MiroFish群体智能预测引擎手把手部署教程从跑起来到深度定制【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 是一款群体智能预测引擎上传一份报告、小说或任何文本作为种子材料它会自动构建一个平行数字世界让成千上万个具备独立人格与长期记忆的智能体在其中交互演化最终产出一份预测报告和一个可以深入交互的仿真环境。读完本文你将在自己的机器上部署好 MiroFish清楚每一项行为由哪个文件控制并拿到一张可以进代码改它的地图。动手前先跑一遍环境自检MiroFish 的架构很直白Flask 后端默认端口 5001加 Vue 3 前端默认端口 3000前端由 Vite 开发服务器把 /api 请求转发给后端。无论走 Docker 还是源码部署下面这几项都要先备齐前置项版本要求用途确认命令Docker Docker ComposeCompose v2容器化一键部署docker compose versionNode.js18 及以上前端运行时源码部署需要node -vPython3.11 到 3.12后端运行时源码部署需要python --versionuv最新版Python 包管理器项目用它锁依赖uv --version端口 3000 / 5001空闲前端 / 后端监听端口netstat -an \| grep -E 3000|5001LLM API KeyOpenAI 兼容格式驱动全部 Agent 推理与报告生成检查.env中不是占位符Zep API KeyZep Cloud 账号存放实体关系与记忆图谱检查.env中不是占位符两个 Key 多说一句LLM_API_KEY 可以是任何 OpenAI SDK 格式的服务模板里推荐的是通义千问的兼容端点OpenAI 官方地址同样能填ZEP_API_KEY 用于存储模拟世界的记忆图谱你在界面上看到的实体关系图就存在那里免费额度够轻度使用。后端的启动脚本 run.py 在启动前会执行一次配置校验缺任何一个 Key 都会直接退出所以这一步配好能省掉后面所有怪异的报错。第一关3 条命令跑起来只想先体验的话Docker 路线三条命令git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish克隆仓库并进入项目根目录这里放着 Dockerfile、docker-compose.yml 和 .env.example 模板。cp .env.example .env从模板生成 .env 文件然后打开它把 LLM_API_KEY、LLM_BASE_URL、LLM_MODEL_NAME 和 ZEP_API_KEY 换成真实值不做这一步服务能启动但一跑业务就会拒绝工作。docker-compose up -d后台启动首次运行要拉取镜像并启动容器镜像体积不算小网络慢就耐心等之后再跑只需要几秒钟。这一步通了核心功能已经可用。浏览器打开 http://localhost:3000 会看到首页左侧是上传任意报告 即刻推演未来的主视觉右侧是一个文件拖拽上传区整个使用流程从扔一份材料进去开始。compose 配置里把容器 3000、5001 两个端口映射到宿主机并把 ./backend/uploads 挂载进容器。上传的文件和数据目录之所以这样设计到镜像之外是因为容器随时可以重建数据不能跟着一起丢。第二关拆开看改得动Docker 方案把一切塞进一个容器参数藏在里面想改行为得先弄清两个进程的边界后端是 backend/ 下的 Flask 应用入口 run.py监听 5001前端是 frontend/ 下的 Vue 3 工程入口 npm run dev监听 3000 并把 /api 代理到后端。手动部署后端cd backend uv sync # 或者pip install -r requirements.txt python run.pyuv sync 会依据 uv.lock 建一个独立虚拟环境并装好依赖随后 run.py 校验配置、启动 Flask 服务。终端如果打印配置错误说明 .env 里的 Key 还没填对先回去补。再开一个终端起前端cd frontend npm install npm run dev装依赖并启动 Vite 开发服务器配置里写了 open: true浏览器会自动弹出页面。关键配置项都在下面这张表里想改行为就从这里下手配置项位置影响什么LLM_BASE_URL / LLM_MODEL_NAME.env所有 Agent 推理、人设生成、报告生成用哪个模型OASIS_DEFAULT_MAX_ROUNDS.env默认 10模拟交互轮数越大越贵越慢FLASK_PORT / FLASK_HOST.env默认 5001 / 0.0.0.0后端监听地址proxy.targetfrontend/vite.config.js前端 /api 转发到哪默认 localhost:5001前端为什么不直连后端、要走 Vite 代理开发和部署时两边跑在不同端口直连会撞上浏览器跨域限制代理把后端地址藏在一层后面前端永远只认 3000。上传限制在 backend/app/config.py 里写死了 50MB允许 pdf、md、txt、markdown 四种格式。改它要去这个文件但注意改的是你本地的源码环境Docker 镜像里是另一份。图谱构建完成后的界面左边是实体关系图的可视化右边是环境搭建 Agent 自动生成的 Agent 画像和模拟参数每个参数都带滑杆可以手动微调。第三关进代码改它要提 PR 或做二次开发先记住这张代码地图backend/app/services/ 核心流水线graph_builder.py图谱构建、oasis_profile_generator.pyAgent 人设生成、simulation_runner.py模拟执行、report_agent.py报告生成五个阶段各占一个文件frontend/src/components/ Step1 到 Step5 五个步骤组件和页面上的流程一一对应backend/app/api/ Flask 路由层graph.py、simulation.py、report.py 是三个主要入口开发流程三个要点各一句话前端热更新由 Vite 免费提供后端热重载靠 FLASK_DEBUGtrue 环境变量代码一存 Flask 自动重启断点调试在后端关键位置插一行 breakpoint() 即可前端配合浏览器 Vue DevTools 和 console.log 用。这里有个坑先绕过去camel-oasis 和 camel-ai 被锁死在 0.2.5 和 0.2.78因为人设字段格式和 OASIS 框架强耦合随手升级会在加载 profile 时崩掉。backend/tests/ 里专门有针对格式兼容性的测试升级前先跑一遍。模拟结束后ReportAgent 带着工具集和模拟环境深度交互最终产出结构化预测报告还能继续追问和对话。跑通了做个冒烟测试打开 http://localhost:3000 首页正常渲染右上角语言切换可用上传一份 50MB 以内的 pdf 或文本写一句自然语言的预测问题观察图谱构建、环境搭建、开始模拟、报告生成四步依次走完看到报告页和可交互图谱提醒一句完整模拟消耗 token 不少首次试跑把轮数控制在 40 以内跑通再加。卡住了先查这 3 件事症状后端起不来终端打印配置错误LLM_API_KEY 未配置。修复打开 .env 确认两个 Key 填的是真实值而不是 your_xxx 占位符。原理这是启动前的前置校验服务根本没走到监听端口那一步。症状页面能打开但所有接口请求失败。修复确认 5001 端口在监听curl http://localhost:5001/ 即可如果你改过 FLASK_PORT记得同步改 vite.config.js 里的代理目标。原理代理地址写死在 Vite 配置里改端口不同步它就还在找旧地址。症状启动时报端口被占用。修复Docker 路线改 docker-compose.yml 的 ports 映射左侧比如 3001:3000源码路线改环境变量和 Vite 代理目标。原理本质都是让宿主机能摸到容器或进程真正监听的端口。让它再快一点配置加速 LLM.env 里有可选的 LLM_BOOST_* 一组字段把部分调用路由到更快的通道。适用场景模拟轮数多、报告阶段明显变慢时。降低模拟轮数OASIS_DEFAULT_MAX_ROUNDS 调到 5 就能砍掉一半时间。适用场景快速试预测问题、反复迭代提示词时。隔离 Zep 项目不同主题推演产生的实体会在同一账号下累积记忆节点越多检索越慢。适用场景长期跑多个不同领域的推演任务。到这里开头的承诺兑现了MiroFish 在你本地跑着.env 管行为、vite.config.js 管连通、services/ 目录管流水线想深入哪条线都知道往哪走。更完整的流程说明和配置参考在仓库根目录的中文 README 里遇到文档没覆盖的情况直接把现象和环境信息写成一个 Issue 提给项目比留言更有用。【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群体智能预测引擎手把手部署教程：从跑起来到深度定制
MiroFish群体智能预测引擎手把手部署教程从跑起来到深度定制【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 是一款群体智能预测引擎上传一份报告、小说或任何文本作为种子材料它会自动构建一个平行数字世界让成千上万个具备独立人格与长期记忆的智能体在其中交互演化最终产出一份预测报告和一个可以深入交互的仿真环境。读完本文你将在自己的机器上部署好 MiroFish清楚每一项行为由哪个文件控制并拿到一张可以进代码改它的地图。动手前先跑一遍环境自检MiroFish 的架构很直白Flask 后端默认端口 5001加 Vue 3 前端默认端口 3000前端由 Vite 开发服务器把 /api 请求转发给后端。无论走 Docker 还是源码部署下面这几项都要先备齐前置项版本要求用途确认命令Docker Docker ComposeCompose v2容器化一键部署docker compose versionNode.js18 及以上前端运行时源码部署需要node -vPython3.11 到 3.12后端运行时源码部署需要python --versionuv最新版Python 包管理器项目用它锁依赖uv --version端口 3000 / 5001空闲前端 / 后端监听端口netstat -an \| grep -E 3000|5001LLM API KeyOpenAI 兼容格式驱动全部 Agent 推理与报告生成检查.env中不是占位符Zep API KeyZep Cloud 账号存放实体关系与记忆图谱检查.env中不是占位符两个 Key 多说一句LLM_API_KEY 可以是任何 OpenAI SDK 格式的服务模板里推荐的是通义千问的兼容端点OpenAI 官方地址同样能填ZEP_API_KEY 用于存储模拟世界的记忆图谱你在界面上看到的实体关系图就存在那里免费额度够轻度使用。后端的启动脚本 run.py 在启动前会执行一次配置校验缺任何一个 Key 都会直接退出所以这一步配好能省掉后面所有怪异的报错。第一关3 条命令跑起来只想先体验的话Docker 路线三条命令git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish克隆仓库并进入项目根目录这里放着 Dockerfile、docker-compose.yml 和 .env.example 模板。cp .env.example .env从模板生成 .env 文件然后打开它把 LLM_API_KEY、LLM_BASE_URL、LLM_MODEL_NAME 和 ZEP_API_KEY 换成真实值不做这一步服务能启动但一跑业务就会拒绝工作。docker-compose up -d后台启动首次运行要拉取镜像并启动容器镜像体积不算小网络慢就耐心等之后再跑只需要几秒钟。这一步通了核心功能已经可用。浏览器打开 http://localhost:3000 会看到首页左侧是上传任意报告 即刻推演未来的主视觉右侧是一个文件拖拽上传区整个使用流程从扔一份材料进去开始。compose 配置里把容器 3000、5001 两个端口映射到宿主机并把 ./backend/uploads 挂载进容器。上传的文件和数据目录之所以这样设计到镜像之外是因为容器随时可以重建数据不能跟着一起丢。第二关拆开看改得动Docker 方案把一切塞进一个容器参数藏在里面想改行为得先弄清两个进程的边界后端是 backend/ 下的 Flask 应用入口 run.py监听 5001前端是 frontend/ 下的 Vue 3 工程入口 npm run dev监听 3000 并把 /api 代理到后端。手动部署后端cd backend uv sync # 或者pip install -r requirements.txt python run.pyuv sync 会依据 uv.lock 建一个独立虚拟环境并装好依赖随后 run.py 校验配置、启动 Flask 服务。终端如果打印配置错误说明 .env 里的 Key 还没填对先回去补。再开一个终端起前端cd frontend npm install npm run dev装依赖并启动 Vite 开发服务器配置里写了 open: true浏览器会自动弹出页面。关键配置项都在下面这张表里想改行为就从这里下手配置项位置影响什么LLM_BASE_URL / LLM_MODEL_NAME.env所有 Agent 推理、人设生成、报告生成用哪个模型OASIS_DEFAULT_MAX_ROUNDS.env默认 10模拟交互轮数越大越贵越慢FLASK_PORT / FLASK_HOST.env默认 5001 / 0.0.0.0后端监听地址proxy.targetfrontend/vite.config.js前端 /api 转发到哪默认 localhost:5001前端为什么不直连后端、要走 Vite 代理开发和部署时两边跑在不同端口直连会撞上浏览器跨域限制代理把后端地址藏在一层后面前端永远只认 3000。上传限制在 backend/app/config.py 里写死了 50MB允许 pdf、md、txt、markdown 四种格式。改它要去这个文件但注意改的是你本地的源码环境Docker 镜像里是另一份。图谱构建完成后的界面左边是实体关系图的可视化右边是环境搭建 Agent 自动生成的 Agent 画像和模拟参数每个参数都带滑杆可以手动微调。第三关进代码改它要提 PR 或做二次开发先记住这张代码地图backend/app/services/ 核心流水线graph_builder.py图谱构建、oasis_profile_generator.pyAgent 人设生成、simulation_runner.py模拟执行、report_agent.py报告生成五个阶段各占一个文件frontend/src/components/ Step1 到 Step5 五个步骤组件和页面上的流程一一对应backend/app/api/ Flask 路由层graph.py、simulation.py、report.py 是三个主要入口开发流程三个要点各一句话前端热更新由 Vite 免费提供后端热重载靠 FLASK_DEBUGtrue 环境变量代码一存 Flask 自动重启断点调试在后端关键位置插一行 breakpoint() 即可前端配合浏览器 Vue DevTools 和 console.log 用。这里有个坑先绕过去camel-oasis 和 camel-ai 被锁死在 0.2.5 和 0.2.78因为人设字段格式和 OASIS 框架强耦合随手升级会在加载 profile 时崩掉。backend/tests/ 里专门有针对格式兼容性的测试升级前先跑一遍。模拟结束后ReportAgent 带着工具集和模拟环境深度交互最终产出结构化预测报告还能继续追问和对话。跑通了做个冒烟测试打开 http://localhost:3000 首页正常渲染右上角语言切换可用上传一份 50MB 以内的 pdf 或文本写一句自然语言的预测问题观察图谱构建、环境搭建、开始模拟、报告生成四步依次走完看到报告页和可交互图谱提醒一句完整模拟消耗 token 不少首次试跑把轮数控制在 40 以内跑通再加。卡住了先查这 3 件事症状后端起不来终端打印配置错误LLM_API_KEY 未配置。修复打开 .env 确认两个 Key 填的是真实值而不是 your_xxx 占位符。原理这是启动前的前置校验服务根本没走到监听端口那一步。症状页面能打开但所有接口请求失败。修复确认 5001 端口在监听curl http://localhost:5001/ 即可如果你改过 FLASK_PORT记得同步改 vite.config.js 里的代理目标。原理代理地址写死在 Vite 配置里改端口不同步它就还在找旧地址。症状启动时报端口被占用。修复Docker 路线改 docker-compose.yml 的 ports 映射左侧比如 3001:3000源码路线改环境变量和 Vite 代理目标。原理本质都是让宿主机能摸到容器或进程真正监听的端口。让它再快一点配置加速 LLM.env 里有可选的 LLM_BOOST_* 一组字段把部分调用路由到更快的通道。适用场景模拟轮数多、报告阶段明显变慢时。降低模拟轮数OASIS_DEFAULT_MAX_ROUNDS 调到 5 就能砍掉一半时间。适用场景快速试预测问题、反复迭代提示词时。隔离 Zep 项目不同主题推演产生的实体会在同一账号下累积记忆节点越多检索越慢。适用场景长期跑多个不同领域的推演任务。到这里开头的承诺兑现了MiroFish 在你本地跑着.env 管行为、vite.config.js 管连通、services/ 目录管流水线想深入哪条线都知道往哪走。更完整的流程说明和配置参考在仓库根目录的中文 README 里遇到文档没覆盖的情况直接把现象和环境信息写成一个 Issue 提给项目比留言更有用。【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