉 → 竞争 → 比亚迪]
# [补贴政策 → 刺激 → 消费者购买意愿]
# [消费者购买意愿 → 影响 → 市场份额]
# 将知识图谱注入智能体上下文
context = pipeline.query("新能源汽车市场的关键影响因素")
报告生成：从轨迹到洞察
def generate_report(simulation_results):
"""从仿真轨迹生成趋势报告"""
# 1. 聚合统计
sentiment_evolution = aggregate_sentiment(simulation_results)
opinion_clusters = cluster_opinions(simulation_results)
key_events = detect_tipping_points(simulation_results)
# 2. LLM 总结
report_prompt = f"""
基于以下仿真数据，生成趋势分析报告：
- 情感演化曲线：{sentiment_evolution}
- 观点聚类：{opinion_clusters}
- 关键转折点：{key_events}
请分析：群体最终态度、关键驱动因素、可能的演化路径
"""
report = llm.complete(report_prompt)
# 3. 双平台一致性检验
confidence = calculate_confidence(
results_platform_a=simulation_results["platform_a"],
results_platform_b=simulation_results["platform_b"]
)
return Report(content=report, confidence=confidence)
前端技术栈
Vue.js 前端提供完整的可视化界面：
- 仿真进度监控：实时显示各阶段进度和智能体活跃度
- 知识图谱可视化：交互式展示 GraphRAG 构建的实体关系图
- 情感热力图：随仿真轮次变化的群体情感分布
- 报告阅读器：支持高亮、标注、追问的报告交互界面
为什么选择 AGPL-3.0
AGPL-3.0 是比 GPL 更严格的 Copyleft 协议：
MIT/Apache：修改后可以不开源（可以闭源商业化）
GPL：本地部署衍生品需开源
AGPL：网络服务（SaaS）衍生品也必须开源
→ MiroFish 选择 AGPL，意味着如果你用它搭建云服务，
必须将改动后的代码开源。个人研究和本地使用不受限制。
项目地址与资源
官方资源
- 🌟 GitHub: github.com/666ghj/Miro…
- 🐟 配套项目: BettaFish（情感数据采集，40.5k ⭐）
- 📄 OASIS 框架: github.com/camel-ai/oa…
- 🧠 Zep Cloud: www.getzep.com
- 📊 GraphRAG: github.com/microsoft/g…
关联技术
- CAMEL-AI: github.com/camel-ai/ca…（多智能体框架基础）
- PyMuPDF: PDF 文档解析库
- Docker: 推荐部署方式
总结与展望
核心要点
- 群体仿真替代统计拟合：MiroFish 不试图拟合历史数据，而是重演群体互动过程，输出的是行为演化故事而非数字预测
- GraphRAG 知识增强：图结构知识表示让智能体具备领域因果推理能力，而非简单的事实检索
- Zep Cloud 跨轮次记忆：解决仿真连贯性问题，使智能体行为符合真实人类认知模式
- 上帝模式 what-if 分析：运行时变量注入将预测工具变成决策支持工具
- 双平台置信度机制：用一致性评估代替单一预测，更诚实地呈现不确定性
- BettaFish + MiroFish 闭环：从现实数据采集到未来趋势预测的完整链路
适合谁使用
- 研究人员：研究舆情演化、社会仿真、计算社会科学的学者
- 产品经理 / 市场分析师：需要预判市场反应、做 what-if 场景分析的决策者
- AI 工程师：研究多智能体仿真架构、GraphRAG 应用、智能体记忆系统的开发者
- 独立研究者：对群体智能涌现现象感兴趣、想用 AI 理解复杂社会系统的探索者
值得思考的问题
MiroFish 代表了 AI 预测的一种新范式：从"模型拟合"到"世界仿真"。当我们用多智能体重演现实世界时，我们实际上是在问一个更深的问题——现实本质上是一场无数智能体相互博弈的涌现结果，而真正理解这个结果，也许需要同样复杂度的仿真。
鱼群游动时没有中心指挥，却能形成壮观的整体图案。人类社会的舆论走向，会不会也是如此？
访问我的个人网站，探索更多实用知识和有趣产品
