Elegante universelle Schwarm-Intelligenz-Engine – Alles vorhersagen
A Simple and Universal Swarm Intelligence Engine, Predicting Anything

English | Deutsch

⚡ Projektübersicht

MiroFish ist eine neue Generation von KI-Vorhersage-Engines basierend auf Multi-Agent-Technologie. Durch die Extraktion von Realwelt-Daten (wie Breaking News, Richtlinienentwürfe, Finanzsignale) wird automatisch eine detailgetreue parallele digitale Welt erstellt. In diesem Raum interagieren und entwickeln sich Tausende von Agenten mit unabhängigen Persönlichkeiten, Langzeitgedächtnis und Verhaltenslogik frei. Über die "Gott-Perspektive" können dynamisch Variablen injiziert werden, um zukünftige Entwicklungen präzise zu antizipieren – Lass die Zukunft im digitalen Sandkasten vorausspielen, lass Entscheidungen nach hunderten Simulationen triumphieren.

Du musst nur: Ausgangsmaterial hochladen (Datenanalyseberichte oder interessante Geschichten) und den Vorhersagebedarf in natürlicher Sprache beschreiben
MiroFish liefert: Einen detaillierten Vorhersagebericht sowie eine interaktive, realitätsnahe digitale Welt

Unsere Vision

MiroFish strebt danach, einen Spiegel der Schwarm-Intelligenz zu schaffen, der die Realität abbildet. Durch die Erfassung des kollektiven Emergenz-Verhaltens, das durch individuelle Interaktionen entsteht, überwinden wir die Grenzen traditioneller Vorhersagen:

• Makro: Wir sind das Labor für Entscheidungsträger, wo Politik und PR risikofrei getestet werden können
• Mikro: Wir sind der kreative Sandkasten für individuelle Nutzer, sei es zur Vorhersage von Roman-Enden oder zum Erkunden von Ideen – alles ist interessant, unterhaltsam und greifbar

Von seriöser Vorhersage bis hin zu unterhaltsamer Simulation – wir machen jedes "Was wäre wenn" sichtbar und ermöglichen die Vorhersage von allem.

🌐 Live-Demo

Besuche die Online-Demo-Umgebung und erlebe eine Simulation zu einem aktuellen öffentlichen Thema: mirofish-live-demo

📸 Screenshots

🔄 Workflow

1. Graphen-Aufbau: Realwelt-Daten-Extraktion & Individuen-/Gruppen-Gedächtnis-Injektion & GraphRAG-Aufbau
2. Umgebungsaufbau: Entitätsbeziehungs-Extraktion & Charakter-Generierung & Umgebungskonfiguration
3. Simulation starten: Duale Plattform-Parallel-Simulation & automatische Vorhersagebedarfsanalyse & dynamische Zeitreihen-Gedächtnis-Aktualisierung
4. Berichtsgenerierung: ReportAgent mit reichhaltigem Toolset für tiefe Interaktion mit der simulierten Umgebung
5. Tiefe Interaktion: Gespräch mit beliebiger Person in der simulierten Welt & Dialog mit dem ReportAgent

🚀 Schnellstart

Option 1: Quellcode-Deployment (empfohlen)

Voraussetzungen

Tool	Version	Beschreibung	Prüfung
Node.js	18+	Frontend-Laufzeitumgebung, enthält npm	node -v
Python	≥3.11, ≤3.12	Backend-Laufzeitumgebung	python --version
uv	Aktuell	Python-Paketmanager	uv --version

1. Umgebungsvariablen konfigurieren

# Beispielkonfiguration kopieren
cp .env.example .env

# .env Datei bearbeiten und API-Schlüssel eintragen

Erforderliche Umgebungsvariablen:

# LLM API-Konfiguration (unterstützt beliebige OpenAI SDK-kompatible APIs)
# Empfohlen: Ali Bailian Platform qwen-plus Modell: https://bailian.console.aliyun.com/
# Hinweis: Verbrauch kann hoch sein, zunächst Simulationen mit weniger als 40 Runden empfohlen
LLM_API_KEY=your_api_key
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus

# Zep Cloud Konfiguration
# Kostenloses Kontingent pro Monat für einfache Nutzung: https://app.getzep.com/
ZEP_API_KEY=your_zep_api_key

2. Abhängigkeiten installieren

# Alle Abhängigkeiten mit einem Befehl installieren (Root + Frontend + Backend)
npm run setup:all

Oder schrittweise:

# Node-Abhängigkeiten installieren (Root + Frontend)
npm run setup

# Python-Abhängigkeiten installieren (Backend, erstellt automatisch virtuelle Umgebung)
npm run setup:backend

3. Dienste starten

# Frontend und Backend gleichzeitig starten (im Projekt-Root ausführen)
npm run dev

Dienst-Adressen:

• Frontend: http://localhost:3000
• Backend API: http://localhost:5001

Separater Start:

npm run backend   # Nur Backend starten
npm run frontend  # Nur Frontend starten

Option 2: Docker-Deployment

# 1. Umgebungsvariablen konfigurieren (wie bei Quellcode-Deployment)
cp .env.example .env

# 2. Image pullen und starten
docker compose up -d

Standardmäßig wird die .env im Root-Verzeichnis gelesen und die Ports 3000 (Frontend) / 5001 (Backend) gemappt.

In docker-compose.yml sind beschleunigte Mirror-Adressen als Kommentare hinterlegt, die bei Bedarf ersetzt werden können.

📄 Danksagung

MiroFish wird angetrieben von OASIS. Wir danken dem CAMEL-AI-Team für ihren Open-Source-Beitrag!

📝 Hinweis zu diesem Repository

Dieses Repository ist eine deutsche Übersetzung des Originalprojekts MiroFish von 666ghj, um es dem deutschsprachigen Raum zugänglich zu machen. Das Originalprojekt steht unter der AGPL-3.0 Lizenz, die Modifikationen und Weiterverbreitung unter derselben Lizenz ausdrücklich erlaubt.

Diese Übersetzung wird aktiv weiterentwickelt und gepflegt. Beiträge und Verbesserungsvorschläge sind jederzeit willkommen!

Original: https://github.com/666ghj/MiroFish Lizenz: AGPL-3.0 (identisch zum Originalprojekt)

📈 Projektstatistik