MiroFish开源AI预测引擎完全指南：多智能体模拟推演未来｜保姆级部署教程

本文由「无忆研习社」原创整理发布，转载请注明出处。如果你也在寻找能够预测趋势、模拟未来的开源工具，这篇保姆级教程绝对值得收藏。

前言：当 AI 学会了"推演未来"

过去几年，我们见证了 AI 在内容生成、代码编写、图像创作等领域的突飞猛进。但这些应用本质上都是在处理"已知"——基于已有的数据和模式，生成相似的内容。

然而，有一类问题始终困扰着决策者们：未来会发生什么？

传统的预测方法，无论是统计模型还是机器学习，都依赖于历史数据的拟合。它们假设未来是过去的延续，这在稳定环境中或许有效，但面对复杂的社会系统、多变的市场环境，这种线性外推往往力不从心。

今天「无忆研习社」要介绍的这个开源项目，走了一条完全不同的路——它不再试图从历史数据中找规律，而是构建了一个"平行世界"，让成千上万个 AI 智能体在其中自由交互、博弈演化，最终"涌现"出未来的可能模样。

这就是 MiroFish——一个基于群体智能的预测引擎。

第一章：理解 MiroFish 的核心理念

1.1 什么是群体智能？

在深入了解 MiroFish 之前，我们需要先理解一个关键概念：群体智能（Swarm Intelligence）。

想象一下蚁群。单只蚂蚁的智力非常有限，它不知道食物在哪里，也不知道如何规划路线。但当数以万计的蚂蚁按照简单的规则行动时，整个蚁群却能找到最短路径、建造复杂的巢穴、应对各种环境变化。

这种从个体简单行为中"涌现"出复杂集体智能的现象，就是群体智能的核心。

在学术领域，这被称为"多智能体系统"（Multi-Agent System，简称 MAS）。研究者们发现，当大量具有独立决策能力的"智能体"进行交互时，系统层面会呈现出个体层面不具备的特性。这种"整体大于部分之和"的现象，为我们理解和预测复杂系统提供了全新视角。

1.2 MiroFish 的设计哲学

MiroFish 的核心理念可以用一句话概括：让每一个"如果"都能看见结果，让预测万物成为可能。

传统预测依赖数据拟合，本质上是在问"历史告诉我们未来会怎样"。而 MiroFish 采用的是模拟推演，它在问"如果这些人按照各自的逻辑行动，世界会变成什么样"。

这种方法特别适合处理以下场景：

• 社会舆论演化：一条新闻发布后，不同群体会如何反应，舆论会向哪个方向发展？
• 市场博弈分析：各方利益相关者的决策会如何相互影响，最终达成什么样的均衡？
• 政策效果评估：一项新政策实施后，不同角色会如何调整行为，产生什么连锁反应？
• 剧情推演：甚至可以用于推演小说的后续发展，看看角色们会走向什么样的结局。

1.3 MiroFish 在数据分析生态中的位置

值得注意的是，MiroFish 并非独立存在，它是一套开源"数据分析三板斧"中的第三件利器：

如果说 BettaFish 的存在是为了告诉你"发生了什么"，那么 MiroFish 的使命就是成为那个能"推导未来"的超级大脑。

这三个工具形成了一个完整的闭环：先用 MindSpider 收集信息，再用 BettaFish 分析现状，最后用 MiroFish 推演未来。对于需要全面数据洞察能力的用户来说，这套组合拳相当实用。

第二章：MiroFish 的技术架构深度剖析

2.1 整体架构概览

MiroFish 采用了前后端分离的现代化架构设计。让「无忆研习社」带你从技术层面逐一拆解：

MiroFish/
├── frontend/          # 前端应用（React/Next.js）
│   ├── components/    # UI 组件库
│   ├── pages/         # 页面路由
│   └── ...
├── backend/           # 后端服务（Python）
│   ├── agents/        # 智能体定义
│   ├── engine/        # 模拟引擎核心
│   ├── knowledge/     # 知识图谱模块
│   └── ...
├── .env.example       # 环境变量模板
├── package.json       # 项目配置
└── ...

前端技术栈：

• 框架：基于 Node.js 生态构建
• 界面：现代化的可视化交互设计
• 实时性：支持模拟过程的实时展示

后端技术栈：

• 语言：Python 3.x
• 依赖管理：使用 uv（新一代 Python 包管理器）
• LLM 接入：支持多家大模型厂商

2.2 核心模块详解

2.2.1 种子解析模块

MiroFish 的工作流程始于一份"种子材料"——可以是一份分析报告、一篇新闻稿件，甚至是一个小说章节。

种子解析模块的任务是：

1. 内容理解：利用大语言模型理解文档的核心内容
2. 实体提取：识别文档中出现的人物、组织、事件等关键实体
3. 关系构建：分析实体之间的关联关系，构建知识图谱

这一步非常关键，因为后续所有的模拟推演都建立在这个知识图谱之上。如果种子材料解析不准确，整个模拟的质量都会受到影响。

2.2.2 知识图谱引擎

知识图谱是 MiroFish 的"记忆中枢"。它不是简单的文本存储，而是一个结构化的知识网络。

在实际运行中，知识图谱会：

• 记录每个实体的属性和特征
• 维护实体之间的关系网络
• 随着模拟进行动态更新

通过可视化界面，用户可以直观地看到这张知识图谱，点击任意节点即可查看该实体的详细信息和相关总结。

2.2.3 智能体生成系统

这是 MiroFish 最具特色的部分。系统会根据知识图谱中的实体，自动生成一批具有独特"人设"的 AI 智能体。

每个智能体都具备：

独立人格

• 基于源材料中的信息，为每个角色设定性格特征
• 不同立场、不同利益诉求的角色会有不同的行为倾向

长期记忆

• 智能体能记住自己说过的话、做过的事
• 历史行为会影响后续决策

行为逻辑

• 根据角色定位设定决策规则
• 在面对不同情境时做出符合角色的反应

举个例子，如果种子材料是一份关于某上市公司的分析报告，系统可能会生成这些智能体：

• 华尔街分析师（倾向于用数据说话）
• 散户投资者（更容易受情绪影响）
• 公司高管（会维护公司利益）
• 媒体记者（追求新闻价值）
• 监管机构（关注合规问题）

2.2.4 平行世界模拟引擎

这是整个系统的心脏。MiroFish 会同时构建两个（或更多）平行的模拟世界，让智能体们在其中自由交互。

为什么需要多个平行世界？

单一模拟的结果可能存在偶然性。通过运行多个平行世界，可以：

• 对比不同演化路径
• 识别稳定的趋势与偶发的变异
• 提高预测的可靠性

模拟过程中会发生什么？

1. 话题发布：系统向模拟世界投放一个议题
2. 智能体响应：各个智能体根据自己的人设发表观点
3. 交互演化：智能体之间相互影响，观点可能改变
4. 涌现结果：随着交互深入，集体趋势逐渐明朗

整个过程都会被记录，用户可以观察每个智能体在每一步的状态变化。

2.2.5 报告生成与交互系统

模拟完成后，MiroFish 会：

自动生成预测报告

• 总结两个平行世界的演化结果
• 对比分析关键差异
• 提炼核心预测结论

支持深度交互

• 用户可以与 Report Agent 对话，快速获取关键信息
• 可以与任意智能体进行问答，深入了解其立场
• 支持追问细节，探索特定假设下的结果

这种交互式的结果呈现，比传统的静态报告更加灵活和深入。

2.3 技术亮点总结

从技术角度看，MiroFish 有几个值得称道的设计：

零框架依赖

• 核心逻辑从零实现，没有依赖特定的 AI Agent 框架
• 代码可读性高，便于二次开发

多模型支持

• 支持 OpenAI、阿里云通义等多家大模型
• 可根据成本和性能需求灵活选择

可视化交互

• 知识图谱的可视化展示
• 模拟过程的实时呈现
• 结果的交互式探索

模块化架构

• 各模块职责清晰，耦合度低
• 便于扩展和定制

第三章：手把手部署教程（保姆级）

「无忆研习社」深知很多读者对于技术部署可能比较陌生，因此这一章会尽可能详细地讲解每一个步骤。

3.1 环境准备

3.1.1 硬件要求

MiroFish 对硬件没有特别高的要求，因为主要的计算都在云端的大模型完成：

• CPU：现代多核处理器即可
• 内存：建议 8GB 以上
• 硬盘：至少 2GB 可用空间
• 网络：稳定的互联网连接（需要调用大模型 API）

3.1.2 软件要求

在开始之前，请确保你的系统已安装：

Node.js（必需）

• 版本要求：18.0.0 或更高
• 下载地址：https://nodejs.org/
• 验证安装：

node --version
# 应显示 v18.x.x 或更高版本

Python（必需）

• 版本要求：3.11 或更高
• 下载地址：https://www.python.org/
• 验证安装：

python --version
# 应显示 Python 3.11.x 或更高版本

Git（必需）

• 用于克隆项目代码
• 下载地址：https://git-scm.com/
• 验证安装：

git --version

uv（推荐）

• 新一代 Python 包管理器，项目使用它管理后端依赖
• 安装方法：

# macOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows (PowerShell)
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

3.2 获取项目代码

打开终端（Windows 用户可以使用 PowerShell 或 Git Bash），执行以下命令：

# 克隆项目到本地
git clone https://github.com/666ghj/MiroFish.git

# 进入项目目录
cd MiroFish

如果你的网络访问 GitHub 比较慢，可以考虑：

1. 使用代理
2. 使用 Gitee 等国内镜像（如果有的话）
3. 直接在 GitHub 页面下载 ZIP 压缩包

3.3 配置环境变量

这一步非常重要，因为 MiroFish 需要调用大语言模型的 API。

3.3.1 复制配置文件模板

cp .env.example .env

这会创建一个名为 .env 的配置文件，里面包含了所有需要配置的环境变量。

3.3.2 编辑配置文件

使用任意文本编辑器打开 .env 文件：

# macOS/Linux
nano .env
# 或
vim .env

# Windows
notepad .env

你会看到类似这样的内容：

# OpenAI 配置
OPENAI_API_KEY=your_openai_api_key_here
OPENAI_BASE_URL=https://api.openai.com/v1

# 阿里云通义配置
DASHSCOPE_API_KEY=your_dashscope_api_key_here

# 其他配置...

3.3.3 获取 API Key

MiroFish 支持多种大模型，你只需要配置其中一个即可：

方案一：使用 OpenAI

1. 访问 https://platform.openai.com/
2. 注册/登录账号
3. 在 API Keys 页面创建新的密钥
4. 将密钥填入 OPENAI_API_KEY

方案二：使用阿里云通义

1. 访问阿里云百炼平台 https://bailian.console.aliyun.com/
2. 开通服务并获取 API Key
3. 将密钥填入 DASHSCOPE_API_KEY

方案三：使用其他兼容的 API 服务

如果你使用的是 OpenAI 兼容的第三方服务（如各种国内的 API 中转），只需要修改 OPENAI_BASE_URL 为对应的服务地址即可。

3.4 安装依赖

MiroFish 提供了一键安装脚本，可以同时安装前端和后端的所有依赖：

npm run setup:all

这个命令会：

1. 安装根目录的 npm 依赖
2. 安装前端项目的 npm 依赖
3. 使用 uv 安装后端 Python 依赖

整个过程可能需要几分钟，取决于你的网络速度。

如果遇到问题，可以尝试分步安装：

# 安装前端依赖
npm run setup

# 安装后端依赖
npm run setup:backend

3.5 启动服务

一切就绪后，运行：

npm run dev

这会同时启动前端和后端服务。你会看到类似这样的输出：

[backend] Starting Python backend...
[frontend] Starting frontend dev server...
[frontend] ready - started server on 0.0.0.0:3000

3.6 访问应用

打开浏览器，访问：

http://localhost:3000

如果一切正常，你会看到 MiroFish 的主界面！

3.7 常见问题排查

问题1：端口被占用

Error: listen EADDRINUSE: address already in use :::3000

解决：关闭占用端口的程序，或修改配置使用其他端口。

问题2：Python 依赖安装失败

• 确保 Python 版本 >= 3.11
• 尝试使用 pip 手动安装：pip install -r backend/requirements.txt

问题3：API 调用失败

• 检查 .env 中的 API Key 是否正确
• 检查网络是否能访问 API 服务器
• 查看后端日志获取详细错误信息

问题4：macOS/Linux 权限问题

# 如果提示权限不足
chmod +x node_modules/.bin/*

第四章：实战演练——从入门到精通

理论讲得再多，不如实际操作一遍。「无忆研习社」这就用一个完整的案例，带你走完 MiroFish 的全流程。

4.1 准备种子材料

MiroFish 支持多种格式的种子材料：

• PDF 文档
• Markdown 文件
• TXT 纯文本

种子材料的质量直接影响模拟效果。一份好的种子材料应该：

• 包含明确的事件或议题
• 涉及多个不同立场的角色
• 有足够的背景信息供系统理解

示例场景：科技公司财报分析

假设我们想预测某科技公司发布财报后的市场反应，可以准备一份包含以下内容的分析报告：

• 公司近期业绩数据
• 行业背景分析
• 主要利益相关方（机构投资者、散户、分析师等）的历史观点
• 可能影响市场的关键因素

4.2 上传与解析

进入 MiroFish 主界面后：

1. 点击上传区域：选择你准备好的种子文件
2. 填写预测目标：用自然语言描述你想预测什么
• 例如："财报发布当天，股价是涨是跌？"
• 或者："市场对这份财报的整体反应是偏乐观还是悲观？"
3. 点击开始分析：系统开始解析文档

解析过程中，你会看到进度提示。系统正在：

• 阅读和理解文档内容
• 提取关键实体和关系
• 构建初始知识图谱

4.3 查看知识图谱

解析完成后，界面左侧会出现一张知识图谱：

• 节点：代表文档中识别出的实体（人物、组织、概念等）
• 连线：代表实体之间的关系
• 颜色：不同类型的实体用不同颜色区分

你可以：

• 拖拽节点调整布局
• 点击节点查看详细信息
• 放大缩小查看全局或局部

这是理解系统如何"看待"你的种子材料的重要窗口。如果发现有重要实体遗漏或关系识别错误，可能需要优化种子材料。

4.4 配置智能体

系统会自动基于知识图谱生成一组智能体。在我们的财报分析案例中，可能包括：

每个智能体都有可配置的参数：

• 活跃度：决定智能体发言的频率
• 影响力：决定智能体观点对他人的影响权重
• 立场倾向：可以微调智能体的初始态度

4.5 启动模拟

配置完成后，点击"开始模拟"按钮。

系统会同时启动两个平行世界的模拟。在右侧面板，你可以实时观察：

行动时间线

• 每个智能体的发言内容
• 发言的时间顺序
• 智能体之间的互动

典型对话示例：

散户投资者："如果 CEO 能在财报会上宣布新产品线的进展，股价肯定起飞！"
谨慎派投资者："别忘了上季度的库存问题还没解决，这会影响利润率。"
华尔街分析师："关键还是要看营收增速能否达到预期的15%，这是市场的核心关注点。"

随着模拟推进，你会看到观点如何碰撞、共识如何形成、分歧如何演化。

4.6 分析结果

模拟完成后，系统会生成综合报告，包括：

1. 两个平行世界的对比

• 最终舆论倾向
• 关键分歧点
• 共识观点

2. 趋势分析

• 情绪随时间的变化曲线
• 关键转折点识别
• 影响力最大的智能体

3. 预测结论

• 基于模拟结果的预测
• 置信度评估
• 风险提示

4.7 深度交互

如果报告太长，或者你想快速获取关键信息，可以使用"深度互动"功能：

与 Report Agent 对话：

你："一句话总结预