MiroFish 是一個旨在透過群體智能模擬來預測未來走向的 AI 引擎。簡單來說，它不是用單一的 LLM 來直接猜測答案，而是先在數位世界裡造一個小社會，讓一群 AI 角色在裡面互動，觀察他們會演變成什麼結果，再根據這個結果產出預測報告。
這個工具解決的問題是傳統 LLM 預測缺乏動態演化過程。如果你問 AI 某個政策會導致什麼結果，它給的是靜態的推論；而 MiroFish 則是讓 AI 扮演不同立場的民眾、專家、官方，在虛擬社群平台上吵架、轉發、點讚，模擬出真實的輿論湧現過程。
核心運作流程
對於初學者來說，可以將 MiroFish 的運作分為五個步驟：
首先是圖譜構建。使用者上傳種子資料（如新聞、報告），系統會利用 LLM 定義出適合該場景的實體類型（例如：學生、教授、大學），並使用 Zep Cloud 將文本轉化為知識圖譜。
接著是環境設定。系統將圖譜中的實體轉化為具有獨立人格、記憶與行為邏輯的 Agent Profile，並配置他們在虛擬社交平台上的活躍度、情感傾向與立場。
然後是模擬運行。利用 OASIS 框架，在虛擬的 Twitter 和 Reddit 平台上啟動數千個 Agent。他們會根據設定的作息時間（例如中國人的作息）進行發文與互動。
最後是報告生成與互動。Report Agent 會分析模擬過程中的所有對話與行為，產出一份詳盡的分析報告。使用者甚至可以進入這個數位世界，直接採訪其中的某個 AI 角色。
技術亮點
該專案的技術核心在於整合了多個強大的開源與商業工具：使用 Zep Cloud 處理長短期記憶與圖譜 RAG，確保 Agent 的行為有據可依；採用 CAMEL-AI 的 OASIS 框架來處理大規模社交互動的底層邏輯；並設計了一套 IPC（進程間通信）機制，讓 Flask 後端能動態地向正在運行的模擬腳本發送指令。
適合誰使用
這款工具適合需要進行風險預演的決策者（例如公關危機處理、政策影響評估），或是需要探索劇情走向的創意工作者（例如小說結局推演）。
導入成本與風險
導入成本較高。使用者需要準備多個 API Key，包括 LLM API（建議 Qwen-plus 或 GPT-4o）以及 Zep Cloud 的金鑰。由於涉及數千個 Agent 的多輪互動，Token 消耗量極其龐大，小規模測試建議將模擬輪數控制在 40 輪以下。
實務限制與風險
首先是計算成本，大規模模擬會導致 API 費用激增。其次是模擬的真實性高度依賴於初始種子資料的品質以及 LLM 生成人設的精準度，若人設過於單一，模擬結果將會陷入同溫層效應，失去預測價值。
成熟度判斷
MiroFish 目前處於一個高度整合的 Demo 階段。它成功地將知識圖譜、多智能體模擬與自動化報告串聯在一起，但其核心能力依賴於外部框架（OASIS）與雲端服務（Zep）。它更像是一個強大的 LLM 應用管線（Pipeline）而非從零開發的底層算法突破。對於想要快速搭建社交模擬沙盤的工程師來說，這是一個非常優秀的參考實作。