mirofish

name	mirofish
description	Motor de predicción con swarm intelligence y multi-agentes — simula futuros en un sandbox digital
url	https://github.com/666ghj/MiroFish
category	ia
fecha	2026-06-06T00:00:00.000Z

¿Qué hace?

MiroFish es un motor de predicción de IA de próxima generación impulsado por tecnología de multi-agentes. Extrae información semilla del mundo real (noticias, borradores de políticas, señales financieras) y construye automáticamente un mundo digital paralelo de alta fidelidad. Miles de agentes inteligentes con personalidades independientes, memoria a largo plazo y lógica de comportamiento interactúan libremente y evolucionan socialmente.

Puedes inyectar variables dinámicamente desde una "perspectiva divina" para deducir trayectorias futuras: ensayar el futuro en un sandbox digital y ganar decisiones tras innumerables simulaciones.

El motor de simulación está basado en OASIS (Open Agent Social Interaction Simulations) del equipo CAMEL-AI. Cuenta con interfaz web, demo en vivo, y soporte para Docker.

Casos de uso

• Predicción de opinión pública: Simular cómo evolucionaría la opinión pública ante un evento o política (ej: simulación de opinión pública de la Universidad de Wuhan).
• Predicción financiera: Proyectar escenarios de mercado basados en señales financieras semilla.
• Predicción de noticias políticas: Simular el impacto de decisiones políticas antes de implementarlas.
• Simulación creativa: Deducir finales alternativos de historias (ej: los capítulos perdidos de "El sueño del pabellón rojo").
• Laboratorio de decisiones: Probar estrategias de relaciones públicas y políticas a riesgo cero.

Snippets útiles

# Opción 1: Despliegue desde código fuente
cp .env.example .env
# Editar .env con LLM_API_KEY, LLM_BASE_URL, LLM_MODEL_NAME, ZEP_API_KEY

# Instalación completa de dependencias
npm run setup:all

# Iniciar servicios (frontend + backend)
npm run dev
# Frontend: http://localhost:3000
# Backend API: http://localhost:5001

# Iniciar componentes individualmente
npm run backend   # Solo backend
npm run frontend  # Solo frontend

# Opción 2: Despliegue con Docker
cp .env.example .env
docker compose up -d
# Mapea puertos 3000 (frontend) / 5001 (backend)

# Variables de entorno requeridas
LLM_API_KEY=***
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus
ZEP_API_KEY=***

Cómo integrarlo

1. Configurar entorno: Copiar .env.example a .env y rellenar las claves API del LLM (soporta cualquier LLM con formato SDK de OpenAI). Se recomienda Qwen-plus vía Alibaba Bailian.
2. Instalar dependencias: npm run setup:all instala todas las dependencias (frontend, backend, Node, Python).
3. Iniciar: npm run dev desde la raíz del proyecto.
4. Crear simulación: Subir materiales semilla (informes, datos) y describir requisitos de predicción en lenguaje natural.
5. Flujo de trabajo: Graph Building → Environment Setup → Simulation → Report Generation → Deep Interaction.
6. Demo en vivo: Visitar mirofish-live-demo para experimentar con eventos de opinión pública.

Requisitos: Node.js 18+, Python ≥3.11 ≤3.12, uv (gestor de paquetes Python).

Pitfalls

• Alto consumo de tokens: Las simulaciones consumen muchos tokens del LLM. Empezar con simulaciones de menos de 40 rondas para probar.
• Zep Cloud requerido: Necesita cuenta en Zep Cloud (tiene cuota gratuita mensual suficiente para uso básico).
• Modelo recomendado: Qwen-plus vía Alibaba Bailian para mejor rendimiento, pero cualquier LLM con formato OpenAI SDK funciona.
• Recursos intensivo: La simulación de miles de agentes con memoria y personalidad es computacionalmente costosa.
• Solo main branch: El repo usa main como rama principal (no develop como otros repos).

Fecha

2026-06-06