MicroFish/README-ZH.md at fb0ac4b5fe0764e001d57ccf0feba8838428936a

9.2 KiB

Raw Blame History

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

⚡ 项目概述

MiroFish 是一款基于多智能体技术的新一代 AI 预测引擎。通过提取现实世界的种子信息（如突发新闻、政策草案、金融信号），自动构建出高保真的平行数字世界。在此空间内，成千上万个具备独立人格、长期记忆与行为逻辑的智能体进行自由交互与社会演化。你可透过「上帝视角」动态注入变量，精准推演未来走向——让未来在数字沙盘中预演，助决策在百战模拟后胜出。

你只需：上传种子材料（数据分析报告或者有趣的小说故事），并用自然语言描述预测需求
MiroFish 将返回：一份详尽的预测报告，以及一个可深度交互的高保真数字世界

我们的愿景

MiroFish 致力于打造映射现实的群体智能镜像，通过捕捉个体互动引发的群体涌现，突破传统预测的局限：

于宏观：我们是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：我们是个人用户的创意沙盘，无论是推演小说结局还是探索脑洞，皆可有趣、好玩、触手可及

从严肃预测到趣味仿真，我们让每一个如果都能看见结果，让预测万物成为可能。

🌐 在线体验

欢迎访问在线 Demo 演示环境，体验我们为你准备的一次关于热点舆情事件的推演预测：mirofish-live-demo

📸 系统截图

🎬 演示视频

1. 武汉大学舆情推演预测 + MiroFish项目讲解

点击图片查看使用微舆BettaFish生成的《武大舆情报告》进行预测的完整演示视频

2. 《红楼梦》失传结局推演预测

点击图片查看基于《红楼梦》前80回数十万字，MiroFish深度预测失传结局

金融方向推演预测、时政要闻推演预测等示例陆续更新中...

🔄 工作流程

图谱构建：现实种子提取 & 个体与群体记忆注入 & GraphRAG构建
环境搭建：实体关系抽取 & 人设生成 & 环境配置Agent注入仿真参数
开始模拟：双平台并行模拟 & 自动解析预测需求 & 动态更新时序记忆
报告生成：ReportAgent拥有丰富的工具集与模拟后环境进行深度交互
深度互动：与模拟世界中的任意一位进行对话 & 与ReportAgent进行对话

🚀 快速开始

一、Docker 部署（推荐）

Docker 部署一键启动整个栈 —— 前端、后端和 Neo4j。

# 1. 复制并配置环境变量
cp .env.example .env
# 编辑 .env，填入 LLM_API_KEY（如需覆盖默认 Neo4j 密码也一并修改）

# 2. 拉取镜像并启动
docker compose up -d

默认会读取根目录下的 .env，并映射端口 3000（前端）/5001（后端）。

在 docker-compose.yml 中已通过注释提供加速镜像地址，可按需替换。

二、源码部署

前置要求

工具	版本要求	说明	安装检查
Node.js	18+	前端运行环境，包含 npm	`node -v`
Python	≥3.11, ≤3.12	后端运行环境	`python --version`
uv	最新版	Python 包管理器	`uv --version`
Neo4j	5.x Community	本地知识图谱数据库	`neo4j --version`

安装 Neo4j（选择适合你的方式）：

# macOS
brew install neo4j

# Linux (Debian/Ubuntu)
# 参考官方文档：https://neo4j.com/docs/operations-manual/current/installation/linux/

# Windows / 所有平台
# 下载 Desktop 版本：https://neo4j.com/download/

# 首次启动前设置密码，然后启动服务
neo4j-admin dbms set-initial-password your_neo4j_password
neo4j start

1. 配置环境变量

# 复制示例配置文件
cp .env.example .env

# 编辑 .env 文件，填入必要的 API 密钥

必需的环境变量：

# LLM API配置（支持 OpenAI SDK 格式的任意 LLM API）
# 推荐使用阿里百炼平台qwen-plus模型：https://bailian.console.aliyun.com/
# 注意消耗较大，可先进行小于40轮的模拟尝试
LLM_API_KEY=your_api_key
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus

# 知识图谱配置（本地 Neo4j + Graphiti，免费无限制）
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=your_neo4j_password

# Embedding 模型（使用非 OpenAI 厂商时取消注释，例如 Gemini）
# EMBEDDING_MODEL=gemini-embedding-001

可选 —— 加速 LLM 配置：

如果有更快或更便宜的供应商，可以把辅助调用路由过去。 未使用时请整段省略（不要保留占位符）。

LLM_BOOST_API_KEY=your_api_key_here
LLM_BOOST_BASE_URL=your_base_url_here
LLM_BOOST_MODEL_NAME=your_model_name_here

注意： MiroFish 已从 Zep Cloud 迁移至本地 Graphiti + Neo4j，无需注册任何第三方知识图谱服务，完全免费且无速率限制。

2. 安装依赖

# 一键安装所有依赖（根目录 + 前端 + 后端）
npm run setup:all

或者分步安装：

# 安装 Node 依赖（根目录 + 前端）
npm run setup

# 安装 Python 依赖（后端，自动创建虚拟环境）
npm run setup:backend

3. 启动服务

# 同时启动前后端（在项目根目录执行）
npm run dev

服务地址：

前端：http://localhost:3000
后端 API：http://localhost:5001

单独启动：

npm run backend   # 仅启动后端
npm run frontend  # 仅启动前端

📬 更多交流

MiroFish团队长期招募全职/实习，如果你对多Agent应用感兴趣，欢迎投递简历至：mirofish@shanda.com

📄 致谢

MiroFish 得到了盛大集团的战略支持和孵化！

MiroFish 的仿真引擎由 OASIS 驱动，我们衷心感谢 CAMEL-AI 团队的开源贡献！

9.2 KiB Raw Blame History Unescape Escape