简洁通用的群体智能引擎，预测万物
A Simple and Universal Swarm Intelligence Engine, Predicting Anything

English | 中文文档

MiroFish 是一款基于多智能体技术的新一代 AI 预测引擎。通过提取现实世界的种子信息（如突发新闻、政策草案、金融信号），自动构建出高保真的平行数字世界。在此空间内，成千上万个具备独立人格、长期记忆与行为逻辑的智能体进行自由交互与社会演化。你可透过「上帝视角」动态注入变量，精准推演未来走向——让未来在数字沙盘中预演，助决策在百战模拟后胜出。

你只需：上传种子材料（数据分析报告或者有趣的小说故事），并用自然语言描述预测需求
MiroFish 将返回：一份详尽的预测报告，以及一个可深度交互的高保真数字世界

MiroFish 致力于打造映射现实的群体智能镜像，通过捕捉个体互动引发的群体涌现，突破传统预测的局限：

• 于宏观：我们是决策者的预演实验室，让政策与公关在零风险中试错
• 于微观：我们是个人用���的创意沙盘，无论是推演小说结局还是探索脑洞，皆可有趣、好玩、触手可及

从严肃预测到趣味仿真，我们让每一个如果都能看见结果，让预测万物成为可能。

欢迎访问在线 Demo 演示环境，体验我们为你准备的一次关于热点舆情事件的推演预测：mirofish-live-demo

点击图片查看使用微舆BettaFish生成的《武大舆情报告》进行预测的完整演示视频

点击图片查看基于《红楼梦》前80回数十万字，MiroFish深度预测失传结局

金融方向推演预测、时政要闻推演预测等示例陆续更新中...

1. 图谱构建：现实种子提取 & 个体与群体记忆注入 & GraphRAG构建
2. 环境搭建：实体关系抽取 & 人设生成 & 环境配置Agent注入仿真参数
3. 开始模拟：双平台并行模拟 & 自动解析预测需求 & 动态更新时序记忆
4. 报告生成：ReportAgent拥有丰富的工具集与模拟后环境进行深度交互
5. 深度互动：与模拟世界中的任意一位进行对话 & 与ReportAgent进行对话

# 复制示例配置文件
cp .env.example .env

# 编辑 .env 文件，填入必要的 API 密钥

必需的环境变量：

# LLM API配置（支持 OpenAI SDK 格式的任意 LLM API）
# 推荐使用阿里百炼平台qwen-plus模型：https://bailian.console.aliyun.com/
# 注意消耗较大，可先进行小于40轮的模拟尝试
LLM_API_KEY=your_api_key
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus

# Zep Cloud 配置
# 每月免费额度即可支撑简单使用：https://app.getzep.com/
ZEP_API_KEY=your_zep_api_key

# 一键安装所有依赖（根目录 + 前端 + 后端）
npm run setup:all

或者分步安装：

# 安装 Node 依赖（根目录 + 前端）
npm run setup

# 安装 Python 依赖（后端，自动创建虚拟环境）
npm run setup:backend

# 同时启动前后端（在项目根目录执行）
npm run dev

服务地址：

• 前端：http://localhost:3000
• 后端 API：http://localhost:5001

单独启动：

npm run backend   # 仅启动后端
npm run frontend  # 仅启动前端

# 1. 配置环境变量（同源码部署）
cp .env.example .env

# 2. 拉取镜像并启动
docker compose up -d

默认会读取根目录���的 .env，并映射端口 3000（前端）/5001（后端）

在 docker-compose.yml 中已通过注释提供加速镜像地址，可按需替换

MiroFish团队长期招募全职/实习，如果你对多Agent应用感兴趣，欢迎投递简历至：mirofish@shanda.com

MiroFish 得到了盛大集团的战略支持和孵化！

MiroFish 的仿真引擎由 OASIS 驱动，我们衷心感谢 CAMEL-AI 团队的开源贡献！

MiroFish predicts the future by simulating it forward.
This fork adds Temporal Inversion — attacking uncertainty from the opposite direction.

FORWARD (MiroFish):
  Seed →→→→ uncertainty increasing →→→→ Predictions

INVERTED (ChaosEngine):  
  Preconditions ←←←← certainty increasing ←←←← Outcome

TEMPORAL PINCER:
  Forward →→→→→ ⚡ TURNSTILE ⚡ ←←←←← Inverted
                  (convergence)

1. MiroFish runs normally — generates forward predictions
2. Inversion engine takes the prediction DAG and applies Bayes' theorem to reverse every edge:
   • Forward: P(Effect | Cause) — from simulation
   • Inverted: P(Cause | Effect) — computed via Bayes
3. Shannon entropy computed in both directions — gradient reveals the Turnstile (point of no return)
4. Temporal Pincer: √(forward × inverted) = highest confidence prediction

After math inversion, 4 adversarial agents debate each finding:

• Prosecutor: tries to disprove
• Defender: provides evidence
• Devil's Advocate: finds edge cases
• Judge: scores survival (0-1)

Findings that survive → confidence boosted. Killed → DAG probabilities adjusted → re-inversion. Loop until convergence.

# Math core only (no API key needed)
cd backend/test_inversion
python test_true_inversion.py

# API endpoint
curl -X POST http://localhost:5001/api/inversion \
  -H "Content-Type: application/json" \
  -d '{"nodes": [...], "edges": [...]}'

Christopher Nolan's Tenet — temporal pincer movement.
"What's happened, happened. But what had to be true?"