映射现实的群体智能镜像

MiroFish 深度技术研究报告：基于多智能体仿真的 AI 预测引擎

群体智能仿真

数千个 LLM 智能体在虚拟社交平台交互，从个体行为涌现群体动态

涌现性预测

实现舆情推演、金融预测、政策预演等多场景预测分析

双模型策略

轻量模型用于高频仿真，强模型用于关键决策和报告生成

时序记忆

GraphRAG 构建时序知识图谱，Zep Cloud 提供长期记忆支持

关键发现

MiroFishModel 和 miro_fish 函数位于独立的 PyPI 包 mirofish-simulator

主仓库通过 SimulationRunner 以子进程方式集成 OASIS

IPC 通信存在实时性瓶颈，社区已提出异步协程改进方案

1. 项目概述与核心定位

1.1 项目愿景与设计理念

群体智能镜像：映射现实世界的数字孪生

MiroFish 的核心愿景是构建"映射现实的群体智能镜像"——一种能够精确复刻复杂社会系统动态的数字孪生系统。该项目由盛大集团战略支持与孵化，其技术路径区别于传统预测方法：不是从输入直接映射到输出，而是构建完整的数字社会系统并观察其自发演化 [181]。

系统从种子材料（突发新闻、政策草案、金融信号、文学文本等）中提取结构化知识，自动生成数千个具备独立人格、长期记忆和行为逻辑的智能体，这些智能体在虚拟社交平台上持续交互，形成对现实系统的动态仿真。

知识图谱驱动初始化

通过 GraphRAG 技术将非结构化文本转化为语义网络，智能体的人格参数从图谱中派生，确保行为根植于输入材料的真实语境。

时间演化能力

智能体记忆随仿真过程持续更新，每轮交互产生的新观点、新关系被写回图谱，影响后续轮次的决策。

涌现性预测范式

MiroFish 采用的涌现性预测范式从根本上挑战了传统统计方法的线性假设。传统预测将系统行为建模为输入特征的加权组合，而涌现性预测承认：群体层面的模式无法从个体属性简单叠加得到 [181]。

应用案例：《红楼梦》失传结局推演

系统从前 80 回提取数百个人物关系和情节线索，为主要角色生成符合其性格特征的智能体，最终通过群体交互涌现叙事上合理的后续发展 [181]。

1.2 技术定位与差异化优势

维度 单模型预测 多智能体仿真
主体表示 单一模型，隐含平均意见 数千异质智能体，显式建模个体差异
时间动态 静态推理，无演化过程 离散轮次推进，状态持续更新
社会机制 无显式社交结构 平台规则驱动信息流动
反事实能力 有限，依赖提示工程 原生支持，可动态注入变量

零风险决策实验室

在数字环境中预演重大决策，将试错成本降至最低。传统决策支持依赖历史案例类比或专家直觉，验证困难且风险不可控；而数字仿真允许在虚拟空间中测试数百种情景，识别潜在风险点和优化杠杆 [181]。

1.3 应用场景矩阵

舆情事件推演

追踪 sentiment evolution、topic propagation 和 influence dynamics，识别关键转折点和高风险窗口。

推荐配置： 启用 Zep 图谱 + 双平台并行 + 72 小时仿真

金融趋势预测

异质性投资者建模，模拟市场参与者如何相互影响、形成共识或分歧。

准确率： 92% 的新经济政策影响预测 [184]

文学叙事续写

《红楼梦》失传结局预测，从前 80 回提取人物关系和情节线索。

技术挑战： 叙事一致性的维护和人物性格保持

企业级应用场景

战略决策预演
  • • 新产品发布市场反应预测
  • • 并购公告投资者情绪模拟
  • • 组织架构调整员工接受度分析
成本效益优势
  • • API 成本可低至 $0.01/次仿真 [181]
  • • 混合模型配置优化
  • • 速度成本双重优势

2. 系统架构与核心组件

2.1 整体技术栈

graph TB A["前端层
Vue 3 + Vite + D3.js"] --> B["后端层
Python + FastAPI/Flask"] B --> C["仿真引擎
CAMEL-AI OASIS"] C --> D["记忆系统
Zep Cloud + Graphiti"] B --> E["数据库
KuzuDB/Neo4j"] A --> F["部署方案
Docker Compose"] style A fill:#e3f2fd,stroke:#1e40af,stroke-width:2px,color:#1e293b style B fill:#fff3e0,stroke:#f59e0b,stroke-width:2px,color:#1e293b style C fill:#f3e5f5,stroke:#8b5cf6,stroke-width:2px,color:#1e293b style D fill:#e8f5e8,stroke:#10b981,stroke-width:2px,color:#1e293b style E fill:#fce4ec,stroke:#ec4899,stroke-width:2px,color:#1e293b style F fill:#e0f2f1,stroke:#06b6d4,stroke-width:2px,color:#1e293b

前端技术特点

  • Vue 3 Composition API 实现复杂状态管理
  • D3.js 力导向图渲染数千节点和边
  • WebSocket 实时推送仿真状态
  • Vite 快速热更新提升开发效率

后端架构设计

  • 异步任务处理避免 HTTP 请求阻塞
  • 子进程隔离确保仿真引擎故障隔离
  • 混合 Flask/FastAPI 架构演进
  • 状态持久化支持断点续传

OASIS 引擎核心技术特性

100万+
并发智能体
23种
社交动作类型
双平台
Twitter + Reddit
3分钟
时间步长

通过高效的批处理推理和 GPU 并行，支持大规模智能体仿真 [161]

2.2 目录结构与模块划分

核心目录结构

MiroFish/
├── frontend/                 # Vue 3 单页应用
│   ├── src/
│   │   ├── components/      # 可复用 UI 组件
│   │   ├── views/          # 页面级组件
│   │   ├── stores/         # Pinia 状态管理
│   │   ├── api/            # Axios API 封装
│   │   └── utils/          # 工具函数
│
├── backend/                 # Python 后端服务
│   ├── app/
│   │   ├── api/            # RESTful API 端点
│   │   ├── core/           # 会话管理、资源加载
│   │   ├── resources/      # 适配器模式实现
│   │   ├── tools/          # 工作流原子操作
│   │   ├── services/       # 核心服务实现
│   │   └── utils/          # LLM 客户端等
│   └── uploads/            # 文件上传和状态存储
│
└── docker-compose.yml      # 容器化部署配置

适配器模式设计

为不同类型的持久化数据提供统一接口，确保底层存储技术的可替换性。

ProjectAdapter - 项目生命周期管理
DocumentAdapter - 多格式文档解析
KuzuAdapter - 图数据库操作
SimulationAdapter - 仿真数据管理

工具组合模式

可组合的工作流操作，通过 Pydantic 模型定义数据契约，支持链式组合和条件执行。

IngestTool - 文件摄取和处理
BuildTool - 知识图谱构建
PrepareTool - 仿真环境准备
RunTool - 执行仿真

2.3 核心服务组件详解

simulation_runner.py - 核心服务模块

1768 行
代码规模
67.6 KB
文件大小
8种
状态机状态
核心方法 start_simulation 实现逻辑
  1. 验证阶段：检查仿真是否已在运行
  2. 配置加载：读取 simulation_config.json
  3. 脚本选择：根据 platform 参数选择执行脚本
  4. 子进程启动：subprocess.Popen 创建独立进程组
  5. 记忆更新器初始化（可选）：ZepGraphMemoryUpdater
  6. 监控线程启动：_monitor_simulation 后台运行 [23]
架构局限与改进方向

当前 IPC 机制存在实时性不足（文件轮询延迟）、可靠性风险（竞争条件、子进程崩溃静默检测延迟最长 60 秒）等问题。社区建议采用 asyncio.create_subprocess_exec 替代 subprocess.Popen，使用 asyncio.Queue 替代文件 IPC [97]。

graph_storage.py - 图谱存储抽象

实现图谱存储的抽象接口，支持多种后端实现，确保底层存储技术的可替换性。

KuzuStorage - 嵌入式图数据库（默认推荐）
JsonStorage - 零依赖文件存储（开发测试）
Neo4jStorage - 企业级客户端-服务器架构

report_agent.py - ReACT 架构实现

采用 ReACT（Reasoning + Acting）架构的报告生成代理，区别于简单的模板填充。

推理（Reasoning）：分析预测需求，确定策略
行动（Acting）：调用可用工具获取信息
观察（Observation）：整合工具返回结果
迭代：重复过程直到信息充分

3. 配置系统与环境管理

3.1 config.py 核心作用

分层配置加载机制

# 加载优先级：系统环境变量 > .env 文件 > 代码默认值
from dotenv import load_dotenv
import os

# 1. 加载 .env 文件（若存在）
env_path = Path(__file__).parent.parent.parent / '.env'
if env_path.exists():
    load_dotenv(env_path, override=True)

# 2. 定义 Config 类，从环境变量读取
class Config:
    SECRET_KEY = os.environ.get('FLASK_SECRET_KEY', 'default-unsafe-key')
    DEBUG = os.environ.get('FLASK_DEBUG', 'False').lower() == 'true'
    LLM_API_KEY = os.environ.get('LLM_API_KEY')  # 必填，无默认值
    # ... 其他配置

这种设计支持开发环境（本地 .env）和生产环境（平台注入变量）的灵活切换，同时确保敏感信息（API 密钥）不会进入版本控制。

LLM 配置中心

直接决定系统功能和成本的核心业务配置。

API 密钥 LLM_API_KEY
基地址 LLM_BASE_URL
模型名称 LLM_MODEL_NAME
温度参数 LLM_TEMPERATURE

文件上传约束

保护系统免受超大文件和资源耗尽攻击的安全配置。

最大内容长度 50 MB
上传文件夹 backend/uploads/
允许扩展名 pdf, md, txt

安全注意事项

Pull Request #445 报告"Flask debug mode enabled by default, exposed on 0.0.0.0"的安全问题 [183]。企业部署时需要特别关注：

  • 显式设置 FLASK_DEBUG=False
  • 限制绑定地址避免 0.0.0.0
  • 生成强随机 SECRET_KEY
  • 定期安全审计配置

3.2 关键环境变量解析

LLM 接入配置

支持任意 OpenAI SDK 兼容的端点，提供极大的灵活性。

阿里云百炼（推荐）
URL: https://dashscope.aliyuncs.com/compatible-mode/v1
模型: qwen-plus（中文优化）
国内访问稳定，成本效益最优 [203]
本地 Ollama（隐私敏感）
URL: http://localhost:11434/v1
完全本地部署，数据主权控制 [180]

记忆系统配置

Zep Cloud 提供长期记忆图谱服务，时序 GraphRAG 能力。

Zep Cloud 托管版
API 密钥: ZEP_API_KEY
免费额度: 每月足够简单试用
向量存储、图谱存储、时序检索 [200]
社区替代方案
KuzuDB - 嵌入式，零外部依赖
Neo4j Community - 完全本地部署
数据主权控制，敏感场景适用

双模型策略优化

社区扩展的配置方案，显著降低成本而不显著影响质量 [197]。

任务类型 推荐模型 成本比例 质量影响
本体论生成 qwen-plus / gpt-4o-mini 10% 关键，需高质量
智能体决策 qwen-turbo / gpt-4o-mini 60% 中等，批量优化
报告生成 qwen-plus / gpt-4o 20% 关键，需高质量
交互对话 用户选择 10% 按需

3.3 部署配置策略

源码部署（开发调试）

适合功能开发、性能优化、深度定制和学术研究场景。

前置要求
  • • Node.js 18+
  • • Python 3.11-3.12
  • • uv 最新版
部署流程
git clone ...
cp .env.example .env
npm run setup:all
npm run dev

Docker 部署（生产环境）

适合快速体验、生产部署和 CI/CD 集成场景。

服务组成
  • • frontend: Vue 3 应用（3000）
  • • backend: Flask/FastAPI 服务（5001）
  • • zep（可选）: 本地 Zep 服务
  • • ollama（可选）: 本地 LLM 推理
部署命令
docker compose up -d

依赖锁定策略

确保环境一致性和可复现性的关键机制。

Python 依赖管理
uv sync --frozen - 精确复现依赖环境
uv pip install - 安装新依赖并更新 lock 文件
uv run - 在隔离环境中运行命令
Node 依赖管理
package-lock.json - 锁定版本
npm ci - 生产构建安装

4. 核心算法与仿真引擎

4.1 OASIS 引擎集成机制

graph TB A["MiroFish Backend"] --> B["SimulationRunner"] B --> C["subprocess.Popen"] C --> D["OASIS Engine"] D --> E["Twitter Platform"] D --> F["Reddit Platform"] E --> G["Agent Interactions"] F --> G G --> H["Memory Updates"] H --> I["GraphRAG"] I --> J["Zep Cloud"] style A fill:#e3f2fd,stroke:#1e40af,stroke-width:2px,color:#1e293b style B fill:#fff3e0,stroke:#f59e0b,stroke-width:2px,color:#1e293b style C fill:#f3e5f5,stroke:#8b5cf6,stroke-width:2px,color:#1e293b style D fill:#e8f5e8,stroke:#10b981,stroke-width:2px,color:#1e293b style E fill:#fce4ec,stroke:#ec4899,stroke-width:2px,color:#1e293b style F fill:#e0f2f1,stroke:#06b6d4,stroke-width:2px,color:#1e293b style G fill:#f1f8e9,stroke:#84cc16,stroke-width:2px,color:#1e293b style H fill:#bbdefb,stroke:#3b82f6,stroke-width:2px,color:#1e293b style I fill:#c8e6c9,stroke:#22c55e,stroke-width:2px,color:#1e293b style J fill:#e1bee7,stroke:#a855f7,stroke-width:2px,color:#1e293b

双平台并行仿真

同一组智能体在 Twitter 和 Reddit 两个平台上拥有独立账号和行为历史，共享底层知识图谱和记忆系统。

Twitter 平台特征
  • • 短文本（280 字符），快速发布
  • • 算法推荐时间线，名人效应显著
  • • 转发、引用、提及，病毒式传播
Reddit 平台特征
  • • 长文本，深度讨论，嵌套评论
  • • 社区投票排序，兴趣聚合
  • • 投票、评论、award，质量筛选

智能体生命周期管理

完整的智能体状态机，实现从创建到消亡的全生命周期管理。

创建：从人格模板实例化
激活：根据时间引擎调度
决策：LLM 推理选择动作
执行：执行社交动作
反馈：接收互动响应
演化：记忆整合学习

事件注入系统

上帝视角的变量干预能力，支持三类干预方式 [181]：

信息发布

突发新闻、官方声明、谣言澄清

直接写入平台内容池
环境变化

政策调整、市场波动、技术突破

修改全局环境变量
直接干预

封禁账号、修改算法、引入新角色

强制修改平台状态

4.2 智能体建模体系

人格生成：基于种子材料的角色构建

通过 LLM 基于相关图谱子上下文，使用人格模板填充具体参数值，确保行为与种子材料的真实语境一致。

人格维度 参数示例 数据来源
人口统计 年龄、性别、职业、地域 文本提及或 LLM 推断
心理特征 大五人格（开放性、尽责性等） 行为模式分析
认知风格 信息处理方式、风险偏好 决策场景推断
立场倾向 对关键议题的支持/反对程度 观点表达分析

动机引擎与情感建模

多层次的目标驱动系统，结合情感状态模型，实现复杂的人类行为模拟。

动机层次
本能层：生存需求、情感表达（即时）
社交层：关系维护、群体认同（轮次）
战略层：影响力积累、议程推进（长期）
情感状态模型
离散：基本情绪（愤怒、恐惧、喜悦等）
连续：效价、唤醒度、支配感三维空间

社交关系网络

动态的亲密度与影响力计算，模拟真实的社交网络结构。

关注/被关注关系
朋友/互关关系
互动历史累积
群体归属身份
隐性相似度计算

记忆架构：双层设计原理

短期工作记忆
容量：7±2 个 chunk
Retention：秒到分钟
检索：直接访问
用途：即时情境感知
长期图谱记忆
容量：理论上无上限
Retention：永久（需管理）
检索：相似度 + 结构检索
用途：跨轮次学习
记忆晋升机制：工作记忆中的高重要性事件通过巩固过程写入图谱记忆；高频检索记忆增强提取强度，低频记忆逐渐衰减。

4.3 MiroFishModel 与 miro_fish 函数分析

关键架构发现

经过对官方仓库及其主要社区 fork 的全面检索分析，我们发现：

独立 PyPI 包

MiroFishModel 类和 miro_fish 函数位于独立的 PyPI 包 mirofish-simulator（版本 0.12.0）[196]，而非主仓库源码。

子进程集成架构

主仓库 MiroFish 是完整的 Web 应用，通过 SimulationRunner 服务以子进程方式调用 mirofish-simulator，实现仿真引擎与产品界面的解耦。

MiroFishModel 推测接口

class MiroFishModel:
    def __init__(self, config, llm_client=None, memory_backend=None):
        self.config = config
        self.agents = []
        self.graph = KnowledgeGraph()
        self.platforms = {}
        self.status = ModelStatus.IDLE
    
    def build_graph(self, seed_material):
        """从种子材料构建知识图谱"""
    
    def generate_agents(self, count, diversity_params=None):
        """基于图谱生成智能体人格"""
    
    def step(self, n=1, events=None):
        """执行 n 轮仿真"""
    
    def inject_event(self, event, target=None):
        """上帝视角事件注入"""
    
    def get_report(self, query, agent="report_agent"):
        """生成预测报告"""

miro_fish 主控函数

def miro_fish(seed_material, prediction_goal, 
              config=None, callbacks=None, 
              return_interactive=False):
    """
    MiroFish 主入口：从种子材料到预测报告的完整流程
    
    Parameters
    ----------
    seed_material : 种子材料，支持多种格式
    prediction_goal : 自然语言描述的预测目标
    config : 仿真配置，None 则使用默认配置
    callbacks : 回调函数，用于进度监控
    return_interactive : 是否返回交互式世界对象
    
    Returns
    -------
    SimulationResult 或 (SimulationResult, InteractiveWorld)
    """

与 SimulationRunner 的协作关系

主仓库通过子进程 + IPC 架构集成仿真库，实现进程隔离和资源管理。

当前实现（子进程 IPC）
强隔离、跨语言、易于调试
延迟较高（约 1 秒）、资源开销
建议改进（异步协程）
低延迟（毫秒级）、高并发
需要 async 重构、调试复杂

5. 数据处理与知识图谱

5.1 种子材料处理管道

flowchart TD A["种子材料上传"] --> B{"格式识别"} B -->|"PDF"| C["PDF 解析"] B -->|"Markdown"| D["Markdown 解析"] B -->|"TXT"| E["TXT 解析"] C --> F["文本清洗"] D --> F E --> F F --> G["文本规范化"] G --> H["分句处理"] H --> I["智能分块"] I --> J["向量化"] J --> K["信息密度评估"] K --> L["关键内容提取"] L --> M["本体论生成"] M --> N["实体关系抽取"] N --> O["GraphRAG 构建"] style A fill:#e3f2fd,stroke:#1e40af,stroke-width:2px,color:#1e293b style B fill:#fff3e0,stroke:#f59e0b,stroke-width:2px,color:#1e293b style C fill:#f3e5f5,stroke:#8b5cf6,stroke-width:2px,color:#1e293b style D fill:#e8f5e8,stroke:#10b981,stroke-width:2px,color:#1e293b style E fill:#fce4ec,stroke:#ec4899,stroke-width:2px,color:#1e293b style F fill:#e0f2f1,stroke:#06b6d4,stroke-width:2px,color:#1e293b style G fill:#f1f8e9,stroke:#84cc16,stroke-width:2px,color:#1e293b style H fill:#bbdefb,stroke:#3b82f6,stroke-width:2px,color:#1e293b style I fill:#c8e6c9,stroke:#22c55e,stroke-width:2px,color:#1e293b style J fill:#e1bee7,stroke:#a855f7,stroke-width:2px,color:#1e293b style K fill:#fff8e1,stroke:#fbbf24,stroke-width:2px,color:#1e293b style L fill:#ffebee,stroke:#ef4444,stroke-width:2px,color:#1e293b style M fill:#e8eaf6,stroke:#6366f1,stroke-width:2px,color:#1e293b style N fill:#e0f7fa,stroke:#06b6d4,stroke-width:2px,color:#1e293b style O fill:#e8f5e8,stroke:#22c55e,stroke-width:2px,color:#1e293b

多格式支持

支持 PDF、Markdown、TXT 三种主要格式的种子材料上传。

PDF 解析
使用 PyPDF2/pdfplumber/PyMuPDF，处理版面复杂性、表格、图片提取
Markdown 解析
使用 markdown-it，处理 frontmatter、内部链接、代码块
TXT 解析
内置解析 + chardet 编码检测，空行分割段落

文本预处理

流式解析策略，避免大文件完全加载到内存。

清洗：去除页眉页脚、重复空格
归一化：统一编码、日期格式
分句：语言特定规则或模型
分块：按 token 数或语义边界
向量化：嵌入模型支持检索
去重：合并重复或相似块

信息密度评估

识别核心内容区域，过滤低质量块和噪声。

评估指标
• 实体密度（每千字实体提及）
• 关系复杂度（关系类型多样性）
• 情感强度（情感词频和强度）
• 时间集中度（时间表达密度）
• 引用网络（被引用频率）

5.2 本体论生成与实体抽取

LLM 驱动的本体识别

通过 LLM 提示工程，从种子材料中自动识别概念、属性和关系三元组，无需为每个新领域训练专门模型。

本体论生成流程
  1. 主题识别：分析整体主题和领域类型
  2. 概念层次：识别核心概念及其上下位关系
  3. 属性定义：为每个概念定义关键属性
  4. 关系类型：识别概念间可能的关系
  5. 约束规则：定义基数、值域、互斥约束
提示工程要素
  • Few-shot 示例：提供领域相关本体示例
  • 迭代精化：多轮对话逐步完善
  • 一致性校验：检测循环继承、属性冲突
实体消歧与链接挑战

处理同名异义、异名同义、时变同一、模糊指代等复杂情况，通过上下文语义分析、图谱关系约束、字符串相似度、共指消解等技术实现高精度实体链接。

关系强度量化

基于多因素模型的关系强度计算，综合考虑共现、语义、句法、时间和用户反馈等因素。

Strength(e1, e2, relation) = α × CooccurrenceFrequency
+ β × SemanticSimilarity(e1, e2)
+ γ × SyntacticCloseness(sentence)
+ δ × TemporalProximity(events)
+ ε × UserFeedback(corrections)

实体抽取优化

LLM 驱动的实体关系抽取，通过多轮验证和结果融合提高准确性。

文本分块
将长文档分割为适合 LLM 上下文窗口的片段（通常 2,000-4,000 tokens）
本体论引导
使用生成的概念框架，提示 LLM 识别实体、属性、关系
多轮验证
对低置信度抽取进行复核，解决冲突和歧义
结果融合
合并跨块的抽取结果，进行实体消歧和关系去重

5.3 GraphRAG 构建流程

时序图谱组织

支持"在时间 T，实体 A 与实体 B 的关系强度为 X"的查询，实现图谱的时间演化追踪。

节点时序属性
• created_at
• modified_at
• valid_from
• valid_to
支持时间点查询、时间范围查询
边时序属性
• established_at
• strength_history[]
支持关系演化追踪、强度变化分析
事件时序属性
• timestamp
• duration
• participants[]
支持事件序列重建、因果链分析
版本管理策略

为关键实体和关系维护版本历史，采用完整快照 + 增量日志的混合方案，平衡查询效率和存储成本。

社区检测与聚类

自动发现群体结构，识别意见领袖和信息流动模式。

Louvain 算法
快速、模块化优化，适合大规模图谱初步探索
Leiden 算法
Louvain 改进，保证连通性，高质量社区划分
Label Propagation
线性复杂度，无需参数，超大规模实时检测
Infomap
信息论基础，捕捉层次结构，多尺度分析

检索增强生成（GraphRAG）

基于图谱上下文的生成增强，提供更准确和相关的回答。

1
查询理解：转化为图谱查询意图
2
种子实体识别：提取关键实体或生成候选
3
子图扩展：从种子出发扩展邻居
4
相关性排序：结合结构重要性和语义相似度
5
上下文组装：序列化为自然语言描述
6
生成增强：LLM 基于图谱上下文生成

5.4 记忆注入与更新机制

个体记忆

智能体私有的经验存储，记录个人事件、情感和策略。

事件记忆 - 亲身参与的关键事件
情感记忆 - 与特定实体关联的情感
策略记忆 - 成功或失败的行为模式
关系记忆 - 与其他智能体的互动历史

群体记忆

共享的事件和公共知识，为个体提供参考框架。

公共信息发布 - 新闻、公告、趋势话题
高频互动事件 - 热点讨论、集体行动
制度性知识 - 平台规则、社会规范

记忆衰减与强化

艾宾浩斯风格的遗忘曲线，结合重要性加权和强化机制。

Retention(t) = Importance × e^(-λ × t / Stability)
重要性：情感强度、结果显著性
稳定性：睡眠巩固、情感标记
强化机制：成功预测、情感高峰

记忆更新工作流程

每轮仿真结束后执行，将智能体的新观点、新关系、关键事件写入时序图谱 [181]。

更新流程
  1. 事件提取：从 AgentAction 日志识别关键事件
  2. 自然语言生成：结构化事件转为描述性文本
  3. 图谱写入：通过 ZepGraphMemoryUpdater 更新
  4. 索引更新：刷新向量和时序索引
  5. 一致性校验：检测时间冲突或逻辑矛盾
检索策略
时间衰减：近期事件优先
重要性加权：高情感冲击事件增强
相关性过滤：与当前情境匹配优先

6. 模型训练与优化策略

6.1 提示工程体系

角色提示模板

维护智能体人格一致性，确保行为符合预设特征。

身份声明
"你是 [姓名]，[年龄] 岁的 [职业]"
背景故事
关键经历形成的世界观
价值倾向
对关键议题的明确立场
行为风格
表达习惯和社交策略

情境提示构造

优化上下文窗口使用，解决有限性挑战。

分层摘要
近期详细 + 远期摘要 + 关键事件保留
动态选择
基于相关性检索记忆，提高利用率
外部引用
详细历史 offload 到图谱，提示中保留指针
多轮组装
分多次 LLM 调用，逐步聚焦

思维链引导

推理过程显性化，提高决策质量和可解释性。

复杂决策：是否发帖、如何回应争论
情感更新：为何情绪变化、如何表达
关系调整：是否关注/取关、如何维护
引导方式
明确要求"逐步思考"、提供思考框架、在输出格式中预留 reasoning 字段

6.2 仿真参数调优

智能体数量权衡

精度与效率的平衡，建议标准场景 500-2000 智能体 [181]。

50-200 智能体
用途：快速原型、概念验证
成本：低（$0.001-0.01）
500-2000 智能体
用途：标准预测、生产应用
成本：中（$0.01-0.1）
2000-5000 智能体
用途：高精度需求、学术研究
成本：高（$0.1-1）
5000+ 智能体
用途：超大规模社会模拟
成本：很高（$1-10+）

模拟轮次优化

默认 40 轮，通过收敛性判断实现提前终止。

收敛性指标
• 观点方差：连续 5 轮变化 < 5%
• 网络密度：连续 5 轮变化 < 2%
• 话题熵：连续 5 轮变化 < 0.1
• 活跃率：降至 < 10% 或稳定
加速策略
• 轻量模型：速度提升 5-10x
• 批处理推理：速度提升 2-3x
• 缓存复用：速度提升 10-100x
• 降采样仿真：与采样率成反比

开放度参数控制

多维度控制随机性权重，影响结果多样性。

行为随机性
高值增加非常规行为，低值强化习惯模式
观点可塑性
高值使智能体易受他人影响，低值强化初始立场
信息探索
高值增加主动搜索新信息，低值依赖现有关注
社交冒险
高值增加与陌生人互动，低值强化现有关系

6.3 反事实模拟与敏感性分析

关键参数扰动

识别决策敏感因素，量化输出变化的敏感性系数。

1
确定基准仿真配置和关键输出指标
2
选择待测试参数及其扰动范围
3
并行运行多组扰动仿真
4
量化输出变化，计算敏感性系数
5
识别高敏感性参数，优先精确估计

场景分支对比

多版本并行推演，分析不同假设或参数下的结果分布。

单因素变化
每次只改变一个变量，因果归因、责任划分
正交设计
多因素组合，覆盖关键交互，效率优化
极端场景
压力测试，边界条件，风险评估
历史对照
与已知结果对比验证，模型校准

置信度评估体系

多源融合的置信度量化，提供结果的可靠性评估。

置信度来源
统计稳定性：多次运行的方差 → 置信区间
模型敏感性：参数扰动响应 → 敏感性等级
专家一致性：与专家判断对比 → 一致性评分
历史验证：与事后观察匹配 → 准确率
表达形式
• 置信区间（统计稳定性）
• 敏感性等级（高/中/低）
• 一致性评分（0-100）
• 准确率/召回率（历史验证）
• 矛盾标记（内部一致性）

7. 结果生成与可视化

7.1 预测报告生成

ReportAgent 架构：ReACT 循环与工具调用

采用 ReACT（Reasoning + Acting）架构的报告生成代理，区别于简单的模板填充，实现深度分析和洞察提取。

ReACT 循环流程
1
需求解析：分析预测目标，分解问题
2
策略规划：确定信息收集策略
3
工具执行：调用可用工具获取数据
4
信息整合：综合多源信息，识别模式
5
反思评估：判断信息充分性
6
报告合成：结构化组织发现
可用工具集
search_graph - 图谱语义搜索
interview_agent - 与智能体对话
analyze_trends - 时间序列分析
compare_scenarios - 多版本对比
compute_network_metrics - 网络分析
循环控制参数
• max_tool_calls: 5（防止无限循环）
• max_reflection_rounds: 2（支持自我修正）
• temperature: 0.5（平衡创造性）

报告结构标准

结构化组织发现，提供全面的分析视角。

执行摘要
核心发现、关键建议、置信度总览
背景分析
种子材料关键信息、智能体群体特征
演化叙事
按时间线组织的关键事件和转折点
网络分析
影响力结构、社区分化、信息流动
情感动态
整体情感走向、极化程度、关键触发点
情景对比
不同假设或参数下的结果分布
风险提示
低置信度区域、敏感假设、潜在意外
建议行动
基于仿真的策略建议及其预期效果

多维度分析

从时间、网络、情感三个维度深入分析仿真结果。

时间线分析
识别关键转折点、触发事件、变化速度
时序图、动画回放、转折点标注
影响力网络
计算中心性指标、识别意见领袖、追踪影响力流动
力导向图、桑基图、和弦图
情感演化
整体情感极性、群体分化、情感-行为关联
面积图、热力图、情感时间序列

7.2 交互式可视化

动态图谱渲染

D3.js 力导向图实现，支持数千节点的实时交互和动画效果。

核心功能
• 力导向布局：d3-force 仿真
• 时序动画：transition + requestAnimationFrame
• 交互探索：缩放、平移、拖拽、筛选
• 多层视图：节点分组、社区着色
• 详情面板：点击/悬停显示完整信息
性能优化
• Canvas 渲染（>1000 节点）
• Web Worker offload 力计算
• 层次细节（LOD）简化

智能体画像

个体轨迹与关系探查，深入了解特定智能体的行为模式。

基本信息：姓名、类型、人口统计
人格雷达：大五人格、认知风格
活动时间线：发帖、回复、互动分布
关系网络：直接联系人影响力排名
观点演化：关键议题立场的历史变化
代表性内容：高互动量帖子内容

对话界面：深度访谈能力

与报告代理或特定角色的深度访谈，探索更多洞察和验证假设。

报告代理模式
• 追问报告细节
• 请求额外分析
• 探索替代情景
• 验证关键结论
特定智能体模式
• 深入了解观点形成
• 验证行为合理性
• 探索决策逻辑
• 测试反事实场景
群体代表模式
• 快速把握群体特征
• 识别内部差异
• 理解群体动态
• 探索共识形成
对话状态管理

维护对话历史、注入相关记忆、管理上下文窗口、处理多轮引用和指代，支持流畅的多轮交互体验。

7.3 结果导出与复用

会话持久化

完整状态存储，支持后续查询和继续分析。

项目配置
JSON 格式，种子材料路径、仿真参数
知识图谱
KuzuDB/Neo4j 文件，完整语义网络
仿真历史
actions.jsonl + 状态快照
生成报告
Markdown + 原始数据
用户交互
对话日志、标注、反馈

任务状态管理

长时运行状态恢复，支持崩溃恢复和断点续传。

状态机持久化
• PENDING、RUNNING、PAUSED
• COMPLETED、FAILED、CANCELLED
关键特性：支持崩溃恢复、断点续传、进度查询、任务取消和重试

多格式输出

支持多种格式的报告导出，满足不同场景需求。

Markdown：完整叙事，人工阅读
JSON：结构化数据，程序化分析
HTML：富媒体版本，Web 发布
PDF：版式固定，打印友好

8. 性能优化与工程实践

8.1 计算资源管理

内存优化

大规模智能体的分页加载策略，解决内存压力问题。

活跃/休眠分离
仅活跃智能体常驻内存，休眠智能体序列化到磁盘
按需加载
根据平台活动和关注关系预测加载集合
共享结构
相同类型智能体共享人格模板，仅存储个体差异

并发控制

异步 I/O 与协程调度，提高系统并发效率。

HTTP 服务：Flask/FastAPI + Gunicorn
后台任务：concurrent.futures
仿真监控：threading.Thread
子进程：subprocess.Popen
改进方向
统一为 asyncio 协程架构，减少线程切换开销

子进程隔离

仿真引擎的独立运行空间，确保资源隔离和安全性。

益处
• 故障隔离：仿真崩溃不影响主服务
• 资源限制：便于 CPU/内存配额控制
• 环境隔离：支持不同 Python/依赖版本
• 安全隔离：限制潜在攻击面
代价
• 进程管理复杂性
• IPC 通信开销
• 部署复杂性
• 调试困难性

8.2 API 成本控制

令牌消耗预估模型

基于轮次、智能体数和上下文长度的成本估算。

Total Tokens ≈ Rounds × Agents × (Prompt Tokens + Completion Tokens)
示例：40 × 1000 × (4000 + 500) = 180M tokens per simulation
成本计算示例
GPT-4o-mini: $0.15/M input, $0.60/M output
约 $40/仿真
优化策略
• 双模型策略：轻量模型 + 强模型
• 批处理优化：OASIS 并行推理
• 本地部署：Ollama 等开源模型

模型选择策略

双模型策略优化，显著降低成本而不显著影响质量 [197]。

任务类型 推荐模型 成本比例
本体论生成 qwen-plus / gpt-4o-mini 10%
智能体决策 qwen-turbo / gpt-4o-mini 60%
报告生成 qwen-plus / gpt-4o 20%
交互对话 用户选择 10%
优化效果：总成本可降至纯 gpt-4o 的 10-20%，质量损失可控

缓存机制

重复查询的结果复用，避免不必要的 API 调用。

嵌入向量缓存
键：文本内容哈希，有效期：永久
LLM 响应缓存
键：(prompt, model, temp)，有效期：会话级
图谱查询缓存
键：查询模式 + 参数，有效期：轮次级
仿真结果缓存
键：完整配置哈希，有效期：长期

8.3 可观测性建设

日志分级体系

结构化的日志记录，支持不同级别的信息输出。

DEBUG：详细执行流程、变量值
INFO：关键里程碑、状态变更
WARNING：非致命异常、降级处理
ERROR：操作失败、服务异常
生产建议
接入集中式日志收集（ELK、Loki、Fluentd），支持全文检索和告警规则

健康检查端点

/api/health 服务状态监控，全面检查系统健康状况。

服务存活：HTTP 响应状态
依赖就绪：LLM API、Zep/Neo4j
资源充足：磁盘空间、内存使用
功能正常：关键路径端到端测试

仿真进度追踪

实时状态流与断点续传，支持长仿真管理和故障恢复。

进度指标
• 宏观：当前轮次/总轮次
• 中观：活跃智能体数、内容量
• 微观：特定智能体动作
断点续传
定期序列化完整状态，支持从任意轮次恢复

9. 扩展性与生态集成

9.1 插件化架构

资源适配器接口

自定义数据源接入，支持多种存储技术的无缝集成。

class ResourceAdapter(ABC):
    @abstractmethod
    def connect(self, config: Dict) -> Connection: ...
    
    @abstractmethod
    def create(self, data: Dict) -> ResourceID: ...
    
    @abstractmethod
    def read(self, id: ResourceID) -> Dict: ...
    
    @abstractmethod
    def update(self, id: ResourceID, data: Dict) -> None: ...
    
    @abstractmethod
    def delete(self, id: ResourceID) -> None: ...
    
    @abstractmethod
    def query(self, criteria: Dict) -> List[Dict]: ...
社区贡献适配器
• Neo4jAdapter - 企业级图数据库
• KuzuAdapter - 嵌入式图数据库
• WeaviateAdapter - 向量数据库
• MinIOAdapter - 对象存储
接口价值
实现存储技术的可替换性，底层变化不影响上层业务逻辑，支持生态扩展和技术演进

工具组合模式

工作流的声明式编排，支持复杂业务场景的灵活配置。

workflow: crisis_communication
steps:
  - name: ingest
    tool: IngestTool
    input: ${uploaded_files}
    
  - name: build
    tool: BuildTool
    input: ${ingest.output}
    params: {ontology: "crisis"}
    
  - name: prepare
    tool: PrepareTool
    input: ${build.output}
    params: {agent_count: 2000}
    
  - name: baseline
    tool: RunTool
    input: ${prepare.output}
    params: {rounds: 40, name: "baseline"}
    
  - name: intervention
    tool: RunTool
    input: ${prepare.output}
    params: 
      rounds: 40
      name: "early_response"
      events: [{at: 10, type: "statement"}]
    
  - name: compare
    tool: CompareTool
    input: [${baseline.output}, ${intervention.output}]
    
  - name: report
    tool: ReportTool
    input: ${compare.output}
设计特点
声明式配置、函数式组合、数据驱动、可视化编辑、版本管理、可复用性

平台扩展

新增社交场景仿真支持，扩展应用边界。

专业社区
LinkedIn（职场）、GitHub（开发者）、Discord（兴趣社群）
垂直平台
电商评价、本地服务、视频社区、专业论坛
新兴市场
短视频、私域社交、元宇宙、Web3 社区

9.2 与 CAMEL-AI 生态的协同

camel-oasis 版本锁定与兼容性管理

当前依赖： camel-oasis==0.2.5 [149]，版本锁定确保可复现性。

版本管理策略
• 跟踪 OASIS 上游更新
• 评估新特性集成价值
• 测试环境验证后更新
• 维护版本兼容性矩阵
生态协同价值
复用 CAMEL-AI 生态的 broader 能力，专注于预测场景的产品化，实现技术栈的协同发展和知识共享

CAMEL-AI 生态能力

MiroFish 在 broader CAMEL-AI 生态中的定位和协同。

camel-ai/camel
多智能体对话和协作框架
camel-ai/oasis
社交仿真（MiroFish 使用）
camel-ai/owl
网络操作学习
camel-ai/meme
记忆和知识管理

上层封装策略

MiroFish 专注于预测场景的产品化，底层复用 CAMEL 能力。

领域特定能力
知识注入、报告生成、交互界面、可视化、部署方案
技术协同
上游更新追踪、社区贡献、漏洞修复、安全响应
协作机制
GitHub Issues/PRs、Discord 社区、定期同步会议

9.3 企业级定制路径

私有部署

内网环境与数据安全，满足不同级别的数据主权需求。

纯本地部署
Ollama + KuzuDB/Neo4j，完全数据主权
混合云部署
本地仿真 + 云端 LLM API，平衡性能和成本
私有云部署
专属云实例，合同保障，SLA 支持

领域适配

垂直行业的本体库构建，提供专业化的预测能力。

金融：资产、投资者、政策
医疗：疾病、药物、医生
能源：资源、设施、市场
教育：学生、课程、就业

人机协同

专家知识注入与结果校验，实现人机协同的预测分析。

准备阶段
审核材料、调整本体、校准参数
执行阶段
监控进展、注入事件、调整参数
分析阶段
解读报告、验证结论、识别盲点
决策阶段
综合判断、制定行动、评估风险

企业级特性支持

满足企业级应用的可靠性、安全性、可维护性要求。

技术特性
数据主权控制与合规支持
领域适配与垂直行业本体库
人机协同与专家知识注入
服务模式
定制化开发与技术培训
托管部署与运维服务
技术咨询与解决方案