MiroFish群体智能引擎深度指南数万Agent并行推演预测万物的完整链路【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFishMiroFish是一个简洁通用的群体智能引擎上传种子材料新闻、报告、小说它自动构建平行数字世界让海量智能体在其中自由交互并演化最终输出预测报告与可对话的数字世界。读完本文你会明白它的后端与模拟进程之间靠什么对话如何几分钟内跑通以及一次采访命令的完整执行链路。痛点先行模拟进程里的智能体为什么够不着先想一个实际场景。MiroFish 基于 OASIS 引擎在独立进程中运行社交模拟里面有成千上万个智能体在 Twitter/Reddit 双平台上发帖、点赞、转发。模拟跑完之后你以上帝视角想问其中某个智能体你当时为什么转发那条消息问题在于这个智能体活在另一个进程里甚至可能运行在另一台机器上。直接跨进程调函数没有现成通道。起个 HTTP 服务让模拟脚本反向注册那要处理端口、鉴权、心跳复杂度立刻上来。而模拟脚本本身是个长生命周期的 Python 脚本中途崩溃、被杀掉、断网重连都是常态任何基于网络连接的状态长连接、注册表都会随之丢失。图注MiroFish 的 GraphHeterogeneousVisualization 图谱界面展示了智能体关系网络与环境配置参数是采访与推演的数据来源MiroFish 的答案是把文件系统本身当成消息总线。不建连接只留目录进程死了目录还在重启后接着处理。这就是它 IPC 设计的出发点。核心机制拆解两个目录、四种状态、一个心跳文件通信的全部实现集中在 backend/app/services/simulation_ipc.py核心构件有四个SimulationIPCClientFlask 后端持有的客户端负责写入命令文件并轮询响应SimulationIPCServer模拟脚本侧的服务器负责轮询命令目录、执行并写回响应IPCCommand/IPCResponse命令与响应的数据模型可自由与 JSON 互转CommandType/CommandStatus命令类型与生命周期的枚举约束目录结构上客户端初始化时会在模拟目录下创建ipc_commands/命令箱和ipc_responses/回复箱。一个类比可以帮助理解这就像单位里贴墙的意见箱与回音壁——提交人把写好的意见书投进意见箱就走人值班人员按落款时间先后取件、办理、把回执贴回回音壁提交人路过时瞥一眼就取走。双方从不直接见面甚至不同时在岗靠的是箱子里的文件这一共享事实。类型上共三种命令INTERVIEW采访单个智能体、BATCH_INTERVIEW批量采访、CLOSE_ENV关闭环境。每条命令有四个状态PENDING、PROCESSING、COMPLETED、FAILED命令文件里自带command_id与时间戳响应通过同一个command_id对号入座。另外还有一个容易被忽略的细节env_status.json心跳文件。模拟脚本启动时写入{status: alive}停止时改为stopped。客户端在发命令前会先读它——相当于去窗口办事前先确认是否在工作时间避免对着一个已关闭的环境白等超时。快速上手一键安装步骤与最小可运行示例理解了机制接下来花几分钟把环境搭起来。前置要求Node.js 18、Python 3.11~3.12、uv检查命令node -v、python --version、uv --version。git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish cp .env.example .env # 填入 LLM_API_KEY / LLM_BASE_URL / LLM_MODEL_NAME / ZEP_API_KEY npm run setup:all # 一次性安装根目录前端后端依赖 npm run dev # 启动前后端启动后前端在http://localhost:3000后端 API 在http://localhost:5001。不想装依赖的话配置好.env后执行docker compose up -d即可端口映射一致。上传种子材料后按向导走完图谱构建、环境配置、模拟三步到第五步深度交互时界面右侧就能直接对话任意智能体——背后触发的正是一次INTERVIEW命令。若只想在 Python 里直接调通信层最小示例如下from app.services.simulation_ipc import SimulationIPCClient client SimulationIPCClient(simulation_dir/path/to/sim_dir) if not client.check_env_alive(): raise SystemExit(模拟环境未运行) resp client.send_interview(agent_id1, prompt你为什么会转发那条帖子, timeout60.0) print(resp.status, resp.result or resp.error)批量场景则用send_batch_interview传入[{agent_id: 1, prompt: ...}, ...]列表即可默认超时 120 秒可按智能体数量上浮到 180~300 秒。图注MiroFish Step 5 深度交互界面左侧为预测报告右侧可与 ReportAgent 及世界中任意 Agent 对话原理深潜一次采访命令的完整链路界面里的一次点击落到代码里是下面这条链路值得逐步拆一遍入口校验前端请求进入 backend/app/api/simulation.py由 backend/app/services/simulation_runner.py 的interview_agent接住。先拼出模拟目录构造SimulationIPCClient调check_env_alive()读env_status.json——环境不存活直接报错返回不浪费一次超时等待。落盘命令send_interview生成 UUID 作为command_id组装IPCCommand类型INTERVIEW参数含agent_id、prompt、可选platform序列化为{command_id}.json写入ipc_commands/。注意此时是发后即等客户端开始以 0.5 秒为间隔轮询ipc_responses/{command_id}.json。脚本侧取件模拟脚本如 backend/scripts/run_twitter_simulation.py主循环调poll_commands()按文件修改时间排序取出最早的一条from_dict还原成IPCCommand。执行采访脚本按command_type分发——INTERVIEW找到对应智能体执行采访双平台时platformNone会两个平台都问并整合BATCH_INTERVIEW逐个执行CLOSE_ENV结束环境。回信与清理执行结果经send_success/send_error写入ipc_responses/同时删除已处理的命令文件。客户端拿到响应后双向清理整条链路闭环。图注MiroFish 主界面上传任意报告即可启动推演五步工作流从图谱构建开始这条链路里没有任何网络状态ipc_commands/和ipc_responses/里的文件就是全部通信状态。模拟脚本崩溃后重启poll_commands()扫一遍目录未处理完的命令还在等于天然断点续传反过来 Flask 重启也一样check_env_alive()只是读文件随时可重新接入。场景落地从舆情推演到小说结局这套机制的价值在真实推演里才见分晓举两个项目自带的案例。高校舆情预测武大事件推演演示封面见 static/image/武大模拟演示封面.png把一份舆情分析报告作为种子材料MiroFish 生成数百个带立场与记忆的智能体在双平台并行演化。模拟结束后用批量采访向关键节点智能体提问你的情绪为什么在第三轮骤变BATCH_INTERVIEW让几十个提问压缩成一次 I/O 往返报告 Agent 再基于回答产出演化报告——这是先模拟、再取证的典型用法。《红楼梦》未完结局推演封面见 static/image/红楼梦模拟推演封面.jpg前八十回文本作为种子构建人物关系图谱智能体按原著性格在模拟世界里继续生活用群体交互的涌现结果反向约束后四十回的走向。这里 IPC 的价值在于推演是长耗时任务研究者在等待期间随时可以采访任何角色验证人设是否漂移而不必打断模拟。决策预演类场景政策、公关、金融信号核心模式相同——把种子材料换成政策草案或市场信号用采访验证智能体对假设变量的反应本质上是用可重复的沙盒替代一次性判断。调优与避坑超时、批量与文件残留跑起来之后高频问题基本集中在三类按现象 → 原因 → 解法过一遍。现象send_interview抛TimeoutError日志显示等待IPC响应超时。原因环境实际已死env_status.json还是旧的 alive、脚本已崩、simulation_dir指错目录、或问题本身要跑双平台导致超出默认 60 秒。解法先确认check_env_alive()返回真核对客户端与脚本使用同一simulation_dir单平台采访可保持 60 秒双平台或长 prompt 上浮到 90~120 秒。现象BATCH_INTERVIEW频繁超时但单个采访正常。原因批量大小没控制几十个采访串行执行超过了 120 秒默认值。解法把大列表拆成 20~50 个一组分批发送或按组放大timeout推荐 180~300 秒无依赖的组之间可并行发起多个客户端调用。现象ipc_commands/目录里文件越积越多poll_commands读到坏文件反复告警。原因命令写入后客户端超时退出留下了孤儿文件或响应文件被外部工具如同步软件截断成非法 JSON。解法客户端超时路径已会删除自己的命令文件残留一般来自进程被强杀——清理目录后重启即可对坏 JSONpoll_commands会跳过并告警不阻塞后续命令。另外注意 README 的提醒LLM 消耗较大首次试跑把轮数控制在 40 轮以内避免成本失控。延伸学习源码入口与文档导航想继续往下读按这个顺序效率最高通信核心backend/app/services/simulation_ipc.py约 400 行注释完整可一次读完后端编排backend/app/services/simulation_runner.py采访/批量采访/存活检查的调用方模拟脚本backend/scripts/run_twitter_simulation.py、backend/scripts/run_reddit_simulation.py、backend/scripts/run_parallel_simulation.py三种平台组合的取件与执行端相关测试backend/tests/test_simulation_prepare_failure.py 可看失败路径如何被覆盖项目文档README.md 与 README-ZH.mdDocker 部署细节见 docker-compose.yml社区交流QQ 群入口见 static/image/QQ群.pngMiroFish 用一个几乎零依赖的文件系统方案把多智能体系统里最头疼的跨进程可靠通信做成了可以随手调试的目录操作。往后当智能体规模从万级走向十万级、模拟环境分布到多台机器时这类以共享状态为契约、以状态机保可追溯的通信模型很可能成为群体智能基础设施的标配形态。【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFish创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
MiroFish群体智能引擎深度指南：数万Agent并行推演预测万物的完整链路
MiroFish群体智能引擎深度指南数万Agent并行推演预测万物的完整链路【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFishMiroFish是一个简洁通用的群体智能引擎上传种子材料新闻、报告、小说它自动构建平行数字世界让海量智能体在其中自由交互并演化最终输出预测报告与可对话的数字世界。读完本文你会明白它的后端与模拟进程之间靠什么对话如何几分钟内跑通以及一次采访命令的完整执行链路。痛点先行模拟进程里的智能体为什么够不着先想一个实际场景。MiroFish 基于 OASIS 引擎在独立进程中运行社交模拟里面有成千上万个智能体在 Twitter/Reddit 双平台上发帖、点赞、转发。模拟跑完之后你以上帝视角想问其中某个智能体你当时为什么转发那条消息问题在于这个智能体活在另一个进程里甚至可能运行在另一台机器上。直接跨进程调函数没有现成通道。起个 HTTP 服务让模拟脚本反向注册那要处理端口、鉴权、心跳复杂度立刻上来。而模拟脚本本身是个长生命周期的 Python 脚本中途崩溃、被杀掉、断网重连都是常态任何基于网络连接的状态长连接、注册表都会随之丢失。图注MiroFish 的 GraphHeterogeneousVisualization 图谱界面展示了智能体关系网络与环境配置参数是采访与推演的数据来源MiroFish 的答案是把文件系统本身当成消息总线。不建连接只留目录进程死了目录还在重启后接着处理。这就是它 IPC 设计的出发点。核心机制拆解两个目录、四种状态、一个心跳文件通信的全部实现集中在 backend/app/services/simulation_ipc.py核心构件有四个SimulationIPCClientFlask 后端持有的客户端负责写入命令文件并轮询响应SimulationIPCServer模拟脚本侧的服务器负责轮询命令目录、执行并写回响应IPCCommand/IPCResponse命令与响应的数据模型可自由与 JSON 互转CommandType/CommandStatus命令类型与生命周期的枚举约束目录结构上客户端初始化时会在模拟目录下创建ipc_commands/命令箱和ipc_responses/回复箱。一个类比可以帮助理解这就像单位里贴墙的意见箱与回音壁——提交人把写好的意见书投进意见箱就走人值班人员按落款时间先后取件、办理、把回执贴回回音壁提交人路过时瞥一眼就取走。双方从不直接见面甚至不同时在岗靠的是箱子里的文件这一共享事实。类型上共三种命令INTERVIEW采访单个智能体、BATCH_INTERVIEW批量采访、CLOSE_ENV关闭环境。每条命令有四个状态PENDING、PROCESSING、COMPLETED、FAILED命令文件里自带command_id与时间戳响应通过同一个command_id对号入座。另外还有一个容易被忽略的细节env_status.json心跳文件。模拟脚本启动时写入{status: alive}停止时改为stopped。客户端在发命令前会先读它——相当于去窗口办事前先确认是否在工作时间避免对着一个已关闭的环境白等超时。快速上手一键安装步骤与最小可运行示例理解了机制接下来花几分钟把环境搭起来。前置要求Node.js 18、Python 3.11~3.12、uv检查命令node -v、python --version、uv --version。git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish cp .env.example .env # 填入 LLM_API_KEY / LLM_BASE_URL / LLM_MODEL_NAME / ZEP_API_KEY npm run setup:all # 一次性安装根目录前端后端依赖 npm run dev # 启动前后端启动后前端在http://localhost:3000后端 API 在http://localhost:5001。不想装依赖的话配置好.env后执行docker compose up -d即可端口映射一致。上传种子材料后按向导走完图谱构建、环境配置、模拟三步到第五步深度交互时界面右侧就能直接对话任意智能体——背后触发的正是一次INTERVIEW命令。若只想在 Python 里直接调通信层最小示例如下from app.services.simulation_ipc import SimulationIPCClient client SimulationIPCClient(simulation_dir/path/to/sim_dir) if not client.check_env_alive(): raise SystemExit(模拟环境未运行) resp client.send_interview(agent_id1, prompt你为什么会转发那条帖子, timeout60.0) print(resp.status, resp.result or resp.error)批量场景则用send_batch_interview传入[{agent_id: 1, prompt: ...}, ...]列表即可默认超时 120 秒可按智能体数量上浮到 180~300 秒。图注MiroFish Step 5 深度交互界面左侧为预测报告右侧可与 ReportAgent 及世界中任意 Agent 对话原理深潜一次采访命令的完整链路界面里的一次点击落到代码里是下面这条链路值得逐步拆一遍入口校验前端请求进入 backend/app/api/simulation.py由 backend/app/services/simulation_runner.py 的interview_agent接住。先拼出模拟目录构造SimulationIPCClient调check_env_alive()读env_status.json——环境不存活直接报错返回不浪费一次超时等待。落盘命令send_interview生成 UUID 作为command_id组装IPCCommand类型INTERVIEW参数含agent_id、prompt、可选platform序列化为{command_id}.json写入ipc_commands/。注意此时是发后即等客户端开始以 0.5 秒为间隔轮询ipc_responses/{command_id}.json。脚本侧取件模拟脚本如 backend/scripts/run_twitter_simulation.py主循环调poll_commands()按文件修改时间排序取出最早的一条from_dict还原成IPCCommand。执行采访脚本按command_type分发——INTERVIEW找到对应智能体执行采访双平台时platformNone会两个平台都问并整合BATCH_INTERVIEW逐个执行CLOSE_ENV结束环境。回信与清理执行结果经send_success/send_error写入ipc_responses/同时删除已处理的命令文件。客户端拿到响应后双向清理整条链路闭环。图注MiroFish 主界面上传任意报告即可启动推演五步工作流从图谱构建开始这条链路里没有任何网络状态ipc_commands/和ipc_responses/里的文件就是全部通信状态。模拟脚本崩溃后重启poll_commands()扫一遍目录未处理完的命令还在等于天然断点续传反过来 Flask 重启也一样check_env_alive()只是读文件随时可重新接入。场景落地从舆情推演到小说结局这套机制的价值在真实推演里才见分晓举两个项目自带的案例。高校舆情预测武大事件推演演示封面见 static/image/武大模拟演示封面.png把一份舆情分析报告作为种子材料MiroFish 生成数百个带立场与记忆的智能体在双平台并行演化。模拟结束后用批量采访向关键节点智能体提问你的情绪为什么在第三轮骤变BATCH_INTERVIEW让几十个提问压缩成一次 I/O 往返报告 Agent 再基于回答产出演化报告——这是先模拟、再取证的典型用法。《红楼梦》未完结局推演封面见 static/image/红楼梦模拟推演封面.jpg前八十回文本作为种子构建人物关系图谱智能体按原著性格在模拟世界里继续生活用群体交互的涌现结果反向约束后四十回的走向。这里 IPC 的价值在于推演是长耗时任务研究者在等待期间随时可以采访任何角色验证人设是否漂移而不必打断模拟。决策预演类场景政策、公关、金融信号核心模式相同——把种子材料换成政策草案或市场信号用采访验证智能体对假设变量的反应本质上是用可重复的沙盒替代一次性判断。调优与避坑超时、批量与文件残留跑起来之后高频问题基本集中在三类按现象 → 原因 → 解法过一遍。现象send_interview抛TimeoutError日志显示等待IPC响应超时。原因环境实际已死env_status.json还是旧的 alive、脚本已崩、simulation_dir指错目录、或问题本身要跑双平台导致超出默认 60 秒。解法先确认check_env_alive()返回真核对客户端与脚本使用同一simulation_dir单平台采访可保持 60 秒双平台或长 prompt 上浮到 90~120 秒。现象BATCH_INTERVIEW频繁超时但单个采访正常。原因批量大小没控制几十个采访串行执行超过了 120 秒默认值。解法把大列表拆成 20~50 个一组分批发送或按组放大timeout推荐 180~300 秒无依赖的组之间可并行发起多个客户端调用。现象ipc_commands/目录里文件越积越多poll_commands读到坏文件反复告警。原因命令写入后客户端超时退出留下了孤儿文件或响应文件被外部工具如同步软件截断成非法 JSON。解法客户端超时路径已会删除自己的命令文件残留一般来自进程被强杀——清理目录后重启即可对坏 JSONpoll_commands会跳过并告警不阻塞后续命令。另外注意 README 的提醒LLM 消耗较大首次试跑把轮数控制在 40 轮以内避免成本失控。延伸学习源码入口与文档导航想继续往下读按这个顺序效率最高通信核心backend/app/services/simulation_ipc.py约 400 行注释完整可一次读完后端编排backend/app/services/simulation_runner.py采访/批量采访/存活检查的调用方模拟脚本backend/scripts/run_twitter_simulation.py、backend/scripts/run_reddit_simulation.py、backend/scripts/run_parallel_simulation.py三种平台组合的取件与执行端相关测试backend/tests/test_simulation_prepare_failure.py 可看失败路径如何被覆盖项目文档README.md 与 README-ZH.mdDocker 部署细节见 docker-compose.yml社区交流QQ 群入口见 static/image/QQ群.pngMiroFish 用一个几乎零依赖的文件系统方案把多智能体系统里最头疼的跨进程可靠通信做成了可以随手调试的目录操作。往后当智能体规模从万级走向十万级、模拟环境分布到多台机器时这类以共享状态为契约、以状态机保可追溯的通信模型很可能成为群体智能基础设施的标配形态。【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFish创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
