MiroFish 是一套以 AGPL-3.0 授權開源的群體智能預測引擎，由開發者 BaiFu 於二零二五年十一月二十六日建立，GitHub 主倉庫累積七萬五千五百一十八顆星標與一萬一千六百一十七次複製。它從真實世界的種子資訊出發，自動建構一個高擬真的平行數位世界，讓數千個具備獨立人格、長期記憶與行為邏輯的智能代理在其中自由互動，再從集體行為的演化中推演未來走向。
MiroFish 是 AGPL-3.0 授權的開源群體智能預測引擎，星標 75,518 顆，由開發者 BaiFu 建立，以多代理模擬建構平行數位世界並推演未來走向。
預測長期由統計模型與專家判斷主導，兩者的共同限制在於把系統視為可被少數變數描述的整體。MiroFish 選擇另一條路線：先把種子資訊拆解成實體與關係，再讓大量代理在模擬環境中互動，讓宏觀結果從微觀行為中自然浮現。專案說明將其定位為「映射現實的群體智能之鏡」，並同時服務兩個層面，一端是供決策者在零風險條件下測試政策與公關，另一端則是供個人使用者推演小說結局或想像情境。
MiroFish 是什麼？
MiroFish 是中國開發者 BaiFu 主導的開源預測引擎，以 Python 撰寫、AGPL-3.0 授權，透過多代理模擬把真實世界的種子資訊轉為可互動的平行數位世界。
專案作者 BaiFu 的 GitHub 帳號為 666ghj，個人簡介標示其背景與中國科學技術大學及北京郵電大學相關，追蹤者超過四千五百人。在 MiroFish 之前，同一作者已發佈多代理輿情分析工具 BettaFish，該專案目前累積四萬二千三百二十八顆星標，兩者共用同一條「以多代理理解複雜社會系統」的技術脈絡。
MiroFish 目前已獲得盛大集團的戰略支持與孵化，官方網站為 mirofish.ai，並提供線上示範環境。專案說明指出，其模擬引擎由 CAMEL-AI 團隊開發的 OASIS 框架驅動，這個背景讓它在多代理社交互動模擬的既有成果上繼續前進，而非從零另建一套引擎。
README 同時提供英文與簡體中文版本，並附上六張執行截圖、兩段示範影片與加入社群討論的入口，文件完整度高於多數同期開源專案。
MiroFish 如何運作與推演未來？
流程分成圖譜建構、環境設定、模擬與報告生成四段：先抽取種子資訊並注入記憶，再生成代理人格，之後雙平台平行模擬，最後由報告代理整理結論。
第一段是圖譜建構，系統從上傳的種子材料中抽取實體與關係，建立個體與集體的記憶結構，並完成 GraphRAG 檢索層。第二段是環境設定，把實體關係轉為可執行的人格設定與代理配置，讓每個代理擁有獨立的背景與行為傾向。
第三段是模擬核心，系統以雙平台並行方式運行，自動解析使用者以自然語言描述的預測需求，並在時間推進過程中動態更新記憶。第四段由報告代理接手，它配備完整工具組，可與模擬結束後的環境深度互動，產出結構化的預測報告。
使用者的操作介面相對單純，只需要上傳種子材料，例如數據分析報告或小說文本，再以自然語言描述預測需求，系統便會回傳一份詳細報告，以及一個可持續互動的高擬真數位世界。
MiroFish 的技術架構有什麼特別之處？
架構以前後端分離為基礎，後端為 Python、前端為 Vue，模擬層建基於 CAMEL-AI 的 OASIS，並以 GraphRAG 與 Zep Cloud 管理代理的長期記憶。
從語言組成觀察，後端 Python 約佔一百一十一萬位元組，前端 Vue 約佔五十四萬位元組，另有少量 JavaScript、HTML 與 Dockerfile，顯示這是一套完整的前後端產品而非單一函式庫。前端與後端分別監聽三千與五千零一埠，並提供 Docker Compose 一鍵啟動。
記憶管理是這類模擬系統的關鍵瓶頸。MiroFish 以 GraphRAG 建立實體與關係的檢索結構，並整合 Zep Cloud 作為代理長期記憶的外部服務，官方說明免費額度足以支撐簡單使用情境。這種把檢索與記憶外置的設計，讓模擬規模能夠擴張，代價是引入了額外的服務依賴。
模型層則刻意保持中立。環境變數接受任何相容於 OpenAI SDK 格式的語言模型介面，官方建議使用阿里雲百鍊平台的 qwen-plus 模型起步，並提醒運算消耗偏高，首次測試建議把模擬輪數控制在四十輪以內。
如何快速開始使用 MiroFish？
官方建議準備 Node.js 18 以上與 Python 3.11 至 3.12 環境，以 npm 一次安裝全部依賴，填入模型與 Zep 金鑰後執行啟動指令即可。
專案提供原始碼部署與 Docker 部署兩條路徑，官方推薦前者。前置需求包含 Node.js 18 以上版本、Python 3.11 至 3.12，以及套件管理器 uv。安裝程序以單一指令串接根目錄、前端與後端三組依賴，降低環境配置的摩擦。
git clone https://github.com/666ghj/MiroFish.git
cd MiroFish
cp .env.example .env
npm run setup:all
npm run dev
環境變數需要填入兩類金鑰。第一類是語言模型的存取金鑰、服務端點與模型名稱，任何相容於 OpenAI SDK 格式的服務皆可使用；第二類是 Zep Cloud 的金鑰，用於代理的長期記憶。完成設定之後，前端運行於本機三千埠，後端 API 運行於五千零一埠，兩者同時啟動即可進入模擬介面。
偏好容器化部署的使用者，可在完成環境變數設定後直接執行 docker compose up -d，映像檔會從根目錄讀取設定並映射相同連接埠。
MiroFish 與傳統預測方法有何差異？
傳統方法以統計模型或專家判斷為核心，MiroFish 則讓大量代理先互動再觀察集體結果，適合處理變數眾多、因果鏈難以預先設定的社會情境。
統計模型依賴歷史資料的穩定性，當事件缺乏先例或參與者行為會互相影響時，預測能力明顯下降。專家判斷雖然能處理新情境，但受限於個人視角與可追蹤性。MiroFish 的做法是把推演過程外部化：先建構一個包含數千代理的環境，再從代理之間的互動與社交演化中觀察結果。
這種方法適合的場景具有共同特徵，包括參與者眾多、行為會互相回饋、以及結果難以由單一變數決定。官方示範涵蓋武漢大學公共輿情模擬，以及以《紅樓夢》前八十回推演失傳結局兩類案例，前者代表嚴肅決策用途，後者代表創意探索用途，顯示同一套引擎可以服務兩種截然不同的需求。
專案也允許使用者以「上帝視角」動態注入變數，觀察條件改變之後的走向變化。這項能力把預測從一次性輸出，轉為可反覆進行的沙盤演練。
MiroFish 的專案數據與社群規模如何？
- 75,518GitHub 星標
- 11,617複製次數
- 16貢獻者
- 150待處理議題
- AGPL-3.0授權條款
- Python主要語言
專案於 2025 年 11 月 26 日建立，截至 2026 年 10 月 1 日累積 75,518 顆星標與 11,617 次複製，貢獻者 16 人，最新推送時間為 9 月 16 日。
專案在成立後短時間內突破七萬顆星標，一度登上 Trendshift 每日排行榜首位，社群關注度明顯高於同期專案。值得注意的是星標與複製的比例，一萬一千六百一十七次複製對應七萬五千餘顆星標，約為一比六點五，顯示多數使用者仍處於觀察階段，尚未實際部署。
維護活躍度呈現另一種樣貌。倉庫最近一次推送為九月十六日，近三個月的提交曲線在七月與八月維持高峰，之後趨緩。貢獻者十六人、待處理議題一百五十筆，反映這仍是核心團隊主導的專案，尚未形成大規模的外部協作。
版本釋出節奏亦值得留意。正式標籤停留於 v0.1.0 至 v0.1.2 三個版本，最後一次發佈為二零二六年三月七日，之後的更新以主分支提交為主。這種安排在快速演進的開源專案中並不罕見，但使用者需要自行評估主分支的穩定性。
MiroFish 的授權與商業使用有什麼限制？
專案採 AGPL-3.0 授權，允許自由使用與修改，但若以網路服務形式對外提供，必須依同授權釋出修改後的原始碼，商用前須評估此義務。
AGPL-3.0 屬於傳染性授權，比通用公共授權更嚴格之處在於網路使用條款。企業若把 MiroFish 部署為對外服務，即使只提供介面存取，仍須以相同授權釋出修改後的原始碼，這一點與寬鬆授權的框架有明顯差異。內部使用或個人研究則不受此限。
除授權本身，外部依賴亦各有條款。語言模型服務、Zep Cloud 記憶服務與種子資料來源皆附帶獨立的使用條件，其中 Zep Cloud 採用量計費，免費額度僅適合簡單情境。用於正式業務之前，這些環節需要逐一確認。
專案由盛大集團支持與孵化，官方同時公告團隊正在招募全職與實習人員，顯示專案具有商業化規劃。使用者在評估長期依賴時，宜把治理結構與授權義務一併納入考量。
MiroFish 值得一試嗎？
對於需要演練多方互動情境的研究與決策團隊，MiroFish 提供罕見的開源沙盤；若只需一般趨勢預測，其算力與服務依賴成本則未必划算。
判斷的關鍵在於問題的形狀。若待解問題涉及大量參與者、彼此行為會互相影響、且結果無法由少數變數推導，這套引擎的模擬路徑就具備實質價值；若問題屬於時間序列外推或單一變數預測，傳統統計方法更直接也更節省成本。
成本結構是另一項現實考量。模擬需要大量語言模型呼叫，官方明言消耗偏高並建議先降低輪數；記憶服務與模型服務若採用雲端方案，費用會隨模擬規模上升。使用者需要在推演深度與支出之間取得平衡。
專案的成熟度亦需納入評估。版本號仍在一點零之前，近期提交曲線趨緩，議題佇列待處理數量偏高，這些訊號意味著它更適合被當成可研究的原型，而非即插即用的生產系統。
出處連結有哪些？
本文資訊整理自 MiroFish 的 GitHub 儲存庫與官方網站，授權條款、安裝文件、示範案例與框架來源均可於下列來源查閱。
完整的專案資訊與版本紀錄，可於下列來源查閱：
常見問題有哪些？
以下整理四個常見疑問，涵蓋硬件需求、費用結構、資料適用範圍與模擬規模設定，答案以官方文件與實際專案設定為準。
執行 MiroFish 需要什麼硬件？
專案本身在前後端分離架構下運行，本機只需能執行 Node.js 18 以上版本與 Python 3.11 至 3.12。實際算力需求取決於所選模型，使用雲端模型端點時不需要獨立顯示卡。
使用 MiroFish 需要付費嗎？
框架本身以免費開源形式提供，但模擬過程需要呼叫語言模型，並使用 Zep Cloud 管理代理記憶。兩者皆可能產生費用，官方建議初次測試把模擬輪數控制在四十輪以內以降低消耗。
可以上傳什麼類型的種子資料？
官方說明接受數據分析報告與小說文本等多種材料，核心要求是內容包含可抽取的實體與關係。資料越具體，環境建構與代理人格生成的品質越穩定。
模擬規模可以自行調整嗎？
可以。專案允許設定代理數量與模擬輪數，並支援在推進過程中以動態方式注入變數。官方提醒大型模擬的運算消耗偏高，建議由小規模情境開始驗證。
總結：MiroFish 適合什麼團隊？
MiroFish 適合需要演練多方互動情境的研究與決策團隊，它以免費開源方式提供群體智能沙盤，並在短時間內累積 75,518 顆星標。
MiroFish 的價值在於把一套原本屬於研究機構的模擬方法，整理成可部署的開源產品。它以前後端分離架構、模型中立的介面與 OASIS 模擬引擎為基礎，讓使用者能以自然語言描述預測需求，取得一份可互動的推演結果。從二零二五年十一月至今，專案累積七萬五千五百一十八顆星標與一萬一千六百一十七次複製，並獲得盛大集團的戰略支持，顯示群體智能預測這條路線已從學術題目走向產品化。
需要留意的限制同樣清楚。AGPL-3.0 的網路使用條款對商業部署有實質約束，模擬的算力與服務成本會隨規模上升，而專案當前的版本號與維護節奏仍處於早期階段。把它當成可研究的原型，而非即插即用的生產系統，會是較務實的起點。