MiroFish 开源：盛大孵化的群体智能预测引擎，把未来放进数字沙盘预演一遍

每做一个重大决定之前，你大概都想先"彩排"一遍。

政策发布前，想知道公众会是什么反应；营销方案上线前，想知道市场买不买账；危机已经烧起来的时候，更想知道舆论接下来会往哪儿走。但现实里，这些"如果"只能等真实发生了才算数——开弓没有回头箭，试错成本全押在真实世界里。

那问大模型呢？你问它"如果发布这项政策，舆论会怎样演化"，它能基于训练数据给你一段听着挺像回事的分析。但说到底，那是一个孤独的对话框在凭记忆想象：它没见过你的用户，不知道圈子里的意见领袖是谁，更没法推演"甲说了之后乙会怎么回应、丙看到乙的回应之后又会怎么变"。

传统的预测工具同样使不上劲。统计回归和专家系统回答的是"平均行为"——在平均意义上会发生什么。可真实世界的结果往往不由平均决定，而由一个个具体的人的反复碰撞决定，由极端尾部和涌现现象决定。

难的地方还在于蝴蝶效应。天气预报失效，很少是因为算力不够，而是初始条件的微小差异被不断放大；社会系统的预测更难——一条政策下去，各行各业的人反应不同，这些反应还会互相影响，最后涌现出一个谁都没有单独设计过的宏观结果。想在事前推演它，靠纸笔和经验根本推不动。

沙盘推演不是没有。兵棋推演、战争游戏搞了几十年，好用，但贵、门槛高，基本是大公司和专业机构的专利。普通人想做一次"发布前预演"，几乎没有顺手的工具。

MiroFish 想补的就是这个空位。 它把"平行数字世界"这件事开源了：你上传一份材料，它建一个世界；你在旁边看着，未来在这个世界里自己演出来。

这个项目是什么

MiroFish 是一个基于多智能体技术的开源 AI 预测引擎，官方对自己的定位只有一句话——"简洁通用的群体智能引擎，预测万物"。

它的工作方式可以用一个公式概括：

你上传种子材料（一份数据分析报告，或者一本有趣的小说），用自然语言描述你想预测什么； MiroFish 还你一份详尽的预测报告，外加一个可以深度交互的高保真数字世界。

所谓种子材料，可以是突发新闻、政策草案、金融信号，也可以是小说文稿。MiroFish 从中提取实体和关系，自动生成成千上万个具备独立人格、长期记忆和行为逻辑的 AI 智能体，把它们放进一个平行数字世界里自由交互、社会演化。你还能随时以"上帝视角"注入变量，看蝴蝶效应怎么发生。

这个项目由盛大集团战略支持和孵化，仿真引擎由 CAMEL-AI 团队的开源项目 OASIS 驱动，代码以 AGPL-3.0 协议开源，可以部署在自己的机器上。

官方的愿景说得很直白：于宏观，做决策者的预演实验室，让政策与公关在零风险中试错；于微观，做个人用户的创意沙盘，推演小说结局、探索脑洞，好玩且触手可及。从严肃预测到趣味仿真，让每一个"如果"都能看见结果。

MiroFish 工作台首页：上传任意报告，即刻推演未来

打开它的工作台，首页就一句话：上传任意报告，即刻推演未来。支持 PDF、Markdown、TXT 格式，传完文件用自然语言描述预测需求，剩下的交给它。

核心能力拆解

一、世界是"建"出来的，不是"编"出来的

大多数 AI 模拟的问题在于：世界是提示词临时编出来的，智能体之间的关系经不起追问。MiroFish 的第一步是图谱构建——从种子材料里做现实种子提取，注入个体与群体记忆，构建一张 GraphRAG 知识图谱。

这一步决定了后面所有智能体"信"的东西有据可查。官方演示的图谱里，实体类型覆盖了媒体、企业、政府机构、投资机构、政策制定者、技术高管等类别，节点上挂着成立时间、行业、营收、摘要这些属性；任意两个实体之间的关系，都带一句事实描述和生效时间。换句话说，智能体不是凭空生成的聊天框，而是长在一张从真实材料里抽出来的关系网上的。

这张图谱还是动态的。智能体在模拟中产生的新认知会写回记忆，个体记忆与群体记忆分开注入——每个智能体既知道"我是谁、我持什么立场"，也知道"圈子里最近发生了什么事"。世界因此有了历史，判断因此有了出处。

二、智能体有"人设"，还有"作息"

世界建好之后是环境搭建：实体关系抽取、人设生成、把仿真参数注入环境配置。

官方演示里生成的智能体，有科技媒体、上市公司、券商研报团队、个人投资者，每个都带自己的背景标签和活跃度参数。更有意思的是双平台并行模拟的配置：智能体被分配了睡眠、工作、通勤时间和各自的发帖活跃时段——它在模拟的是一个有昼夜节律的社交场，而不是一窝蜂同时说话的辩论赛。

从演示界面能看到，图谱构建完成后，系统会实时统计实体、关系与智能体的数量，侧栏逐个列出已生成的 Agent 人设，媒体、公司、投资者各就其位。人设不是随机昵称，而是带着身份标签和活跃参数的"账号"——它们后面说的每句话，都从这个人设里长出来。

README 把第三步称为"双平台并行模拟"，官方没有进一步解释两个平台各自的语义；从演示界面看，智能体按平台和作息分布活动，讨论随时间推进。我的理解是，这是用两套并行的社会演化互相参照，用算力换结论的稳定性。

图谱关系可视化与已生成的智能体人设

三、上帝视角：模拟过程中随时"搞事情"

这是我觉得最有决策价值的设计。模拟跑起来之后，你可以从上帝视角动态注入变量——丢进去一条突发政策、一次市场冲击，然后看这个世界怎么重新校准。

配合这一步的是初始激活编排：设定引导方向，预置一批初始热点话题，让讨论自然起爆。官方演示里能看到"摩尔线程概念股大涨""国产 GPU 芯片突破"这类话题被设为初始热点，各平台的智能体围绕它们开始交锋。未来不是被"算"出来的，是在沙盘里被"演"出来的——这句话算是这个项目最好的注脚。

这相当于把"如果……会怎样"这个问句具象成了一次操作。你不用在脑子里穷举分支，把变量丢进沙盘，看几百个智能体在新的约束下重新博弈。官方演示里，模拟引擎会先解析你的预测需求，再按引导方向激活话题——你不是在旁观一场预设好的电影，而是在给一场正在进行的街头辩论不断递话筒。

关系详情与初始激活编排

四、报告可追问，结论不黑盒

模拟结束不是终点。第四步报告生成由 ReportAgent 完成——它带着一套丰富的工具集，和模拟后的环境做深度交互，产出结构化的预测报告。官方演示里有一份《摩尔线程大规模融资后的战略演进与市场影响预测报告》，从资本投向一路梳理到上下游传导和市场情绪，每一步都有规划记录和执行日志，跑完还能一键进入深度互动。

第五步深度互动把追问权交还给你：你可以和模拟世界里的任意一个智能体对话，问它当时为什么那么判断，也可以直接问 ReportAgent 要依据。对做决策的人来说，"结论可以追问"和"结论看起来漂亮"之间，差着一条信任的鸿沟。这座桥 MiroFish 搭了。

一份合格的预测报告长什么样？官方演示给出的样本是：先列规划大纲，再分章节展开，过程日志完整可查，最后留一个"进入深度互动"的入口。它不承诺正确答案，但把推导过程摊开给你看——在 AI 生成内容满天飞的今天，这本身就是一种稀缺的态度。

结构化预测报告与执行日志

五、数据不出自己的机器

整条流水线是开源自部署的：种子材料、图谱、模拟数据全部留在你自己的机器上；模型层走 OpenAI 兼容接口，配 LLM_BASE_URL、LLM_API_KEY、LLM_MODEL_NAME 三个环境变量即可，README 推荐用阿里百炼的 qwen-plus；记忆层接 Zep Cloud，每月免费额度足够简单使用。对涉密或敏感的场景，这个边界很重要。

几个容易被忽略的设计取舍

第一，它故意不预测"平均"。 传统工具给你一个期望值，MiroFish 给你一个分布——不同人群、不同立场、不同信息掌握程度，撞在一起会涌现出什么。代价也是明着的：README 明确提醒消耗较大，建议先进行小于 40 轮的模拟尝试。用真金白银的 token 换"看见分布"，这个取舍值不值，取决于你的决策有多贵。

第二，记忆是分层的。 第一步里"个体记忆与群体记忆"分开注入图谱：智能体既记得自己的身份和立场，也知道圈子里正在发生的公共事件。这让跨轮次的交互有连续性，而不是每轮都从失忆开始。不少多智能体 demo 跑不久就"人设崩塌"，根子往往就在这。

第三，它没有重造轮子。 仿真引擎是 OASIS，记忆层是 Zep，模型层是任意兼容 OpenAI SDK 的 API——MiroFish 自己做的是编排：把世界构建、环境配置、并行模拟、报告生成、深度互动串成一条普通人能跑通的流水线。这种"胶水式"的工程组织在开源项目里越来越常见，但放在一个听起来很科幻的概念上，反而显得踏实。

第四，官方案例一个严肃一个趣味。 B 站上有两个官方演示：一个是用微舆 BettaFish 生成的《武大舆情报告》当种子做舆情推演，顺带项目讲解；另一个是基于《红楼梦》前 80 回数十万字，推演失传的后四十回结局。前者对应它"决策者预演实验室"的宏观定位，后者对应"个人创意沙盘"的微观定位——一个工具的上下限，这两个案例都交代了。

第五，输入的门槛很低，但用好它的门槛不低。 上传一份文件、加一句话就能开跑；可预测需求怎么描述、种子材料选哪份、变量什么时候注入，直接决定模拟的质量。工具把沙盘平民化了，但沙盘怎么用，仍然是使用者自己的功课。

安装与使用

前置要求：Node.js 18+、Python 3.11 到 3.12、uv。然后：

# 1. 配置环境变量（模型用 OpenAI SDK 格式的任意接口，记忆层用 Zep Cloud）
cp .env.example .env
# 编辑 .env，填入 LLM_API_KEY / LLM_BASE_URL / LLM_MODEL_NAME 和 ZEP_API_KEY

# 2. 一键安装依赖（根目录 + 前端 + 后端）
npm run setup:all

# 3. 启动服务（前端 :3000，后端 API :5001）
npm run dev

Docker 用户更简单，配好 .env 之后一条命令：

docker compose up -d

不想部署的话，官方还准备了在线 Demo，可以直接体验一次热点舆情事件的推演。第一次跑建议把轮数压小，先把流程跑通再加大剂量。

适用人群

  • 金融投资者与分析师：把事件信号当种子，推演市场情绪和舆论走向。官方演示里"摩尔线程融资后的战略演进"就是这么跑的。
  • 品牌、公关与市场团队：营销策略、危机预案先在沙盘里零风险试错，再拿到真实世界里上线。
  • 政策与社科研究者：一个可控的社交媒体模拟环境，信息怎么传播、群体怎么分化，可以反复复现。
  • 写作者与内容创作者：把小说文稿当种子，推演人物关系和结局走向。用 AI 续写红楼梦后四十回这个案例，本身就足够出圈。
  • AI 应用开发者：一个现成的多智能体系统工程样本，世界构建、记忆分层、并行模拟、报告生成各层怎么拆，照着重构一遍就能学到不少。

写在最后

预测这件事，人类尝试了几千年：从龟甲占卜到统计模型，本质都是想在看不清未来的时候多要一点确定性。MiroFish 给出的答案不是"算得更准"，而是把"如果"提前演一遍——让政策、营销、危机、剧情在数字沙盘里先撞个头破血流，再让真实世界少流一点血。

它当然不完美：烧 token、结论是概率而非答案、模拟终究不等于现实。但"预演未来"从军方沙盘和大厂预算，变成一个 docker compose up -d 就能跑起来的开源仓库——这件事本身，就值得每个要做决策的人认真看一眼。

未来在沙盘里，决策在百战后。

相关链接：