MicroFish/README-DE.md

简洁通用的群体智能引擎，预测万物
A Simple and Universal Swarm Intelligence Engine, Predicting Anything

Sprachen / Languages: English · 中文 · Español · Français · Português · Русский · Deutsch

⚡ Überblick

MiroFish ist eine KI-Prognose-Engine der nächsten Generation, die auf Multi-Agenten-Technologie basiert. Durch die Extraktion von Ausgangsinformationen aus der realen Welt (wie Eilmeldungen, Politikentwürfe oder Finanzsignale) wird automatisch eine hochpräzise parallele digitale Welt aufgebaut. In diesem Raum interagieren Tausende intelligenter Agenten mit unabhängigen Persönlichkeiten, Langzeitgedächtnis und Verhaltenslogik frei und durchlaufen soziale Evolution. Sie können Variablen dynamisch aus der «Gottperspektive» injizieren, um zukünftige Entwicklungen präzise abzuleiten — proben Sie die Zukunft in einer digitalen Sandbox und treffen Sie Entscheidungen nach unzähligen Simulationen.

Sie müssen nur: Ausgangsmaterialien hochladen (Datenanalyseberichte oder interessante Geschichten) und Ihre Prognoseanforderungen in natürlicher Sprache beschreiben
MiroFish liefert: einen detaillierten Prognosebericht und eine interaktive hochpräzise digitale Welt

Unsere Vision

MiroFish widmet sich der Schaffung eines Schwarmintelligenz-Spiegels, der die Realität abbildet. Durch die Erfassung kollektiver Emergenz, die durch individuelle Interaktionen ausgelöst wird, überwinden wir die Grenzen traditioneller Prognosen:

• Auf Makroebene: Wir sind ein Probelabor für Entscheidungsträger, das Politik und PR risikofrei testen lässt
• Auf Mikroebene: Wir sind eine kreative Sandbox für Einzelnutzer — ob Romanendungen ableiten oder fantasievolle Szenarien erkunden, alles kann unterhaltsam und zugänglich sein

Von ernsthaften Prognosen bis zu spielerischen Simulationen — wir lassen jedes «Was wäre, wenn» sein Ergebnis sehen und machen es möglich, alles vorherzusagen.

🌐 Live-Demo

Besuchen Sie unsere Online-Demo-Umgebung und erleben Sie eine Prognosesimulation zu aktuellen Meinungsereignissen, die wir für Sie vorbereitet haben: mirofish-live-demo

📸 Screenshots

🎬 Demo-Videos

1. Simulation der öffentlichen Meinung der Universität Wuhan + MiroFish-Projektvorstellung

Klicken Sie auf das Bild, um das vollständige Demo-Video zur Prognose mit dem von BettaFish generierten «Bericht zur öffentlichen Meinung der Universität Wuhan» anzusehen

2. Simulation des verlorenen Endes von «Traum der roten Kammer»

Klicken Sie auf das Bild, um MiroFishs tiefgreifende Prognose des verlorenen Endes basierend auf Hunderttausenden von Wörtern aus den ersten 80 Kapiteln von «Traum der roten Kammer» anzusehen

Weitere Beispiele für Finanzprognosen, politische Nachrichtenprognosen usw. folgen in Kürze...

🔄 Arbeitsablauf

1. Graph-Aufbau: Samenextraktion und Injektion individueller/kollektiver Erinnerung sowie GraphRAG-Konstruktion
2. Umgebungseinrichtung: Extraktion von Entitätsbeziehungen, Persona-Generierung und Agentenkonfigurations-Injektion
3. Simulation: Parallele Simulation auf zwei Plattformen, automatische Analyse der Prognoseanforderungen und dynamische zeitliche Speicheraktualisierungen
4. Berichtserstellung: ReportAgent mit umfangreichem Toolset für tiefe Interaktion mit der post-simulations Umgebung
5. Tiefe Interaktion: Chatten Sie mit jedem Agenten in der simulierten Welt und interagieren Sie mit ReportAgent

🚀 Schnellstart

Option 1: Quellcode-Bereitstellung (empfohlen)

Voraussetzungen

Tool	Version	Beschreibung	Installation prüfen
Node.js	18+	Frontend-Laufzeit, inkl. npm	node -v
Python	≥3.11, ≤3.12	Backend-Laufzeit	python --version
uv	Neueste	Python-Paketmanager	uv --version

1. Umgebungsvariablen konfigurieren

# Beispielkonfigurationsdatei kopieren
cp .env.example .env

# .env-Datei bearbeiten und erforderliche API-Schlüssel eintragen

Erforderliche Umgebungsvariablen:

# LLM-API-Konfiguration (unterstützt jede LLM-API im OpenAI-SDK-Format)
# Empfohlen: Alibaba Qwen-plus-Modell über Bailian Platform: https://bailian.console.aliyun.com/
# Hoher Verbrauch, testen Sie zuerst Simulationen mit weniger als 40 Runden
LLM_API_KEY=your_api_key
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus

# Zep Cloud-Konfiguration
# Kostenloses Monatskontingent reicht für einfache Nutzung: https://app.getzep.com/
ZEP_API_KEY=your_zep_api_key

2. Abhängigkeiten installieren

# Alle Abhängigkeiten mit einem Befehl installieren (Root + Frontend + Backend)
npm run setup:all

Oder schrittweise installieren:

# Node-Abhängigkeiten installieren (Root + Frontend)
npm run setup

# Python-Abhängigkeiten installieren (Backend, erstellt automatisch virtuelle Umgebung)
npm run setup:backend

3. Dienste starten

# Frontend und Backend gleichzeitig starten (vom Projektroot aus)
npm run dev

Dienst-URLs:

• Frontend: http://localhost:3000
• Backend-API: http://localhost:5001

Einzeln starten:

npm run backend   # Nur Backend
npm run frontend  # Nur Frontend

Option 2: Docker-Bereitstellung

# 1. Umgebungsvariablen konfigurieren (wie bei Quellcode-Bereitstellung)
cp .env.example .env

# 2. Image abrufen und starten
docker compose up -d

Liest standardmäßig .env aus dem Root-Verzeichnis, mappt Ports 3000 (Frontend) / 5001 (Backend)

Mirror-Adresse für schnelleres Herunterladen ist als Kommentar in docker-compose.yml angegeben, bei Bedarf ersetzen.

📬 Werden Sie Teil der Community

 

Das MiroFish-Team sucht Vollzeit-/Praktikanten. Wenn Sie sich für Multi-Agenten-Simulation und LLM-Anwendungen interessieren, senden Sie Ihren Lebenslauf an: mirofish@shanda.com

📄 Danksagungen

MiroFish hat strategische Unterstützung und Inkubation von Shanda Group erhalten!

MiroFishs Simulations-Engine wird von OASIS (Open Agent Social Interaction Simulations) angetrieben. Wir danken dem CAMEL-AI-Team herzlich für ihre Open-Source-Beiträge!

📈 Projektstatistiken