MiroFish：56,000 顆星背後的多 Agent 模擬平台——在真實決策前先「排練未來」

56,000 顆 GitHub Star 不是靠行銷砸出來的。這個數字通常意味著某個工具擊中了一個真實的痛點，而且擊中得夠準確，讓人願意主動告訴其他人。MiroFish 的核心概念其實只有一句話：在你真正做決定之前，先讓 AI 代替你把未來演過一遍。

這個直覺比聽起來更有力量。傳統的情境分析靠試算表和假設；現在你可以建立一個由數千個自主 Agent 組成的數位沙盤，每個 Agent 有獨立的人格設定和長期記憶，讓他們在模擬環境裡互動、演化，然後從上帝視角觀察結果。盛大集團（Shanda Group）為這個計畫提供了資源支持，這也解釋了為什麼它的技術深度遠超大多數開源週邊工具。

五個階段的模擬管線

整個流程分五個階段，每一段都對應一個明確的功能邊界：

階段一：知識圖譜建構（GraphRAG） 你提供種子材料——文件、新聞、政策文本——系統用 GraphRAG 技術把它轉化成結構化的知識圖譜。這是整個模擬的「世界觀設定」，決定了 Agent 們所在的知識背景。

階段二：環境初始化 用自然語言描述你要預測的場景。不需要寫程式，直接輸入「假設 2025 年某城市推行車輛限行政策」這樣的描述，系統自動建立模擬環境並配置初始 Agent 狀態。

階段三：多 Agent 模擬執行 核心。數百到數千個 Agent 開始在環境裡活動。每個 Agent 有獨立的人格參數和長期記憶機制，他們之間的互動是動態的，而不是預先腳本化的。你可以從上帝視角注入新變數——比如突然加入一個政策轉變或外部衝擊——觀察整個系統如何回應。

階段四：報告生成 模擬完成後，系統自動生成結構化的預測報告，包含關鍵趨勢、衝突點、以及各種可能的路徑收斂。

階段五：互動分析 這是最有意思的部分：你可以直接和模擬中的 Agent 對話。問一個模擬市民「你為什麼做出這個選擇」，或者要求某個 Agent 解釋他的決策邏輯。這讓模擬結果從黑盒變成可追問的系統。

各場景適用性評估

政策測試是 MiroFish 最直接的命題。任何政策在真實世界落地之前都存在不確定性，但政策實驗的代價通常是社會性的、不可逆的。能夠在沙盤裡先跑幾千個模擬、觀察不同族群的 Agent 反應，是傳統政策評估工具做不到的事。商業情境規劃的邏輯一樣：競爭對手會怎麼反應？消費者行為會怎麼改變？這類問題過去靠直覺和經驗，現在可以有更具體的模擬參考。

技術棧與部署

MiroFish 是 Python（57.6%）加 Vue（41.2%）的組合，後端 Python 3.11 以上、前端 Node.js 18+。LLM 方面官方推薦阿里的通義千問（Qwen），但任何相容的 API 都可以接入。

部署方式有兩條路：

• Source code：標準的 clone + 依賴安裝流程，前端跑在 port 3000，後端跑在 port 5001
• Docker：一鍵啟動，適合快速評估或生產部署

值得注意的是它對 GraphRAG 的深度整合。種子材料不只是被「存」起來，而是被解析成實體關係圖，Agent 在互動時能真正查詢和引用這些知識結構，而不是用模糊的向量相似度去猜測。這在需要高精度情境建模的場景（政策研究、法律分析）裡差距很明顯。

值不值得認真看

56,000 星加上盛大集團的背書，說明這不是一個個人玩具專案。如果你的工作涉及任何「如果我們這樣做，接下來會怎樣」的預判——無論是產品策略、政策研究、還是社會科學——MiroFish 的框架設計思路都值得深入研究。

它還不是一個完整的 production-ready 工具，GraphRAG 的品質高度依賴你放進去的種子材料，Agent 的人格設定也需要仔細調校。但它提供了一個清晰的架構：用知識圖譜建世界，用自主 Agent 演世界，用上帝視角問世界。這個範式如果成熟，會是比現有 LLM 問答更有價值的決策輔助工具。