9.7 KiB
简洁通用的群体智能引擎，预测万物
A Simple and Universal Swarm Intelligence Engine, Predicting Anything
Idiomas / Languages: English · 中文 · Español · Français · Português · Русский · Deutsch
⚡ Descripción general
MiroFish es un motor de predicción con IA de nueva generación impulsado por tecnología multiagente. 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. En este espacio, miles de agentes inteligentes con personalidades independientes, memoria a largo plazo y lógica de comportamiento interactúan libremente y evolucionan socialmente. Puedes inyectar variables dinámicamente desde una «vista de Dios» para deducir con precisión trayectorias futuras — ensaya el futuro en un sandbox digital y gana decisiones tras innumerables simulaciones.
Solo necesitas: subir materiales semilla (informes de análisis de datos o historias interesantes) y describir tus requisitos de predicción en lenguaje natural
MiroFish devolverá: un informe de predicción detallado y un mundo digital interactivo de alta fidelidad
Nuestra visión
MiroFish se dedica a crear un espejo de inteligencia colectiva que refleje la realidad. Al capturar la emergencia colectiva provocada por las interacciones individuales, superamos las limitaciones de la predicción tradicional:
- A nivel macro: somos un laboratorio de ensayo para tomadores de decisiones, permitiendo probar políticas y relaciones públicas sin riesgo
- A nivel micro: somos un sandbox creativo para usuarios individuales — ya sea deducir finales de novelas o explorar escenarios imaginativos, todo puede ser divertido y accesible
Desde predicciones serias hasta simulaciones lúdicas, permitimos que cada «¿y si?» vea su resultado, haciendo posible predecir cualquier cosa.
🌐 Demo en línea
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
📸 Capturas de pantalla
 |
 |
 |
 |
 |
 |
🎬 Videos de demostración
1. Simulación de opinión pública de la Universidad de Wuhan + Introducción al proyecto MiroFish
Haz clic en la imagen para ver el video completo de predicción usando el «Informe de opinión pública de Wuhan» generado por BettaFish
2. Simulación del final perdido de «Sueño en el pabellón rojo»
Haz clic en la imagen para ver la predicción profunda de MiroFish sobre el final perdido basada en cientos de miles de palabras de los primeros 80 capítulos de «Sueño en el pabellón rojo»
Más ejemplos de predicción financiera, predicción de noticias políticas, etc. próximamente...
🔄 Flujo de trabajo
- Construcción del grafo: Extracción de semillas e inyección de memoria individual/colectiva y construcción GraphRAG
- Configuración del entorno: Extracción de relaciones entre entidades, generación de personas e inyección de configuración de agentes
- Simulación: Simulación paralela en doble plataforma, análisis automático de requisitos de predicción y actualizaciones dinámicas de memoria temporal
- Generación de informes: ReportAgent con un rico conjunto de herramientas para interacción profunda con el entorno post-simulación
- Interacción profunda: Chatea con cualquier agente del mundo simulado e interactúa con ReportAgent
🚀 Inicio rápido
Opción 1: Despliegue desde código fuente (recomendado)
Requisitos previos
| Herramienta | Versión | Descripción | Verificar instalación |
|---|---|---|---|
| Node.js | 18+ | Entorno de ejecución frontend, incluye npm | node -v |
| Python | ≥3.11, ≤3.12 | Entorno de ejecución backend | python --version |
| uv | Última | Gestor de paquetes Python | uv --version |
1. Configurar variables de entorno
# 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:
# Configuración de API LLM (compatible con cualquier API LLM con formato OpenAI SDK)
# Recomendado: modelo Qwen-plus de Alibaba vía Bailian Platform: https://bailian.console.aliyun.com/
# Alto consumo, prueba primero simulaciones con menos de 40 rondas
LLM_API_KEY=your_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 simple: https://app.getzep.com/
ZEP_API_KEY=your_zep_api_key
2. Instalar dependencias
# Instalación de todas las dependencias con un solo comando (raíz + frontend + backend)
npm run setup:all
O instalar paso a paso:
# Instalar dependencias Node (raíz + frontend)
npm run setup
# Instalar dependencias Python (backend, crea entorno virtual automáticamente)
npm run setup:backend
3. Iniciar servicios
# Iniciar frontend y backend (ejecutar desde la raíz del proyecto)
npm run dev
URLs de servicio:
- Frontend:
http://localhost:3000 - API Backend:
http://localhost:5001
Iniciar por separado:
npm run backend # Solo backend
npm run frontend # Solo frontend
Opción 2: Despliegue con Docker
# 1. Configurar variables de entorno (igual que despliegue desde código)
cp .env.example .env
# 2. Descargar imagen e iniciar
docker compose up -d
Lee .env desde el 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, reemplazar si es necesario.
📬 Únete a la conversación
El equipo de MiroFish está reclutando posiciones de tiempo completo/prácticas. Si te interesan la simulación multiagente y las aplicaciones LLM, envía tu currículum 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). ¡Agradecemos sinceramente al equipo CAMEL-AI por sus contribuciones de código abierto!