MiroFish：一个20岁大学生，用鱼群智慧预测了整个世界

原文链接：https://mp.weixin.qq.com/s/4ri93QwGf5v7POhfTCg1Xw

本文转载自微信公众号，如有侵权请联系删除。

郭杭江（@666ghj），北京邮电大学大四学生，今年20岁。他做了一件让很多老程序员汗颜的事。

截至搜索时，666ghj/MiroFish的GitHub Star数已经达到64.7k，Fork数10.1k。

🐟 项目信息

你有没有想过，为什么大多数AI预测都是错的？

不是因为模型不够聪明。是因为它们把”预测”这件事做错了。

传统AI预测本质上是一种独白——你问模型”这件事会怎么发展”，它根据训练数据给你吐出一个答案。这个答案是单一的、线性的、充满了某一个模型的偏见。

真实世界不是这样运作的。真实世界是数千个个体在互相影响中演化出来的结果。一条政策颁布，有人支持，有人反对，有人观望，有人钻空子，他们互相影响、舆论发酵、情绪传播，最后涌现出谁都没预料到的结果。

MiroFish说：预测，应该模拟这个过程本身。

MiroFish的核心工作流分为五个阶段：图谱构建、环境配置、仿真运行、报告生成、深度交互。

喂入”种子”：上传数据分析报告、新闻文章、金融简报甚至小说片段。MiroFish通过GraphRAG提取实体和关系，构建知识图谱，并在仿真启动前将个体和群体记忆注入智能体群体。
生成”演员”：从知识图谱出发，系统自动生成数千个智能体角色。每个智能体获得独一无二的档案：个性特征、背景经历、对主题的初始立场，以及与其他智能体的社会关系。
开演：仿真引擎由CAMEL-AI的OASIS（开放式智能体社会互动仿真）框架驱动，支持最多百万个智能体，涵盖23种社交行为类型。仿真同时在两个平行平台上运行——一个类似Twitter，一个类似Reddit——捕捉不同社交架构下的互动模式。
生成报告：一个专职的ReportAgent负责分析群体涌现动态，整合成可读的预测报告。
深度交互：用户可以直接进入仿真世界，向任意单个智能体提问，或与ReportAgent进行深度对话分析。

MiroFish在记忆管理上的设计值得关注：

长期记忆：使用Zep Cloud作为智能体状态的真实来源，支持智能体重启和恢复时不丢失历史数据，甚至支持分布式智能体执行——智能体可以跨机器迁移，从Zep恢复继续运行。
知识图谱：GraphRAG的多层级摘要（全局、局部、模式）大幅降低了上下文窗口占用。智能体只检索相关子图而非整个图谱，支持百万节点规模的图谱处理。
仿真引擎：OASIS的智能体循环并行运行，无需全局同步，通过最终一致性处理竞争条件，单机可支持数千个智能体并发。
底层模型：开放而灵活，支持任何兼容OpenAI SDK的模型（Claude、Llama、自定义微调模型均可）。

方式	问题
单模型预测（ChatGPT直接问）	输出一个答案，但这个答案只有模型自己的偏见
统计预测模型	擅长数值预测，但无法处理”人的行为”这种非线性变量
MiroFish	用数千个具有独立立场的智能体互相博弈，让结论从涌现中产生

MiroFish真正的价值也许不在于”预测准不准”，而在于它改变了决策者提问题的方式。

传统决策者问：这件事会发生吗？这是一个是非题。

MiroFish让你问的是：如果我注入这个变量，各类人群会如何演化？这是一个过程题。

对于考虑使用这类工具的决策者来说，最诚实的定位是：它能呈现出否则可能被忽视的场景和动态，而非给出精确的概率估计。

另一件值得注意的事：郭杭江用10天时间组装起了这套系统，这与其说展示了他的开发能力，不如说说明了这些组件（大语言模型、GraphRAG、智能体云端记忆）已经成熟到什么程度。Vibe coding被很多人低估，但这里是一个具体的例证——一个人借助现有AI积木，能构建出多么复杂的系统。