Envie documentos descrevendo um cenário e o MiroFish simula milhares de agentes de IA reagindo em redes sociais para prever como os eventos vão se desenrolar.
# configure e instale tudo cp .env.example .env # escolha o provedor LLM no .env npm run setup:all # sobe frontend + backend juntos npm run dev # front :3000 · API :5001
MiroFish constrói um mundo a partir dos seus documentos: extrai entidades e relacionamentos num grafo de conhecimento, gera personas de agentes de IA com personalidades distintas e os faz simular redes sociais. Ao final, uma IA analisa toda a simulação e produz um relatório de previsão. Este fork é totalmente em inglês, usa KuzuDB local e suporta Claude/Codex CLI.
Os documentos viram entidades e relações num grafo (KuzuDB embutido, gratuito), via extração feita pelo seu próprio LLM.
O sistema gera milhares de personas com opiniões próprias que postam, respondem, curtem, debatem e seguem umas às outras.
Simulação dual-platform (Twitter + Reddit) via OASIS, com memória de grafo atualizada a cada rodada.
O pipeline parte do upload, extrai o mundo, gera os agentes, roda a simulação e fecha com um relatório com o qual você pode conversar.
Frontend Vue 3 + Vite + D3.js (visualização de grafos). Backend Flask com sessão workbench, adaptadores de recurso e ferramentas combináveis.
Um agente ReACT com chamada de ferramentas gera as conclusões. Você conversa com o agente do relatório ou entrevista agentes simulados.
Precisa de Node, Python e o gerenciador uv. Você também escolhe um provedor de LLM — pode usar sua assinatura do Claude Code ou do Codex CLI, sem chave de API.
Para o frontend Vue e os scripts npm de setup/dev.
node -v # >= 18
Backend Flask via uv (gerenciador de pacotes Python).
python --version # 3.11–3.12 uv --version
CLI (sem custo de API) ou API paga por token.
# sem chave (assinatura) LLM_PROVIDER=codex-cli # ou API LLM_PROVIDER=openai LLM_API_KEY=sk-...
Caminho A: dev local com npm. Caminho B (passo 5): Docker, tudo numa porta só.
Copie o exemplo e escolha como o MiroFish vai chamar o modelo.
cp .env.example .env # defina LLM_PROVIDER (claude-cli, codex-cli, openai, anthropic)
O `setup:all` instala dependências do raiz, do frontend e do backend (via uv).
npm run setup:all
Sobe backend e frontend juntos. Acesse o front; a API responde na porta 5001.
npm run dev # Frontend: http://localhost:3000 # API: http://localhost:5001
Na interface, envie as "sementes de realidade" (PDFs, markdown ou texto) e descreva, em linguagem natural, o que você quer prever. O MiroFish monta o grafo, gera os agentes e roda a simulação.
# ex. de prompt de previsão: "Preveja a reação pública a esta política em 60 dias"
Compila o frontend Vue, serve pelo app Flask e expõe o app combinado na porta 5001 dentro do container.
cp .env.example .env docker compose up -d --build
Qualquer cenário que você consiga descrever em documentos.
Suba a minuta de uma política pública e simule como a população reagiria nas redes ao longo de semanas.
A partir de artigos, projete como um evento ganharia tração, com agentes postando, debatendo e se seguindo.
Use relatórios financeiros como semente e analise a reação simulada do público a um anúncio.
Depois da simulação, converse com o agente do relatório ou entreviste personas individuais para entender o porquê.
Direções a partir das mudanças já feitas em relação ao upstream.