MiroFish：用数字沙盘演练未来，但先看清它的成本和边界
群体智能预测引擎：从新闻、政策草案或金融信号等种子材料构建高保真的平行数字世界，让数千个智能体交互推演未来轨迹。
秒懂
- 它是什么？
- MiroFish 是一个基于多智能体模拟的预测引擎，将新闻、政策或小说片段转化为可交互的数字世界，并推演事件走向。它思路新颖，但依赖外部 LLM 与 Zep Cloud，成本高且结果难以验证，适合尝鲜者而非严肃决策者。
- 适合谁用？
- MiroFish 适合两类人：想快速体验多智能体社会模拟的开发者，以及需要为小说剧情或公关事件生成灵感素材的创意工作者。不适合用它做金融或政治决策，因为模拟结果缺乏可验证性，且每次运行都要消耗大量 LLM token，成本不可控。
- 能商用吗？
- 可以，但条件严格。AGPL-3.0 是网络 copyleft 许可证：如果别人通过网络使用你修改过的版本（例如作为托管服务），你必须以同一许可证向他们提供源代码。
- 还在维护吗？
- 在维护。仓库最近一次提交在 13 天前。
- 用什么语言写的？
- 主要是 Python（依据 GitHub 的语言统计）。
以上回答依据项目的 GitHub 数据（最近同步于 2026年9月15日）和我们的分析，不构成法律意见。
开源项目深度解析
它想解决什么问题：把“如果”变成可交互的沙盘
传统预测工具依赖统计模型或专家判断，MiroFish 换了一条路：用多智能体模拟来推演未来。你上传一份新闻、政策草案或小说片段，它会抽取其中的实体和关系，构建一个并行数字世界。这个世界里有成千上万个带独立人格、长期记忆和行为逻辑的智能体，它们互相交互，产生社会演化。你可以从上帝视角注入变量，观察事件如何分叉。官方演示包括武汉大学舆情模拟和《红楼梦》后四十回结局推演。它面向两类人：决策者想零风险预演政策或公关策略，个人用户想玩剧情推演或脑洞实验。本质上，它把预测变成了一场可重复、可交互的角色扮演游戏。
工作流拆解：从种子材料到交互报告的五步流水线
MiroFish 的流程分五步。第一步是图构建，从种子材料中抽取实体，注入个体和集体记忆，建立 GraphRAG 结构。第二步是环境搭建，做实体关系抽取，生成 persona，配置智能体参数。第三步是模拟，这一步最核心，采用双平台并行模拟，能自动解析预测需求，同时动态更新时序记忆。第四步是报告生成，由 ReportAgent 带着工具集与模拟后的环境深度交互，产出预测报告。第五步是深度交互，你可以和模拟世界里的任意智能体对话，也可以追问 ReportAgent。整个流程从材料到报告是自动化的，但每一步都依赖底层 LLM 的推理质量。
模拟内核来自 OASIS，但 MiroFish 做了自己的封装
README 明确说明，模拟引擎由 OASIS（Open Agent Social Interaction Simulations）驱动，这是 CAMEL-AI 团队的开源项目。MiroFish 没有重造轮子，而是在 OASIS 之上加了 GraphRAG 记忆层、persona 生成和报告智能体。这意味着 OASIS 的成熟度直接决定模拟的稳定性。OASIS 本身是一个研究性质的项目，对大规模并发模拟的支持有限。MiroFish 的封装让它更容易上手，但底层的性能瓶颈依然存在。如果你之前用过 OASIS，会发现 MiroFish 的模拟逻辑并不陌生，只是多了前端和报告层。
部署步骤：npm 脚本一键装，但环境变量是真正的门槛
源码部署推荐 Node.js 18+、Python 3.11 到 3.12、uv 包管理器。先复制环境变量文件：cp .env.example .env。然后编辑 .env，填入三个关键值：LLM_API_KEY、LLM_BASE_URL、LLM_MODEL_NAME，以及 ZEP_API_KEY。LLM 接口兼容 OpenAI SDK 格式，官方推荐阿里云百炼平台的 qwen-plus 模型。Zep Cloud 提供免费额度，但长期记忆存储在云端。安装依赖用 npm run setup:all，一键装完根目录、前端和后端。启动用 npm run dev，前端跑在 3000 端口，后端 API 跑在 5001。Docker 部署更简单，docker compose up -d 即可。整个流程不算复杂，但你必须先有可用的 LLM API key 和 Zep key，否则项目跑不起来。
成本警示：README 自己承认的高消耗
README 在环境变量配置里写了一句很实在的话：「High consumption, try simulations with fewer than 40 rounds first」。这句话值得反复读。多智能体模拟意味着每一轮交互都要调用 LLM，每个智能体的决策、记忆更新、对话生成都是 token 消耗。40 轮的模拟已经算高消耗，官方建议先从这里开始试。如果你要模拟成千上万个智能体，成本会指数级上升。对于个人用户，这可能超出免费额度；对于企业，需要认真评估 API 预算。Zep Cloud 的免费额度可能够简单使用，但长期记忆的存储和检索也会产生费用。MiroFish 不是一次性买断的工具，它是一个持续消耗 API 额度的服务。
局限与风险：模拟结果无法验证，且依赖外部服务
MiroFish 最大的问题在于预测结果的可信度。智能体模拟产生的报告本质上是 LLM 生成的文本，它可能看起来合理，但没有任何机制保证它反映真实世界的概率。官方演示的武汉大学舆情和《红楼梦》结局都是叙事性预测，不是可量化的统计结论。这意味着你不能用它来做严肃的投资决策或政策判断。另一个风险是外部依赖：LLM API 和 Zep Cloud 都是第三方服务，任何一方宕机或变更政策都会影响你的使用。Zep Cloud 存储的是你的模拟世界的长期记忆，如果服务关闭，你的数据可能无法导出。此外，AGPL-3.0 许可证要求修改后的代码必须开源，如果你打算将 MiroFish 集成到商业产品中，需要谨慎评估合规义务。
替代方案对比：直接使用 OASIS 或纯 LLM 工作流
如果你不需要 MiroFish 的前端和报告层，可以直接使用 OASIS。OASIS 提供了更底层的多智能体模拟 API，你可以完全控制模拟逻辑，而不必受限于 MiroFish 的封装。代价是你需要自己处理 GraphRAG、persona 生成和报告输出，工作量更大。另一个替代方案是纯 LLM 工作流：用 LangChain 或直接调用 OpenAI API，自己设计 prompt 来模拟多智能体对话。这种方式更灵活，成本更低（因为你只模拟必要轮次），但缺少 MiroFish 的图记忆和双平台并行机制。MiroFish 的价值在于它把这些组件整合成了一个开箱即用的系统，但如果你需要深度定制，底层框架可能更合适。
维护与升级：版本节奏快，但文档尚薄
MiroFish 的版本节奏相当快：v0.1.0 在 2025 年 12 月发布，v0.1.1 在 2026 年 1 月，v0.1.2 在 2026 年 3 月。这说明项目处于活跃开发期，但也意味着 API 可能不稳定。README 提到截图区域是空的，demo 视频链接指向 B 站，但截图表格里没有实际图片。文档只有英文和中文版本，但内容相对简短，没有详细的 API 参考或架构说明。对于开发者来说，这意味着你可能需要阅读源码来理解内部机制。升级到新版本时，要留意环境变量和配置格式是否变化。好在项目提供了 docker-compose.yml，用 Docker 部署可以降低升级时的依赖冲突风险。
编辑结论
MiroFish 适合两类人：想快速体验多智能体社会模拟的开发者，以及需要为小说剧情或公关事件生成灵感素材的创意工作者。不适合用它做金融或政治决策，因为模拟结果缺乏可验证性，且每次运行都要消耗大量 LLM token，成本不可控。采用前先确认三件事：你的 API 预算能否支撑超过 40 轮的模拟；你是否接受把长期记忆托管给 Zep Cloud；你是否愿意承担 AGPL-3.0 带来的开源义务。若这三条都能接受，再考虑把 MiroFish 接入你的工作流。
社区笔记