MiroFish 多智能体模拟实操指南从文本到预测报告【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 是一个多智能体模拟项目上传报告或小说这类种子材料它会自动构建知识图谱、生成一批有独立人格的智能体AI Agent跑出一场社会模拟最后输出一份可查证的预测报告。本文给出把最小路径跑通的完整做法。一个典型场景先把一次事件预演一遍做舆情或市场判断时常规流程是读完材料找出关键人物和机构凭经验推演事件会怎么扩散再想几个应对方案。问题在于变量太多靠脑子想只能覆盖一两条路径一旦涉及十几个实体互相影响就很难给出有把握的说法。还有一个难点每种应对都有真实成本。公关回应、产品决策没法真做很多次来验证效果。你需要的是一个能先把各种可能性跑一遍、看结果再决策的环境。MiroFish 的思路是先把文本变成一个数字世界再让这个世界的智能体自由交互一段时间。你的工作只是提供文本并用自然语言把预测需求写清楚剩下的图谱构建、人格生成、模拟执行、报告撰写都由流水线完成。MiroFish 核心机制知识图谱与智能体生成从文本构建知识图谱系统不会平铺直读文本。它先让大模型分析材料生成一套本体定义也就是适合该主题的实体类型与关系类型清单模块在[本体生成服务]backend/app/services/ontology_generator.py。接着把文本切成约 500 字一段写入图谱接口在[图谱构建服务]backend/app/services/graph_builder.py。知识图谱是把实体当节点、关系当边的结构化存储比纯文本更容易被程序检索。之后谁是谁谁和谁有关都有据可查。为每个实体生成独立人格图谱建好后系统从图中取出个体类实体用大模型为每个实体生成人格档案身份、立场、行为倾向并输出成类似推特和类似 Reddit 两种平台格式模块在[智能体画像生成器]backend/app/services/oasis_profile_generator.py。这些画像就是模拟中智能体的人设。关键点在于画像基于图谱上下文生成而不是随机模板所以每个智能体的发言会被材料里它的背景约束。双平台模拟与报告生成模拟在两个仿真社交平台推特型、Reddit 型上并行执行执行与动作日志读取由 simulation_runner.py 负责运行中智能体的行为还能回写知识图谱使记忆随轮次更新见 zep_graph_memory_updater.py。模拟结束后报告智能体带着内置工具图谱搜索、智能体访谈等与模拟后的世界交互逐节产出预测报告模块在[报告智能体]backend/app/services/report_agent.py。模拟结束后你还能直接追问任意一个智能体。上手流程MiroFish 多智能体模拟最小路径服务启动后页面按五步推进照顺序走就是最小可用路径上传种子文件选一份结构化程度高的文本比如分析报告、文章或小说章节它决定整个模拟的保真度。构建图谱系统自动完成本体生成与图谱写入等待任务完成即可。配置模拟环境用自然语言写清预测需求系统自动生成智能体画像和模拟参数。开始模拟按轮次查看智能体动作进度期间可按需注入变量。查看报告并互动模拟结束后阅读预测报告继续向报告智能体和模拟智能体追问。⚠️ 两个易错点一是 LLM 调用消耗较大README 建议先跑小于 40 轮的模拟二是 .env 里必须同时填好 LLM_API_KEY 和 ZEP_API_KEY 两组密钥缺任何一组图谱构建和模拟都会直接失败。MiroFish 部署指南源码安装步骤前置要求Node.js 18、Python 3.11 至 3.12、uv 包管理器最新版可用node -v、python --version、uv --version逐一确认。环境准备git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish cp .env.example .env # 编辑 .env填入 LLM_API_KEY、LLM_BASE_URL、LLM_MODEL_NAME、ZEP_API_KEY安装依赖# 根目录 前端 后端一次装完后端自动创建虚拟环境 npm run setup:all启动服务# 同时启动前后端 npm run dev # 前端 http://localhost:3000 后端 API http://localhost:5001不想自己管依赖也有 Docker 选项同样先配置 .env再执行docker compose up -d配置见 docker-compose.yml。实战案例两个官方演示舆情事件推演输入是一份武汉大学舆情报告系统据此建图、生成智能体再对不同应对策略分别跑模拟。据项目演示视频描述输出能区分传播的爆发、发酵、衰退阶段不同应对变量造成的走势差异在报告中可见。小说结局推演输入《红楼梦》前 80 回数十万字系统基于人物关系网络与行为模式推演主要角色命运产出一版失传结局的模拟。据官方演示介绍其结果与红学主流观点有较高吻合度这个案例更大的意义是说明系统能处理长篇文学文本。需要说明报告属于模拟结论而非保证是否采用仍需结合真实数据自行判断。下一步先用一份短报告跑一次 40 轮以内的模拟确认报告输出和交互问答链路都通再尝试更复杂的变量配置。【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