MiroFish 深度研究：00 后中科大学生的"预测万物"群体智能引擎，陈天桥 3000 万投了

> 来源: https://github.com/666ghj/MiroFish

> 新浪财经报道: https://finance.sina.com.cn/cj/2026-03-09/doc-inhqkhiq9966018.shtml

> 腾讯新闻实测: https://news.qq.com/rain/a/20260312A01MVI00

> 在线 Demo: https://666ghj.github.io/mirofish-demo/

> 研究时间: 2026-03-17

📌 一句话总结

MiroFish 是中科大大四学生 BaiFu（郭航江）开发的多智能体群体智能预测引擎——上传现实世界的"种子信息"（新闻/报告/小说），自动构建一个平行数字世界，让成千上万个有独立人格的 AI 智能体在里面自由交互、社会演化，最终生成预测报告。盛大集团创始人陈天桥投了 3000 万人民币。GitHub 两周 15K+ Stars，登上全球趋势榜第一。

🧠 核心理念

> "个体或许难以预测，但一旦融入群体，就会出现去个性化、情绪传染、易受暗示等特征，行为反而变得极端、非理性，且具备可预测性。" —— 古斯塔夫·勒庞《乌合之众》

MiroFish 的核心假设：与其让一个大模型直接"猜"未来，不如让一群有不同立场的 AI 在模拟环境里互动、博弈，通过群体涌现来推演走向。

🏗️ 技术架构

五阶段流水线

种子材料（新闻/报告/小说）
    ↓
① 图谱构建
   种子信息提取 → 实体关系抽取 → GraphRAG 知识图谱
   个体+群体记忆注入
    ↓
② 环境搭建
   为每个实体生成"人设"（性格、立场、背景）
   环境配置 Agent 注入仿真参数
    ↓
③ 双平台并行模拟
   两个独立环境中，数十/上百智能体围绕议题讨论、博弈
   自动解析预测需求 → 动态更新时序记忆
    ↓
④ 报告生成
   ReportAgent 用工具集与模拟后环境深度交互
   输出结构化预测报告
    ↓
⑤ 深度互动
   与任意智能体 1v1 对话（追问逻辑/立场）
   与 ReportAgent 对话（解释/总结）

技术栈

安装

# 克隆
git clone https://github.com/666ghj/MiroFish.git
cd MiroFish

# 配置
cp .env.example .env
# 填入 LLM_API_KEY、ZEP_API_KEY

# 一键安装
npm run setup:all

# 启动
npm run dev
# 前端: http://localhost:3000
# 后端: http://localhost:5001

或 Docker：

cp .env.example .env
docker compose up -d

📊 数据

🔬 真实测评（腾讯新闻 2026-03-12）

一位博主用伊朗-美国局势新闻做了实测：

发现的问题

1. 智能体"偷懒"：部分智能体在推演过程中回复重复内容，没有真的在推演

2. 结果泛泛：预测结果"有用但用处不多"，都是正确但没参考价值的话

3. 不如直接问 GPT：博主认为结果不如直接用 GPT/Grok 检索信息后给出的预测

4. 模型依赖：用 qwen3.5 效果一般，GPT 的回答更好，说明预测质量高度依赖底层模型

博主结论

> "我承认这个项目的思路很好，有不少让人眼前一亮的亮点，但目前还非常初级，完全不具备落地能力。"

🤔 深度分析

为什么受关注？

1. 叙事极强："预测万物"+ "平行数字世界"+ "上帝视角"——每个词都戳到想象力

2. 00后 + 陈天桥 3000万：故事性满分——大四学生用 AI 10 天写出来，初代首富看完 demo 直接投了

3. 时机好：多智能体 + Agent 是 2025-2026 最热赛道，刚好踩在风口上

4. 前作背书：BettaFish 已经上过 GitHub 趋势榜第一，有信用积累

技术层面的冷思考

核心问题：群体智能仿真≠预测

MiroFish 的底层逻辑是：让一群 AI 扮演不同角色互动 → 观察涌现行为 → 预测现实走向。但这里有几个根本假设需要验证：

1. AI 角色扮演 ≠ 真实角色行为：AI 扮演"俄罗斯"的行为逻辑跟真实俄罗斯决策者差距巨大。AI 缺乏内部信息、利益驱动、情感状态

2. 涌现 ≠ 预测精度：一群 AI 的涌现行为可能有趣，但不一定比单个强模型的直接推理更准确

3. 垃圾进 → 垃圾出：如果种子信息不全面，构建的"平行世界"就不完整，预测自然不靠谱

4. 成本高昂：每次预测调用大量 LLM API（数十/上百智能体 × 多轮对话），token 消耗极大

与 Stanford Generative Agents 的比较

MiroFish 在工程上做了不少创新（GraphRAG 种子提取、双平台并行、ReportAgent 工具集），但核心科学问题——"多智能体仿真能否真正预测复杂系统"——还远未解决。

适合什么场景？

💡 与我们的关联

1. 思路值得借鉴

MiroFish 的"多视角推演"思路可以用在我们的深度研究中——与其让一个 Agent 写报告，不如让多个 Agent 从不同角度（技术/商业/竞争/风险）分别分析，最后综合。

2. 但不适合直接用

• 我们需要的是信息收集+分析，不是"预测走向"
• MiroFish 的 token 消耗太大（一次预测 2 小时 + 大量 API 调用）
• 当前效果还不如直接用强模型

3. 关注其 Zep + GraphRAG 组合

MiroFish 用 Zep Cloud 做知识图谱存储 + GraphRAG 做实体关系提取的组合值得关注。如果这个模式成熟，可能对我们的记忆系统有启发。

📊 评分

报告由深度研究助手自动生成 | 2026-03-17

来源: https://github.com/666ghj/MiroFish