让几百个虚拟用户先演一遍舆情爆发——MiroFish 多智能体模拟上手【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFishMiroFish 是一个简洁通用的群体智能引擎上传一份舆情报告或小说节选它会把文中的人物、组织抽成数百个有独立人格的虚拟角色让它们在仿真的推特和 Reddit 上并行互动、演化最后自动写出一份预测报告。它把如果发生这件事会怎样从靠感觉判断变成可以跑一遍看结果。没有 MiroFish 时你会怎么做公关负责人问这条声明周一发周三会发酵到哪一步你通常只能这样干读完材料列出关键干系人在脑子里逐个猜他们的反应乐观一点的话再做个小范围调研。问题在于同一条消息下的反应从来不是独立的——大 V 转发会把争议放大一个量级评论区互撕又触发第二波传播这种连锁反应恰好最难手工推演也是模拟这件事的价值所在。MiroFish 的思路是跳过你猜这个环节系统从你的材料里抽实体和关系给每个实体配一个有性格的虚拟角色再让它们在两个模拟社交平台上发帖、转帖、评论、取关把演化过程直接跑出来给你看。两个核心机制文本怎么变成可交互的模拟世界第一环是图谱构建。上传的文档被切块后做实体与关系抽取存入知识图谱Zep。你可以把知识图谱理解成一张角色关系表谁是谁、谁和谁什么关系、这层关系从什么时候开始。图谱构建逻辑在 backend/app/services/graph_builder.py。值得注意的是关系自带时间戳而模拟中每轮发生的新事件会实时写回这张图也就是说这个世界会随着模拟推进变老而不是从头到尾一份静态设定。第二环是模拟与记忆的循环。每个实体先被生成一份人设档案性别、职业、背景故事等随后仿真引擎基于开源 OASIS 框架驱动它们双平台并行行动发帖、点赞、搜索、关注、取关。关键设计是每一轮行为都被批量写回知识图谱逻辑见 backend/app/services/zep_graph_memory_updater.py。这让角色记得前面发生过什么后面的行为能被前面的事件影响——多轮模拟因此不是重复同一轮互动而是有因果链的演化。最短路径跑起来前置环境Node.js 18、Python 3.11–3.12、uv。需要配两个密钥任意 OpenAI 兼容格式的 LLM官方示例用通义千问 qwen-plus和 Zep Cloud免费额度够入门。git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish cp .env.example .env # 填入 LLM_API_KEY 与 ZEP_API_KEY npm run setup:all npm run dev # 前端起在 http://localhost:3000打开浏览器后按五个步骤走图谱构建、环境搭建确认实体人设、模拟时长、初始事件分配、开始模拟、报告生成、深度互动。官方在 README 里提醒 LLM 调用是主要成本第一次先跑 40 轮以内试试水比较稳妥。一个完整推演武汉大学舆情案例官方演示拿一份现成的《武大舆情报告》当种子。输入是这份文档系统从中抽出 39 个实体、312 条关系生成百余名角色的 Agent 群模拟跨度约 60 个虚拟分钟。模拟中系统自动识别初始事件例如谣言引导者开始传播结束后由 ReportAgent——一个带工具集的写报告智能体——主动查图谱、采访关键角色分章节写出预测报告每步推理都可在右侧时间线里看到。有意思的是采访能力模拟结束后你可以直接向世界里任意一个角色提问比如问某位网民你现在感受如何角色会基于自己此前的行为轨迹作答也可以和 ReportAgent 对话追问它基于整个模拟的完整记忆来回答。这就让输出不只是一份静态报告而是一个可以盘问的现场。适合什么人用需要评估政策、公关动作或产品上线潜在影响的团队可以用较低成本先看到一次行动的连锁反应做多智能体系统、GraphRAG 方向的研究者可以完整阅读 backend/app/services/ 里图谱构建、双平台并行、记忆回写的实现只想玩的读者拿小说推结局也是官方展示过的场景。代码可从 gitcode 镜像 clonehttps://gitcode.com/GitHub_Trending/mi/MiroFish跑起来之后建议从 graph_builder 和 simulation_runner 两个文件读起理解这个世界是怎么搭出来的。【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFish创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 让几百个虚拟用户先“演一遍“舆情爆发——MiroFish 多智能体模拟上手
让几百个虚拟用户先演一遍舆情爆发——MiroFish 多智能体模拟上手【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFishMiroFish 是一个简洁通用的群体智能引擎上传一份舆情报告或小说节选它会把文中的人物、组织抽成数百个有独立人格的虚拟角色让它们在仿真的推特和 Reddit 上并行互动、演化最后自动写出一份预测报告。它把如果发生这件事会怎样从靠感觉判断变成可以跑一遍看结果。没有 MiroFish 时你会怎么做公关负责人问这条声明周一发周三会发酵到哪一步你通常只能这样干读完材料列出关键干系人在脑子里逐个猜他们的反应乐观一点的话再做个小范围调研。问题在于同一条消息下的反应从来不是独立的——大 V 转发会把争议放大一个量级评论区互撕又触发第二波传播这种连锁反应恰好最难手工推演也是模拟这件事的价值所在。MiroFish 的思路是跳过你猜这个环节系统从你的材料里抽实体和关系给每个实体配一个有性格的虚拟角色再让它们在两个模拟社交平台上发帖、转帖、评论、取关把演化过程直接跑出来给你看。两个核心机制文本怎么变成可交互的模拟世界第一环是图谱构建。上传的文档被切块后做实体与关系抽取存入知识图谱Zep。你可以把知识图谱理解成一张角色关系表谁是谁、谁和谁什么关系、这层关系从什么时候开始。图谱构建逻辑在 backend/app/services/graph_builder.py。值得注意的是关系自带时间戳而模拟中每轮发生的新事件会实时写回这张图也就是说这个世界会随着模拟推进变老而不是从头到尾一份静态设定。第二环是模拟与记忆的循环。每个实体先被生成一份人设档案性别、职业、背景故事等随后仿真引擎基于开源 OASIS 框架驱动它们双平台并行行动发帖、点赞、搜索、关注、取关。关键设计是每一轮行为都被批量写回知识图谱逻辑见 backend/app/services/zep_graph_memory_updater.py。这让角色记得前面发生过什么后面的行为能被前面的事件影响——多轮模拟因此不是重复同一轮互动而是有因果链的演化。最短路径跑起来前置环境Node.js 18、Python 3.11–3.12、uv。需要配两个密钥任意 OpenAI 兼容格式的 LLM官方示例用通义千问 qwen-plus和 Zep Cloud免费额度够入门。git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish cp .env.example .env # 填入 LLM_API_KEY 与 ZEP_API_KEY npm run setup:all npm run dev # 前端起在 http://localhost:3000打开浏览器后按五个步骤走图谱构建、环境搭建确认实体人设、模拟时长、初始事件分配、开始模拟、报告生成、深度互动。官方在 README 里提醒 LLM 调用是主要成本第一次先跑 40 轮以内试试水比较稳妥。一个完整推演武汉大学舆情案例官方演示拿一份现成的《武大舆情报告》当种子。输入是这份文档系统从中抽出 39 个实体、312 条关系生成百余名角色的 Agent 群模拟跨度约 60 个虚拟分钟。模拟中系统自动识别初始事件例如谣言引导者开始传播结束后由 ReportAgent——一个带工具集的写报告智能体——主动查图谱、采访关键角色分章节写出预测报告每步推理都可在右侧时间线里看到。有意思的是采访能力模拟结束后你可以直接向世界里任意一个角色提问比如问某位网民你现在感受如何角色会基于自己此前的行为轨迹作答也可以和 ReportAgent 对话追问它基于整个模拟的完整记忆来回答。这就让输出不只是一份静态报告而是一个可以盘问的现场。适合什么人用需要评估政策、公关动作或产品上线潜在影响的团队可以用较低成本先看到一次行动的连锁反应做多智能体系统、GraphRAG 方向的研究者可以完整阅读 backend/app/services/ 里图谱构建、双平台并行、记忆回写的实现只想玩的读者拿小说推结局也是官方展示过的场景。代码可从 gitcode 镜像 clonehttps://gitcode.com/GitHub_Trending/mi/MiroFish跑起来之后建议从 graph_builder 和 simulation_runner 两个文件读起理解这个世界是怎么搭出来的。【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFish创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考