想象你站在海边，看到一群鱼

没有一条鱼在指挥，但整群鱼却像有灵魂一样——突然转向、同步闪避、集体加速。这就是群体智能。

MiroFish 就是这样一个引擎：它创造成千上万个拥有独立人格、记忆和行为的智能体（Agent），让它们在数字世界中自由互动——然后观察群体行为如何涌现。

每条鱼都有名字和性格

在 MiroFish 中，每个 Agent 都不是一个随机数，而是一个有血有肉的虚拟人物。系统使用 大语言模型 从种子材料中提取人物信息，生成详细的人设。

代码翻译：一条鱼的身份证

以下是 MiroFish 中 Agent 人设数据的结构，每条"鱼"都有这样的完整档案：

@dataclass
class OasisAgentProfile:
    user_id: int
    user_name: str
    name: str
    bio: str
    persona: str
    mbti: str = None
    profession: str = None
    interested_topics: List[str] = []

鱼群的对话：当事件发生时

当一个新闻事件在模拟世界中爆发，不同角色的 Agent 会如何反应？点击下方按钮，观看一场模拟对话：

注意每个角色的反应速度和风格都不同——这正是人设数据的功劳。学生立即愤怒，媒体快速跟进，教授理性呼吁，学校慢慢回应，校友带着情感反思。

测验：你理解鱼群了吗？

种子材料就像一滴水

你给 MiroFish 一篇新闻报道、一份分析报告，甚至一部小说——它需要从这些种子材料中提取出所有重要的人物、机构、事件，以及它们之间的关系。

这就像往平静的池塘里滴入一滴墨水——MiroFish 需要理解这滴墨水的每一个分子，才能在后续模拟中让整池水真实地波动。

系统架构：三大核心组件

点击下方组件，了解它们各自的职责：

代码翻译：本体是如何定义的

MiroFish 让 LLM 分析文本后生成的本体包含实体类型和关系类型：

ontology = {
  "entity_types": [
    {"name": "Student",
     "description": "在校学生",
     "attributes": [{"name": "full_name"}]},
    {"name": "Person"},  # 兜底
    {"name": "Organization"}  # 兜底
  ],
  "edge_types": [
    {"name": "STUDIES_AT",
     "source_targets": [
       {"source": "Student",
        "target": "University"}]}
  ]
}

数据流：从文本到图谱

点击"下一步"观看一篇新闻稿是如何变成知识图谱的：

测验：你理解知识图谱了吗？

想象一个平行宇宙的微博和 Reddit

MiroFish 的模拟引擎叫 OASIS——它创建了两个平行运行的社交媒体平台：一个类似微博/Twitter，一个类似 Reddit。

每个 Agent 都在这两个平台上拥有账号，按照自己的人设发帖、评论、点赞、转发。没有人在幕后操控它们的每一步行动——它们的行为完全由自己的性格和 LLM 的推理决定。

每条鱼的作息表：模拟配置

MiroFish 使用 LLM 为每个 Agent 智能生成活动配置，包括活跃时段、发言频率、响应速度、情感倾向和影响力权重：

@dataclass
class AgentActivityConfig:
    activity_level: float = 0.5
    posts_per_hour: float = 1.0
    active_hours: List[int] = []
    response_delay_min: int = 5
    sentiment_bias: float = 0.0
    stance: str = "neutral"
    influence_weight: float = 1.0

模拟中国人的一天

模拟时间按照中国人的真实作息来推进。以下是系统默认的时间段配置——注意晚间 19-22 点的活跃度是凌晨的 30 倍：

模拟运行时的真实消息流

当模拟开始后，系统通过监控线程实时读取每个 Agent 的动作日志（actions.jsonl），记录发帖、评论、点赞等行为：

拖拽匹配：Agent 配置连连看

将左侧的 Agent 类型拖到右侧对应的最佳活动配置上：

测验：你理解模拟引擎了吗？

想象一位拥有读心术的记者

模拟结束后，MiroFish 需要把成千上万个 Agent 的互动整理成一份人类可读的预测报告。这不是简单的摘要——ReportAgent 需要"潜入"模拟世界，像一位拥有上帝视角的记者，检索每一条线索。

它使用 ReACT（推理+行动）模式工作——每个章节都经过多轮思考、检索、再思考的过程。

记者的四件法宝

ReportAgent 有四个强大的检索工具，每个章节至少调用 3-5 次：

代码翻译：ReACT 循环的精髓

ReportAgent 生成每个章节时的核心逻辑——不断"思考-行动-观察"循环：

for iteration in range(max_iterations):
    response = llm.chat(messages)
    tool_calls = parse_tool_calls(response)

    if "Final Answer:" in response:
        return extract_final_answer(response)

    if tool_calls:
        result = execute_tool(tool_calls[0])
        messages.append(observation)

旁观 ReACT：记者的工作现场

以下是 ReportAgent 撰写"舆论传播分析"章节时的真实工作过程——点击观看：

测验：你理解报告生成了吗？

五大步骤，从新闻到未来

MiroFish 的完整工作流分为五个阶段，每个阶段都由不同的服务组件负责：

代码仓库地图

MiroFish 采用前后端分离架构，核心逻辑在后端 Python 服务中：

数据流全景：种子的旅程

点击"下一步"，跟踪一条新闻从上传到变成预测报告的完整路径：

不只是预测——鱼群引擎的应用场景

MiroFish 的群体智能引擎可以预测万物。以下是已经实现的案例：

最终测验：你理解 MiroFish 了吗？

课程结束

恭喜你完成了 MiroFish 交互式课程！现在你已经理解了：