55,000 顆星的平行世界機器：MiroFish 的技術賭注能成立嗎？

武漢大學的一場校園爭議，在伺服器裡重新跑了一遍。

MiroFish 從公開資料建了一張武漢大學的知識圖譜——教授、學生、校方公告、媒體報導——然後讓數百個 AI agent 扮演這些角色，模擬這場爭議後數週內的輿論走向。結果在螢幕上滾動：哪個論壇先炸、哪位意見領袖發聲、學生情緒何時從困惑轉為憤慨。

這個 demo 讓 GitHub 上的星星衝到了 55,500。

比官方 demo 更能說明情況的，是第三方研究者的實測。加密圈分析師 aaronjmars 把 Polymarket 上「Netanyahu 何時下台」的合約丟進 MiroFish，先讓 Claude 收集背景資訊，再在仿真裡跑假設情境：

「在看完 world models 之後，這是我在 AI 領域看過最瘋狂的東西。」這句話點出了 MiroFish 真正令人不安又興奮的地方。

但這個專案真正有趣的地方，不是那個 demo，而是它背後的技術選擇——以及這些選擇所暗示的賭注：用現有的開源工具，能拼出一個「高保真的平行數位世界」嗎？

「高保真平行數位世界」到底是什麼主張

在 MiroFish 之前，多智能體仿真不是新東西。學術界用 agent-based modeling 研究經濟學幾十年，遊戲業有 NPC 行為樹，ChatGPT 出現後更冒出一堆讓多個 LLM 互相對話的框架。

MiroFish 的主張不同在：它要從真實世界的資料出發，重建一個有結構、有記憶、有個性的數位分身群體，然後在這個群體裡「跑」假設情境。

舊方法和 MiroFish 的本質差異可以這樣理解：

「高保真」的核心宣稱是：agent 不是你手動寫出來的角色，而是從真實資料裡萃取出來的。這讓仿真結果理論上更貼近現實，而不只是「讓幾個 LLM 演戲」。

技術三層：每一層為什麼選這個

第一層：GraphRAG — 從資料到圖譜

GraphRAG 是微軟開源的工具，核心功能是把非結構化文字轉換成知識圖譜：萃取實體（人物、機構、事件）、識別關係，最終建出一張可查詢的語意網路。

MiroFish 用它做「世界建構」的第一步：把新聞、論壇貼文、公告等種子資料喂進去，讓系統自動識別出「誰是誰、誰和誰有什麼關係」。這解決了一個根本問題：agent 的個性和背景從哪來。

替代方案是手動寫 persona prompt，但這在大規模仿真裡完全不可行——你不可能為一千個虛擬角色各寫一份說明書。GraphRAG 把這個過程自動化了。

第二層：Zep Cloud — 讓 Agent 記得發生過什麼

Zep 是一個專為 LLM agent 設計的記憶管理系統。它不只是把對話歷史塞進 context window，而是用向量搜尋和時序索引，讓 agent 能「記得」幾輪前發生的事、根據記憶調整行為。

在多 agent 仿真裡，記憶是讓結果「不荒謬」的關鍵。如果 agent A 剛剛說過反對某政策，五輪後卻毫無理由支持，仿真就失去了可信度。Zep 的作用是維持每個 agent 的行為一致性。

第三層：OASIS — 管理群體行為的框架

OASIS（Open Agent Social Interaction Simulations）是 CAMEL-AI 的開源框架，專門設計來協調大量 agent 的並行互動。MiroFish 建在它上面，繼承了其平台模擬能力（Reddit 式論壇、Twitter 式廣場）和 agent 間的訊息傳遞機制。

三層組合起來，技術選型的邏輯如下：

每一層都選了「已有社群、已有文件、可直接整合」的方案，而不是重造輪子。這讓 MiroFish 能快速搭起 demo，但也繼承了每個工具的限制。

現實差距：三個還沒解決的問題

56k stars 說明市場對這個方向有強烈興趣，但技術成熟度是另一回事。

問題一：LLM 幻覺污染仿真結果

GraphRAG 萃取的知識圖譜不是 100% 精確，LLM 扮演 agent 也會捏造不存在的關係或立場。在一個 1,000 agent 的仿真裡，幻覺的累積效應幾乎無法控制。你沒有辦法驗證「仿真結果貼近現實」，因為沒有基準線可以比較。這不是 MiroFish 特有的問題，而是整個「LLM 仿真」領域目前的致命傷。

問題二：Zep 記憶成本在大規模仿真下的瓶頸

Zep Cloud 是付費服務，記憶操作的 API 呼叫數量隨 agent 數和輪次線性增長。在小規模 demo 裡感覺不到，但如果你要跑一個「一萬個 agent、一百輪互動」的仿真，成本和延遲都會成為現實障礙。目前官方推薦的 Qwen-plus 加上 Zep，是相對划算的組合，但規模上限仍然是未知數。

不過已經有團隊在測這個上限。Brian Roemmele 公開了他們用 Kevin's Autoagent 在 MiroFish 上跑的規模：

2,200 個活躍 agent、可爆發到 10,000、存取 75 萬個仿真情境——這是目前公開披露的最大規模實戰。能不能持續、穩定、可驗證，還要再觀察，但至少說明瓶頸尚未被撞到。

問題三：「高保真」的驗證標準還不存在

這是最根本的問題：你怎麼知道仿真結果是「高保真」而不是「看起來合理的胡說」？MiroFish 沒有提供任何 benchmark，也沒有和真實事件的對照研究。Demo 影片展示的是「結果看起來有道理」，但「有道理」和「準確預測現實」之間，距離非常遠。

給 AI 產業觀察者的判斷框架

MiroFish 是一個值得追蹤的方向，但判斷它能否真正落地，可以看三個指標：

指標一：有沒有出現可重複驗證的 benchmark。 如果社群或團隊開始發表「仿真 vs 真實事件」的對照研究，代表這個工具從 demo 走向可信賴的預測系統。

指標二：記憶成本有沒有大幅下降。 Zep 或替代方案（如本地向量記憶）的成本降到可以跑萬級 agent，才真正解鎖企業採購的門檻。

指標三：有沒有出現企業採購案例。 政府、金融機構、公關公司是最有付費意願的場景。第一個公開的企業採購案例，會是技術可信度的重要訊號。

目前 MiroFish 仍在 v0.1.x 階段（最新 v0.1.2，2026 年 3 月釋出），社群活躍度很高，但也代表系統還很早期。對開發者來說，現在是最好的研究和貢獻時機；對企業採購者來說，至少還需要等一個完整的 v1.0。

社群採納訊號目前偏正面。獨立研究者 Miss Sentient 把 MiroFish 列入週末最值得試的開源 repo 清單：

和 Paperclip、Hermes、Openclaw 並列——這四個都是 agent infra 方向的新銳項目。MiroFish 能進這個名單，代表它在開發者社群裡已經從「demo 好看」進入「值得動手跑一次」的階段。

盛大為什麼押這個

最後一個問題：為什麼是盛大集團？

盛大是中國網路第一代霸主之一，旗下有盛大遊戲、盛大文學（後來的閱文集團），核心資產都和「虛擬世界」有關——遊戲裡的平行世界、網文裡的平行世界。MiroFish 的「平行數位世界」，在某種程度上，是盛大最熟悉的語言換了一個技術外殼。

這不是偶然，而是一種戰略押注：如果多智能體仿真成為基礎設施，盛大想成為那個基礎設施的開源入口。

能不能成，看上面三個指標。