智猩猩AI整理

编辑：没方

在信息爆炸的当下，舆情如同无形的浪潮，既能成就一个品牌，也能在瞬间引发危机。无论是企业公关的危机预判、政务部门的舆情管控，还是研究者的趋势分析，都迫切需要一款高效、精准且低成本的工具——而近期登顶github趋势榜总榜第一的开源项目 MiroFish，恰好填补了这一空白。

MiroFish 并非传统的舆情监测工具，它以“群体智能引擎”为核心，打破了传统舆情分析“只监测、不预测”的局限，能通过构建高保真数字沙盘，模拟舆情的演化路径，实现“提前预判、精准应对”的核心需求。简单来说，只要输入舆情种子信息（如热点新闻、政策草案），它就能推演后续舆论走向，给出详尽的分析报告，让舆情管理从“被动应对”转向“主动布局”。 该项目在Github上已收获11.5k Stars。

• 项目链接：https://github.com/666ghj/MiroFish

这款极具颠覆性的开源项目开发者是00后大学生 BaiFu，此前他曾开发过另一款多Agent舆情分析助手微舆BettaFish(10天暴涨20k Star！20岁大学生开源多Agent舆情分析神器登上GitHub热榜第一)，作为毕设开源后一周暴涨20k Star，而 MiroFish 也是他仅用10天 Vibe Coding 完成的作品。

凭借极具创新性的技术思路和落地价值，MiroFish 迅速获得资本青睐：盛大集团创始人陈天桥在看到演示视频后，24小时内拍板注资3000万人民币，全力支持项目深度孵化。

01 项目介绍

MiroFish 的核心定位是简洁通用的群体智能引擎，主打“预测万物”的愿景。其本质是基于多智能体技术的新一代AI预测工具，而舆情分析是其最核心、最成熟的应用场景之一，区别于传统舆情工具，它的核心优势的是高保真模拟和精准预测，而非单纯的信息抓取与统计。

开发者提供了在线 Demo 演示环境（https://666ghj.github.io/mirofish-demo/），无需安装就能直接体验 MiroFish 的核心能力——热点舆情事件的推演与预测。

在这个 Demo 中，可以亲眼看到 MiroFish 如何基于真实热点事件（如武汉大学舆情案例），通过多智能体模拟构建平行数字世界，预演舆论传播路径、公众情绪演变、KOL 反应趋势，以及潜在风险点，帮助用户提前洞察危机走向并制定最优应对策略。主要功能包括五个核心模块：

（1）图谱构建：利用 GraphRAG 技术，从种子材料中提取知识图谱，确保模拟基础的准确性和全面性。这一步是舆情分析的关键，能快速解析社交数据中的实体关系和情感倾向。

（2）环境搭建：生成实体关系、人设，并配置仿真参数。用户可以自定义智能体的行为逻辑，比如在舆情模拟中设置不同群体（如网民、媒体、专家）的反应模式。

（3）模拟运行：通过双平台并行模拟，动态更新时序记忆。支持成千上万个智能体同时运行，捕捉群体涌现现象，如舆情从萌芽到爆发的传播路径。

（4）报告生成：模拟结束后，系统会自动激活专属的 ReportAgent 智能体，该智能体具备丰富的分析工具集，能与模拟环境深度交互，自动生成详尽的舆情分析报告，包含舆情演化趋势、核心观点分布、潜在风险点、应对建议等内容，无需人工撰写，大幅提升舆情分析效率，且报告逻辑严谨、数据详实，可直接用于决策参考。

（5）深度交互：用户不仅能查看分析报告，还可以直接与模拟世界中的任意智能体对话，深入了解不同立场的观点，挖掘舆情背后的深层逻辑。

02 安装教程

环境要求：Node.js（18+）、Python（3.11-3.12）、uv（Python 极速包管理器）；

（1）配置环境变量

# 复制示例配置文件

cp .env.example .env

# 编辑 .env 文件，填入必要的 API 密钥

必需的环境变量：

# LLM API配置（支持 OpenAI SDK 格式的任意 LLM API）

# 推荐使用阿里百炼平台qwen-plus模型：https://bailian.console.aliyun.com/

# 注意消耗较大，可先进行小于40轮的模拟尝试

LLM_API_KEY=your_api_key

LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

LLM_MODEL_NAME=qwen-plus

# Zep Cloud 配置

# 每月免费额度即可支撑简单使用：https://app.getzep.com/

ZEP_API_KEY=your_zep_api_key

（2）安装依赖

# 一键安装所有依赖（根目录 + 前端 + 后端）

npm run setup:all

或者分步安装：

# 安装 Node 依赖（根目录 + 前端）

npm run setup

# 安装 Python 依赖（后端，自动创建虚拟环境）

npm run setup:backend

（3）启动服务

# 同时启动前后端（在项目根目录执行）

npm run dev

服务地址：

• 前端：http://localhost:3000

• 后端 API：http://localhost:5001

单独启动：

npm run backend   # 仅启动后端

npm run frontend  # 仅启动前端

• Docker 部署

# 1. 配置环境变量（同源码部署）

cp .env.example .env

# 2. 拉取镜像并启动

docker compose up -d

默认会读取根目录下的 .env，并映射端口 3000（前端）/5001（后端）。在 docker-compose.yml 中已通过注释提供加速镜像地址，可按需替换。

03 展望

MiroFish 的出现，正在重构舆情与预测领域的底层逻辑。它将我们从舆情浪潮的被动追逐者，转变为手握动态数字沙盘的战略家。不再是危机爆发后的被动补救，而是通过高保真的多智能体模拟，在风险尚未成型前锁定传播路径，从容制定前瞻策略。

MiroFish 基于多智能体技术的群体智能引擎，能够复刻真实社会的复杂变化，实现从“数据回溯”到“趋势预演”的质变。这种能力的价值已远超单一领域，它能助力企业在商业博弈中精准避坑，帮助公关团队在风暴来临前化险为夷，更为政务治理提供前瞻决策支撑，向“预测万物”的产业愿景迈出坚实一步。

更重要的是，它不只是高端工具，更像多了一个懂你的“未来军师”，让普通人也能在关键时刻少走弯路、多占先机。

说不定哪天，你面对同事天马行空的提案、老板捉摸不透的决策方向，满心困惑、一头雾水，不知该怎么拆解、怎么落地。这时只要打开 MiroFish，它就像一盏明灯，瞬间帮你理清逻辑、预判走向，让混沌的思路柳暗花明。