666ghj/MiroFish

MiroFish 是一个可自托管的 LLM 驱动模拟引擎：它从种子文档出发搭建一个平行"数字世界"，让大量智能体在其中互动演化。你只需上传材料（例如新闻、政策草案、金融信号或小说）并用自然语言描述预测需求，系统会构建知识图谱、生成智能体人设、运行模拟，最后产出预测报告和一个可深度交互的世界。

工作机制

文档给出的流程分四步：种子提取与 GraphRAG 构建；实体关系抽取与人设/配置注入；双平台并行模拟并动态更新记忆；最后由 ReportAgent 借助工具集与模拟后的环境交互。结束后你还可以与任意模拟智能体或 ReportAgent 对话。模拟引擎基于 CAMEL-AI 的 OASIS 项目，如果你已在使用该生态，这一点值得留意（README）。

决定实际体验的两个机制是长期记忆（由 Zep Cloud 支撑）和"上帝视角"变量注入——你可以在运行中途改变条件，而不只是观察一个固定剧本。README 把适用范围写得很宽：既可以做政策与公关的低风险演练，也可以用于推演小说结局这类创作探索；线上演示环境展示了预期界面（在线 demo）。

运行条件与成本

两种部署方式都需要 LLM API 凭据和 Zep Cloud key。LLM 只要兼容 OpenAI SDK 格式即可，README 推荐通过阿里云百炼使用 Qwen-plus，并明确提示消耗较高，建议先用 40 轮以内的模拟试跑（README、百炼控制台、Zep）。

源码部署还要求 Node.js 18+、Python 3.11–3.12 和 uv 包管理器；安装脚本会处理根目录、前端和后端依赖，服务分别运行在 3000 和 5001 端口。Docker 部署复用同一份 .env 配置，端口相同（README）。

范围与注意事项

README 没有公布准确率基准、验证数据集或对预测质量的正式评估，相关内容更多是愿景和工作流描述，而非实测结论。因此"预测万物"应理解为项目目标，而不是已经验证的能力。Token 消耗和对外部记忆服务的依赖是现实约束，模拟质量也会随种子材料和所选 LLM 变化。项目采用 AGPL-3.0 许可，若你修改后以网络服务形式提供，需要留意该协议的要求。仓库创建于 2025 年 11 月，历史较短，star 数反映的是关注度，并不代表预测可靠性已被验证（仓库）。