尧图网页设计 
MiroFish 群体智能引擎实战教程从启动模拟到输出预测报告的完整流程【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 是一款让一群 AI 智能体互相交互、推演未来的群体智能引擎底层由 OASIS 多智能体模拟引擎驱动。你只需丢给它一份种子素材——新闻报告、政策草稿甚至一部小说——它会自动搭建出一个平行数字世界里面成百上千个拥有独立人格和长期记忆的智能体开始社交演化最终吐出一份预测报告和一个可以深挖的数字世界。做严肃舆情推演的和想玩如果……会怎样脑洞实验的都适合上手。MiroFish 能预测什么先看两个最出圈的案例红楼梦前八十回传世的结局缺失读者争论了几百年。MiroFish 拿几十万字原文当种子让角色在数字世界里活了一遍推演故事可能的走向。更严肃一点的场景是舆情演化预测拿一份武汉大学舆情报告作为种子MiroFish 在模拟世界里复刻了公告发布后的传播与发酵路径常被拿来当群体智能引擎在真实事件推演上的样板。两个案例本质是同一套能力宏观层面给决策者的零风险彩排场——政策、公关动作先在沙盒里试跑一遍再上真实环境微观层面给个人玩家的创意沙盒——推演小说结局、做思想实验怎么着都行。财经预测、政治新闻推演也在路线上。用法都统一上传种子素材用自然语言描述预测需求换回一份预测报告加一个可深度交互的数字世界。如何启动一次模拟从环境初始化到报告输出的完整链路MiroFish 的核心是 OASISOpen Agent Social Interaction Simulations引擎代码里被封装进 SimulationRunner 一个类。一次模拟的生命周期其实就四段环境初始化一个配置文件定好世界规则模拟启动前系统已经在backend/app/uploads/simulations/{simulation_id}/simulation_config.json准备好了配置里面有智能体名单和时间设置。时间参数最关键total_simulation_hours决定总共模拟多少世界时间默认 72 小时minutes_per_round决定每轮推进多少时间默认 30 分钟总轮次由此算出。启动时传max_rounds还能把过长的模拟截断适合先小规模试跑。启动模拟把配置交给 OASIS 引擎真正的启动入口是SimulationRunner.start_simulation你要交代清楚四件事模拟 ID和平台twitter/reddit/parallelparallel 即双平台并行可选的最大轮数用于截断是否把智能体活动实时回写 Zep 图谱enable_graph_memory_update开启时必须同时给graph_id。引擎按平台挑选对应的运行脚本twitter、reddit、双平台并行各一个都在 backend/scripts/ 下以子进程方式拉起 OASIS 模拟同时挂上监控线程。调用长这样SimulationRunner.start_simulation(simulation_idsim_xxx, platformparallel, max_rounds100)。实时监控每 2 秒轮询一次看世界里在发生什么运行中随时可以调get_run_state查询状态当前跑到第几轮、已推进多少模拟小时、各平台动作数量、某个平台是否已跑完、整体进度百分比。前端的进度条和实时动作流数据都来自这里。结果输出动作日志、统计与预测报告模拟跑完所有智能体的行为早已沉淀在动作日志里。get_all_actions可以拉取完整动作历史支持按平台、智能体 ID、轮次过滤get_timeline和get_agent_stats分别给出每轮汇总和每个智能体的行为统计。再往上报告生成逻辑 会驱动一个自带工具集的 ReportAgent 深入探查模拟后的环境产出最终预测报告。自定义智能体行为逻辑三个核心定制点想改智能体的行为不用碰引擎内部定制点集中在 simulation_runner.py 里一共三处AgentAction每个动作一条结构化记录每个智能体的每个动作都会被归一成一条AgentAction记录字段包括轮次、时间戳、平台、智能体 ID 与名称、动作类型action_type、动作参数action_args、执行结果与成败标志。它既是实时监控的数据单元也是模拟引擎对外界的通用语言。_read_action_log日志解析管道最好的挂载点监控线程每 2 秒增量读取模拟目录下的twitter/actions.jsonl和reddit/actions.jsonl由_read_action_log逐行解析并分流事件型记录round_end、simulation_end 等→ 更新轮次进度、标记平台完成动作型记录→ 转成AgentAction挂进运行状态顺带刷新动作计数。想插入自定义逻辑——比如拦截某类动作触发下游任务、做行为过滤——这个方法就是最自然的切入点。action_type智能体能做哪些动作如何扩展当前内置动作按平台划分平台内置动作类型TwitterCREATE_POST发帖、LIKE_POST点赞、REPOST转发、FOLLOW关注RedditCREATE_POST、LIKE_POST/DISLIKE_POST、CREATE_COMMENT/LIKE_COMMENT/DISLIKE_COMMENT评论与点赞/踩类型映射维护在 双平台并行模拟脚本 里日志落盘由 动作日志记录器 完成。要新增一种动作两步就够扩展类型枚举与映射再在_read_action_log里补上对应处理分支。顺带一提模拟结束后环境并不会立刻关闭你还能用interview_agent直接采访任意一个智能体让它回忆自己在模拟里做了什么——这是 MiroFish 深度交互功能的入口。如何把 MiroFish 跑起来新手部署与启动清单整套部署不复杂按顺序走就行1. 克隆仓库git clone https://gitcode.com/GitHub_Trending/mi/MiroFish2. 准备运行环境依赖要求Node.js18 及以上自带 npmPython3.11 ~ 3.12uv最新版Python 包管理器3. 配置密钥把.env.example复制为.env填入两类密钥LLM 接口三件套LLM_API_KEY、LLM_BASE_URL、LLM_MODEL_NAME兼容任何 OpenAI SDK 格式的 LLM API官方推荐 Qwen-plus和 Zep 图谱的ZEP_API_KEY。注意 LLM 消耗不小建议先用 40 轮以内的短模拟试跑。4. 安装依赖并启动npm run setup:all # 一次性安装根目录 前端 后端依赖 npm run dev # 同时启动前后端起来之后前端在http://localhost:3000后端 API 在http://localhost:5001。只想单独启动某一边用npm run backend或npm run frontend。偏好容器化的话配置好.env后直接docker compose up -d端口映射同样是 3000 / 5001。第一次跑通之后手里就是一个完整闭环上传种子 → 构建世界 → OASIS 引擎跑智能体模拟 → 读报告 → 采访智能体。剩下的事就是换上自己的种子素材开始推演你想问的那个如果。【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 MiroFish 群体智能引擎实战教程：从启动模拟到输出预测报告的完整流程
MiroFish 群体智能引擎实战教程从启动模拟到输出预测报告的完整流程【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 是一款让一群 AI 智能体互相交互、推演未来的群体智能引擎底层由 OASIS 多智能体模拟引擎驱动。你只需丢给它一份种子素材——新闻报告、政策草稿甚至一部小说——它会自动搭建出一个平行数字世界里面成百上千个拥有独立人格和长期记忆的智能体开始社交演化最终吐出一份预测报告和一个可以深挖的数字世界。做严肃舆情推演的和想玩如果……会怎样脑洞实验的都适合上手。MiroFish 能预测什么先看两个最出圈的案例红楼梦前八十回传世的结局缺失读者争论了几百年。MiroFish 拿几十万字原文当种子让角色在数字世界里活了一遍推演故事可能的走向。更严肃一点的场景是舆情演化预测拿一份武汉大学舆情报告作为种子MiroFish 在模拟世界里复刻了公告发布后的传播与发酵路径常被拿来当群体智能引擎在真实事件推演上的样板。两个案例本质是同一套能力宏观层面给决策者的零风险彩排场——政策、公关动作先在沙盒里试跑一遍再上真实环境微观层面给个人玩家的创意沙盒——推演小说结局、做思想实验怎么着都行。财经预测、政治新闻推演也在路线上。用法都统一上传种子素材用自然语言描述预测需求换回一份预测报告加一个可深度交互的数字世界。如何启动一次模拟从环境初始化到报告输出的完整链路MiroFish 的核心是 OASISOpen Agent Social Interaction Simulations引擎代码里被封装进 SimulationRunner 一个类。一次模拟的生命周期其实就四段环境初始化一个配置文件定好世界规则模拟启动前系统已经在backend/app/uploads/simulations/{simulation_id}/simulation_config.json准备好了配置里面有智能体名单和时间设置。时间参数最关键total_simulation_hours决定总共模拟多少世界时间默认 72 小时minutes_per_round决定每轮推进多少时间默认 30 分钟总轮次由此算出。启动时传max_rounds还能把过长的模拟截断适合先小规模试跑。启动模拟把配置交给 OASIS 引擎真正的启动入口是SimulationRunner.start_simulation你要交代清楚四件事模拟 ID和平台twitter/reddit/parallelparallel 即双平台并行可选的最大轮数用于截断是否把智能体活动实时回写 Zep 图谱enable_graph_memory_update开启时必须同时给graph_id。引擎按平台挑选对应的运行脚本twitter、reddit、双平台并行各一个都在 backend/scripts/ 下以子进程方式拉起 OASIS 模拟同时挂上监控线程。调用长这样SimulationRunner.start_simulation(simulation_idsim_xxx, platformparallel, max_rounds100)。实时监控每 2 秒轮询一次看世界里在发生什么运行中随时可以调get_run_state查询状态当前跑到第几轮、已推进多少模拟小时、各平台动作数量、某个平台是否已跑完、整体进度百分比。前端的进度条和实时动作流数据都来自这里。结果输出动作日志、统计与预测报告模拟跑完所有智能体的行为早已沉淀在动作日志里。get_all_actions可以拉取完整动作历史支持按平台、智能体 ID、轮次过滤get_timeline和get_agent_stats分别给出每轮汇总和每个智能体的行为统计。再往上报告生成逻辑 会驱动一个自带工具集的 ReportAgent 深入探查模拟后的环境产出最终预测报告。自定义智能体行为逻辑三个核心定制点想改智能体的行为不用碰引擎内部定制点集中在 simulation_runner.py 里一共三处AgentAction每个动作一条结构化记录每个智能体的每个动作都会被归一成一条AgentAction记录字段包括轮次、时间戳、平台、智能体 ID 与名称、动作类型action_type、动作参数action_args、执行结果与成败标志。它既是实时监控的数据单元也是模拟引擎对外界的通用语言。_read_action_log日志解析管道最好的挂载点监控线程每 2 秒增量读取模拟目录下的twitter/actions.jsonl和reddit/actions.jsonl由_read_action_log逐行解析并分流事件型记录round_end、simulation_end 等→ 更新轮次进度、标记平台完成动作型记录→ 转成AgentAction挂进运行状态顺带刷新动作计数。想插入自定义逻辑——比如拦截某类动作触发下游任务、做行为过滤——这个方法就是最自然的切入点。action_type智能体能做哪些动作如何扩展当前内置动作按平台划分平台内置动作类型TwitterCREATE_POST发帖、LIKE_POST点赞、REPOST转发、FOLLOW关注RedditCREATE_POST、LIKE_POST/DISLIKE_POST、CREATE_COMMENT/LIKE_COMMENT/DISLIKE_COMMENT评论与点赞/踩类型映射维护在 双平台并行模拟脚本 里日志落盘由 动作日志记录器 完成。要新增一种动作两步就够扩展类型枚举与映射再在_read_action_log里补上对应处理分支。顺带一提模拟结束后环境并不会立刻关闭你还能用interview_agent直接采访任意一个智能体让它回忆自己在模拟里做了什么——这是 MiroFish 深度交互功能的入口。如何把 MiroFish 跑起来新手部署与启动清单整套部署不复杂按顺序走就行1. 克隆仓库git clone https://gitcode.com/GitHub_Trending/mi/MiroFish2. 准备运行环境依赖要求Node.js18 及以上自带 npmPython3.11 ~ 3.12uv最新版Python 包管理器3. 配置密钥把.env.example复制为.env填入两类密钥LLM 接口三件套LLM_API_KEY、LLM_BASE_URL、LLM_MODEL_NAME兼容任何 OpenAI SDK 格式的 LLM API官方推荐 Qwen-plus和 Zep 图谱的ZEP_API_KEY。注意 LLM 消耗不小建议先用 40 轮以内的短模拟试跑。4. 安装依赖并启动npm run setup:all # 一次性安装根目录 前端 后端依赖 npm run dev # 同时启动前后端起来之后前端在http://localhost:3000后端 API 在http://localhost:5001。只想单独启动某一边用npm run backend或npm run frontend。偏好容器化的话配置好.env后直接docker compose up -d端口映射同样是 3000 / 5001。第一次跑通之后手里就是一个完整闭环上传种子 → 构建世界 → OASIS 引擎跑智能体模拟 → 读报告 → 采访智能体。剩下的事就是换上自己的种子素材开始推演你想问的那个如果。【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