Motor de inteligencia colectiva simple y universal, prediciendo todo
A Simple and Universal Swarm Intelligence Engine, Predicting Anything

666ghj%2MiroFish | Shanda

[![GitHub Stars](https://img.shields.io/github/stars/666ghj/MiroFish?style=flat-square&color=DAA520)](https://github.com/666ghj/MiroFish/stargazers) [![GitHub Watchers](https://img.shields.io/github/watchers/666ghj/MiroFish?style=flat-square)](https://github.com/666ghj/MiroFish/watchers) [![GitHub Forks](https://img.shields.io/github/forks/666ghj/MiroFish?style=flat-square)](https://github.com/666ghj/MiroFish/network) [![Docker](https://img.shields.io/badge/Docker-Build-2496ED?style=flat-square&logo=docker&logoColor=white)](https://hub.docker.com/) [![Ask DeepWiki](https://deepwiki.com/badge.svg)](https://deepwiki.com/666ghj/MiroFish) [![Discord](https://img.shields.io/badge/Discord-Join-5865F2?style=flat-square&logo=discord&logoColor=white)](http://discord.gg/ePf5aPaHnA) [![X](https://img.shields.io/badge/X-Follow-000000?style=flat-square&logo=x&logoColor=white)](https://x.com/mirofish_ai) [![Instagram](https://img.shields.io/badge/Instagram-Follow-E4405F?style=flat-square&logo=instagram&logoColor=white)](https://www.instagram.com/mirofish_ai/) [English](./README.md) | [中文文档](./README-ZH.md) | [Español](./README-ES.md) | [Català](./README-CA.md)

## ⚡ Descripción general **MiroFish** es un motor de predicción de próxima generación impulsado por tecnología multi-agente. Al extraer información semilla del mundo real (como noticias de última hora, borradores de políticas o señales financieras), construye automáticamente un mundo digital paralelo de alta fidelidad. Dentro de este espacio, miles de agentes inteligentes con personalidades independientes, memoria a largo plazo y lógica conductual interactúan libremente y experimentan evolución social. Puedes inyectar variables dinámicamente desde una "perspectiva omnisciente" para deducir con precisión trayectorias futuras — **ensaya el futuro en un simulador digital y gana decisiones tras incontables simulaciones**. > Solo necesitas: Subir materiales semilla (informes de análisis de datos o historias noveladas interesantes) y describir tus requisitos de predicción en lenguaje natural
> MiroFish devolverá: Un informe de predicción detallado y un mundo digital de alta fidelidad profundamente interactivo ### Nuestra visión MiroFish se dedica a crear un espejo de inteligencia colectiva que refleja la realidad. Al capturar la emergencia colectiva desencadenada por interacciones individuales, superamos las limitaciones de la predicción tradicional: - **A nivel macro**: Somos un laboratorio de ensayo para tomadores de decisiones, permitiendo que políticas y relaciones públicas sean probadas a riesgo cero - **A nivel micro**: Somos un sandbox creativo para usuarios individuales — ya sea deduciendo finales de novelas o explorando escenarios imaginativos, todo puede ser divertido, lúdico y accesible Desde predicciones serias hasta simulaciones lúdicas, hacemos que cada "¿qué pasaría si?" vea su resultado, haciendo posible predecir todo. ## 🌐 Demo en vivo Visita nuestro entorno de demostración en línea y experimenta una simulación de predicción sobre eventos de opinión pública que hemos preparado para ti: [mirofish-live-demo](https://666ghj.github.io/mirofish-demo/) ## 📸 Capturas de pantalla

## 🎬 Videos de demostración ### 1. Simulación de opinión pública de la Universidad de Wuhan + Introducción al proyecto MiroFish

Video demo de MiroFish

Haz clic en la imagen para ver el video completo de demostración de predicción usando el "Informe de Opinión Pública de la Universidad de Wuhan" generado por BettaFish

### 2. Simulación del final perdido de "Sueño de las Cámaras Rojas"

Video demo de MiroFish

Haz clic en la imagen para ver la predicción profunda de MiroFish del final perdido basada en cientos de miles de palabras de los primeros 80 capítulos de "Sueño de las Cámaras Rojas"

> **Predicción financiera**, **Predicción de noticias políticas** y más ejemplos próximamente... ## 🔄 Flujo de trabajo 1. **Construcción del grafo**: Extracción de semillas & Inyección de memoria individual/colectiva & Construcción de GraphRAG 2. **Configuración del entorno**: Extracción de relaciones entre entidades & Generación de personajes & Inyección de configuración de Agentes 3. **Simulación**: Simulación paralela en dos plataformas & Análisis automático de requisitos de predicción & Actualización dinámica de memoria temporal 4. **Generación de informe**: ReportAgent con amplio conjunto de herramientas para interacción profunda con el entorno post-simulación 5. **Interacción profunda**: Conversa con cualquier agente del mundo simulado & Interactúa con ReportAgent ## 🚀 Inicio rápido ### Opción 1: Despliegue desde código fuente (Recomendado) #### Requisitos previos | Herramienta | Versión | Descripción | Verificar instalación | |-------------|---------|-------------|----------------------| | **Node.js** | 18+ | Runtime de frontend, incluye npm | `node -v` | | **Python** | ≥3.11, ≤3.12 | Runtime de backend | `python --version` | | **uv** | Última | Gestor de paquetes Python | `uv --version` | #### 1. Configurar variables de entorno ```bash # Copiar el archivo de configuración de ejemplo cp .env.example .env # Editar el archivo .env y completar las claves API necesarias ``` **Variables de entorno requeridas:** ```env # Configuración de API LLM (soporta cualquier API LLM con formato OpenAI SDK) # Recomendado: Modelo Alibaba Qwen-plus vía Bailian Platform: https://bailian.console.aliyun.com/ # Alto consumo, prueba primero simulaciones con menos de 40 rondas LLM_API_KEY=tu_api_key LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1 LLM_MODEL_NAME=qwen-plus # Configuración de Zep Cloud # La cuota mensual gratuita es suficiente para uso básico: https://app.getzep.com/ ZEP_API_KEY=tu_zep_api_key ``` #### 2. Instalar dependencias ```bash # Instalación con un clic de todas las dependencias (raíz + frontend + backend) npm run setup:all ``` O instala paso a paso: ```bash # Instalar dependencias Node (raíz + frontend) npm run setup # Instalar dependencias Python (backend, crea entorno virtual automáticamente) npm run setup:backend ``` #### 3. Iniciar servicios ```bash # Iniciar frontend y backend (ejecutar desde la raíz del proyecto) npm run dev ``` **URLs de servicios:** - Frontend: `http://localhost:3000` - Backend API: `http://localhost:5001` **Iniciar individualmente:** ```bash npm run backend # Iniciar solo el backend npm run frontend # Iniciar solo el frontend ``` ### Opción 2: Despliegue con Docker ```bash # 1. Configurar variables de entorno (igual que despliegue desde código fuente) cp .env.example .env # 2. Extraer imagen e iniciar docker compose up -d ``` Lee `.env` del directorio raíz por defecto, mapea puertos `3000 (frontend) / 5001 (backend)` > La dirección del mirror para descarga más rápida se proporciona como comentarios en `docker-compose.yml`, reemplaza si es necesario. ## 📬 Únete a la conversación

Grupo QQ

El equipo de MiroFish está reclutando posiciones de tiempo completo/pasantías. Si te interesan la simulación multi-agente y las aplicaciones de LLM, no dudes en enviar tu CV a: **mirofish@shanda.com** ## 📄 Agradecimientos **¡MiroFish ha recibido apoyo estratégico e incubación de Shanda Group!** El motor de simulación de MiroFish está impulsado por **[OASIS (Open Agent Social Interaction Simulations)](https://github.com/camel-ai/oasis)**, agradecemos sinceramente las contribuciones de código abierto del equipo CAMEL-AI. ## 📈 Estadísticas del proyecto

Gráfico de Star History