GitHub 7.5 万星开源项目 MiroFish：用多 Agent 模拟推演未来走向

我们平时刷到一条新闻，可能看过就划走了，但企业往往要继续追踪后续影响。

比如最近小米发布澎程 N70、N90，在汽车圈引发了不少讨论，很多车评人都做了点评。

如果某条视频突然冲上热榜，小米公关肯定想知道，接下来舆论会怎么发酵，哪些人和品牌会受到影响，讨论又会往哪个方向走。

以前遇到这种问题，通常要先搜集资料，再建模型、写报告，整个过程比较慢，也很依赖分析人员的经验。

今天给大家推荐一个有点特别的开源项目 MiroFish，目前已经拿下 75.0k 星和 11.5k Fork。

它会把现实资料转换成一个可以运行的数字世界，再让成千上万个 Agent 在里面互动，帮助你观察事情接下来可能怎么发展。

不是问一次答案，而是先把未来演一遍

MiroFish 是一个基于多 Agent 技术的预测引擎。

你上传一份材料，再用自然语言告诉它想预测什么。系统会从材料里提取人物、事件和关系，建立知识图谱，生成对应的 Agent 人格和记忆，然后开始模拟。

模拟结束后，你会拿到一份预测报告，以及一个可以继续探索的数字世界。

你可以从上帝视角加入新的变量，也可以直接和其中某个 Agent 对话，看看它为什么会做出这样的判断。

在线 Demo：

1

https://666ghj.github.io/mirofish-demo

从舆情事件到《红楼梦》续写，都能拿来试

仓库里已经放了几个演示案例。

一个是武汉大学相关舆情事件的模拟

另一个是根据《红楼梦》前八十回，推演可能的后续结局。

从这两个案例能看出，MiroFish 的应用范围挺宽。它可以分析现实中的公共事件，也能把小说、剧本和世界观设定变成一个可以互动的虚拟社会。

手里有行业报告、政策文本、竞品资料，甚至只有一个故事设定，都可以拿来试试。

不过，模拟结果始终取决于输入材料和模型本身，只能作为推演参考。材料越完整，人物关系和规则写得越清楚，结果才越值得参考。

它省掉了建模和推演中的重复劳动

先把材料整理成知识图谱

MiroFish会从用户上传的材料中提取相关信息，例如：实体、关系和集体记忆，然后用GraphRAG把这些信息进行关联。

这样一来，Agent获取的不仅仅时一段文本，它还附带人物关系、事件背景和前后文；当Agent进行模拟时更容易保持上下文。

自动生成不同的 Agent

每个 Agent 都有自己的性格、长期记忆和行为逻辑。

它们不会拿着同一套提示词行动。随着互动继续，记忆也会更新，最后呈现出的结果更接近一群人一起讨论时的状态。

在两个平台上同时模拟

项目支持在不同模拟环境中运行 Agent，观察角色之间如何互动、传播信息，以及让局势发生变化。

这对舆情分析、政策推演、市场假设和故事创作都比较有用。很多时候，群体怎么变化，比单独问模型一句话更值得看。

模拟结束后还能继续追问

报告生成后，你可以继续和 ReportAgent 对话，也可以直接询问模拟世界里的任意角色。

所以最后拿到的不只是一份 PDF，还能继续打开这个模拟环境，追问某个判断是怎么得出来的。

部署前先看看成本和环境

源码部署需要 Node.js 18 以上、Python 3.11 到 3.12，还要配置 LLM API 和 Zep Cloud。

仓库也提供了 Docker 部署方式。

官方提醒，模拟轮数越多，API 消耗越高。第一次体验时，可以先把轮数设少一些。

仓库地址：

1

https://github.com/666ghj/MiroFish

今天就分享到这，感谢阅读，希望对你有帮助。