Apresentação detalhada do MiroFish, plataforma open-source de…

INEMA

Os desenvolvedores que desejam experimentar a plataforma podem implantar o MiroFish localmente usando a implantação a partir do código-fonte ou a implantação via Docker .

Requisitos do sistema Antes de instalar a plataforma, os desenvolvedores precisam ter as seguintes ferramentas instaladas:

Para verificar a instalação:

Passo 1: Configurar variáveis ​​de ambiente Primeiro, copie o arquivo de configuração de exemplo.

Em seguida, edite o .envarquivo e adicione as chaves de API necessárias.

Configuração da API LLM O MiroFish suporta qualquer API LLM compatível com o formato do SDK da OpenAI.

Exemplo de configuração:

A documentação recomenda o uso do modelo Qwen da plataforma Bailian da Alibaba.

Como simulações de grande porte podem consumir recursos computacionais significativos, recomenda-se começar com simulações de menos de 40 rodadas.

Configuração do sistema de memória A MiroFish utiliza o Zep Cloud para gerenciar a memória de longo prazo dos agentes.

Exemplo de configuração:

O plano gratuito do Zep Cloud geralmente é suficiente para experimentos menores.

Passo 2: Instalar as dependências Os desenvolvedores podem instalar todas as dependências necessárias com um único comando:

Alternativamente, a instalação pode ser feita passo a passo.

Instale as dependências do Node:

Instale as dependências do backend Python:

Este comando cria automaticamente o ambiente virtual Python necessário.

Etapa 3: Lançar a plataforma Após a instalação, os desenvolvedores podem iniciar os serviços de frontend e backend com um único comando.

Após a inicialização, os serviços estarão disponíveis em:

Interface de front-end:

API de backend:

Os desenvolvedores também podem iniciar os serviços separadamente, se necessário.

Inicie apenas o backend:

Inicie apenas o frontend:

Implantação do Docker Para equipes que preferem ambientes conteinerizados, o MiroFish também oferece suporte à implantação do Docker.

Primeiro, configure as variáveis ​​de ambiente conforme descrito anteriormente.

Em seguida, inicie os contêineres usando o Docker Compose.

Por padrão, a plataforma mapeia as seguintes portas:

3000 para a interface de front-end 5001 para a API de backend O arquivo de configuração do Docker também inclui fontes de espelhamento comentadas que podem ser usadas para acelerar os downloads de imagens de contêiner, se necessário.

Considerações finais

Embora ainda em fase inicial de desenvolvimento, as plataformas de inteligência coletiva apontam para um futuro onde os sistemas de IA podem simular ambientes sociais complexos. Imagine poder testar políticas antes de implementá-las, explorar reações do mercado antes de anúncios financeiros ou examinar como a informação pode se espalhar pelas redes sociais. Essas ferramentas poderiam se tornar poderosos sistemas de apoio à decisão para empresas, governos e pesquisadores. É claro que nenhuma simulação consegue capturar perfeitamente a complexidade do comportamento humano real. Eventos inesperados e nuances culturais sempre podem influenciar os resultados.

Mas plataformas como o MiroFish mostram como a IA pode eventualmente evoluir para além de responder perguntas e começar a modelar sociedades inteiras. O que começou como um projeto experimental de código aberto já gerou discussões significativas entre desenvolvedores e pesquisadores. E se a simulação multiagente continuar avançando, ferramentas como o MiroFish podem representar um passo inicial rumo a uma nova geração de tecnologias preditivas, capazes de explorar o futuro dentro de um mundo digital antes que ele se concretize na realidade.

Uma das características únicas do MiroFish é que os usuários podem interagir diretamente com o mundo simulado .

Em vez de simplesmente ler um relatório de previsão, os usuários podem:

Fale com agentes individuais. faça perguntas sobre as decisões deles explorar a dinâmica social dentro da simulação Os usuários também podem se comunicar com o ReportAgent para fazer perguntas adicionais ou solicitar análises mais aprofundadas.

Essa camada interativa torna o ambiente de simulação muito mais flexível do que as ferramentas de previsão tradicionais.

4. Geração de Relatórios Após a simulação ter passado por vários ciclos, um componente de IA especializado chamado ReportAgent analisa os resultados.

O ReportAgent tem acesso a um conjunto abrangente de ferramentas analíticas e pode interagir profundamente com o ambiente de simulação. Ele gera um relatório de previsão estruturado que resume:

resultados principais tendências emergentes insights comportamentais possíveis riscos Este relatório ajuda os usuários a interpretar o que aconteceu durante a simulação e a compreender as possíveis implicações no mundo real.

3. Execução de Simulação Paralela Após o ambiente estar pronto, a simulação começa.

Milhares de agentes operam simultaneamente em todo o ambiente, respondendo a eventos e interagindo entre si. A plataforma executa simulações em sistemas paralelos, permitindo que um grande número de agentes opere ao mesmo tempo.

Durante esta fase, o sistema realiza automaticamente:

interpreta a solicitação de previsão simula interações sociais Atualiza a memória baseada em tempo para cada agente. evolui o ambiente dinamicamente O resultado é uma simulação viva onde narrativas, opiniões e comportamentos evoluem ao longo do tempo.

Uma vez construído o grafo de conhecimento, a plataforma constrói o ambiente de simulação.

Durante esta etapa, o sistema executa diversas tarefas:

extração de entidades e relacionamentos geração de personas de agentes construção de rede social configuração dos parâmetros de simulação Os agentes recebem identidades, históricos e regras de comportamento. Isso garante que as interações entre os agentes se assemelhem à dinâmica social real.

A primeira etapa extrai informações iniciais de fontes de dados do mundo real .

Essas fontes podem incluir:

notícias de última hora relatórios financeiros rascunhos de políticas documentos de pesquisa discussões sociais Em seguida, o sistema constrói um grafo de conhecimento usando uma arquitetura GraphRAG. Esse grafo organiza entidades, relacionamentos e informações contextuais que os agentes usarão durante a simulação.

Além dos dados estruturados, estruturas de memória individuais e de grupo são inseridas na simulação para que os agentes possam reter o contexto histórico.

Nos bastidores, o MiroFish segue um fluxo de trabalho estruturado que transforma dados do mundo real em um ambiente de simulação dinâmico. Cada etapa prepara as informações necessárias para que os agentes interajam e produzam resultados significativos.

A execução de uma simulação no MiroFish começa com o que o sistema chama de material inicial .

O material de base é a informação que define o cenário a ser simulado. Isso pode incluir:

notícias de última hora relatórios financeiros documentos de política artigos de pesquisa discussões nas redes sociais ou até mesmo histórias fictícias Os usuários carregam o material e descrevem seu objetivo de previsão usando linguagem natural.

Por exemplo, alguém pode pedir ao sistema para simular:

Como os mercados reagirão a um novo anúncio de política? Como o público reagirá a uma declaração controversa? Como uma história poderia se desenrolar se os capítulos que faltam fossem concluídos. Utilizando essas informações, a MiroFish constrói um ambiente digital onde os agentes podem começar a interagir.

O sistema essencialmente cria um mundo digital paralelo onde o cenário pode se desenrolar.

A visão por trás do MiroFish é criar o que os desenvolvedores descrevem como um espelho de inteligência coletiva do mundo real .

Os sistemas preditivos tradicionais geralmente dependem muito de dados históricos e modelos estatísticos. Embora essas abordagens possam funcionar bem em ambientes estáveis, elas costumam apresentar dificuldades quando o comportamento humano se torna imprevisível.

Muitos eventos do mundo real são moldados por interações sociais, e não apenas por padrões numéricos.

Por exemplo:

Os mercados financeiros podem sofrer oscilações devido ao sentimento dos investidores. As tendências das redes sociais podem se espalhar de forma imprevisível. As reações do público às políticas podem mudar rapidamente. A MiroFish aborda a previsão de uma maneira diferente. Em vez de tentar calcular o futuro diretamente a partir de dados, o sistema recria um ambiente digital onde os indivíduos interagem e influenciam uns aos outros .

A ideia é que resultados complexos possam surgir naturalmente dessas interações.

Ao observar como os agentes simulados reagem aos eventos, a plataforma pode gerar insights sobre possíveis resultados no mundo real.

Em sua essência, o MiroFish é um mecanismo de simulação de inteligência coletiva construído em torno de inteligência artificial multiagente.

Em vez de depender de um único modelo de IA, a plataforma gera uma grande população de agentes autônomos que existem dentro de um ambiente digital simulado. Cada um desses agentes representa um participante individual em uma sociedade virtual.

Cada agente tem o seu próprio:

traços de personalidade regras de comportamento memória de longo prazo relações sociais processos de tomada de decisão Quando os agentes interagem entre si, trocam informações, formam opiniões e reagem a eventos. Isso cria comportamento emergente , ou seja, resultados em larga escala surgem naturalmente de muitas interações individuais.

O conceito espelha as sociedades humanas reais. No mundo real, a opinião pública, os movimentos de mercado e as tendências sociais frequentemente emergem de milhões de decisões individuais. Ao simular essas interações digitalmente, o MiroFish tenta modelar como os eventos podem se desenrolar antes mesmo de acontecerem.

Em termos simples, a plataforma funciona como um ambiente digital de testes para explorar cenários hipotéticos .

Ao contrário das ferramentas tradicionais de IA que geram respostas diretamente, o MiroFish constrói uma sociedade digital inteira de agentes de IA . Cada agente possui sua própria memória, traços de personalidade e lógica de tomada de decisão. Quando um novo evento é introduzido, como uma notícia de última hora, uma proposta política ou um sinal financeiro, os agentes começam a interagir uns com os outros, reagindo à informação e influenciando o comportamento uns dos outros.

Com o tempo, suas interações criam padrões que se assemelham à forma como grupos reais de pessoas reagem a eventos. Esses padrões podem revelar possíveis desfechos, narrativas emergentes ou mudanças de sentimento, tornando o sistema um ambiente poderoso para experimentação e previsão.

MiroFish - Estrategias 2026

1