MiroFish-Offline
MiroFish-Offline 是一个完全本地化运行的多智能体模拟与预测引擎。它能够将任何文档（如新闻稿、政策草案、财务报告）作为输入，自动生成数百个具有独特个性和记忆的AI智能体，在模拟的社交媒体环境中进行互动，从而预测公众舆论、市场情绪或社会动态的演变过程。
这个工具解决了传统模拟分析对云端API的依赖和数据隐私的顾虑。作为原版MiroFish的英文分支版本，它移除了所有云服务，使用本地技术栈替代：界面完全汉化为英文，用Neo4j图数据库管理知识图谱与记忆，通过Ollama本地运行大语言模型（如qwen2.5、llama3），并使用本地的嵌入模型。这意味着你可以在自己的硬件上，无需网络或API密钥，安全地进行复杂的多智能体社会模拟。
MiroFish-Offline 的工作流程清晰直观：首先从文档中提取实体和关系构建知识图谱；然后生成具有不同立场、影响力和反应速度的智能体群体；接着在模拟环境中进行实时互动，展现观点传播、争论和情绪转变；最后生成结构化分析报告，你甚至可以与模拟世界中的任意智能体对话，追溯其观点成因。
它非常适合研究人员、政策分析师、市场战略制定者、社会科学家以及关注舆情仿真的开发者使用。对于希望研究信息传播、群体行为或进行风险预测，同时又高度重视数据隐私和可控性的团队或个人来说，这是一个强大的离线研究工具。通过Docker Compose可以快速一键部署，让复杂的多智能体模拟变得易于上手。
使用场景
某跨国消费品公司的市场策略团队，正在为一款即将在海外市场推出的新型植物肉产品制定社交媒体预热方案。团队需要预测不同用户群体对产品核心卖点（环保、健康、口感）的可能反应，以优化宣传内容和渠道策略。
没有 MiroFish-Offline 时
- 依赖有限的人工头脑风暴：团队成员只能基于有限的个人经验和少量用户访谈，主观臆测不同人群的反应，覆盖的“用户画像”类型少，且容易陷入团队内部的信息茧房。
- 无法模拟动态舆论演变：只能静态地列出“可能有好评/差评”，无法模拟一个观点如何在社交网络中传播、发酵，以及不同立场的用户之间如何互动、争论，导致对潜在舆论风险的预判严重不足。
- 数据敏感性与成本顾虑：产品配方、定价策略等敏感文档不便上传至第三方云服务进行分析，而使用商业化的在线舆情预测API不仅费用高昂，还存在数据出境的安全合规风险。
- 分析结果缺乏“追溯性”：当得到一个“某类用户可能反感环保营销”的结论时，无法深入探究这个结论是如何得出的，是哪段原文、哪些人物关系影响了模拟结果，导致结论可信度存疑。
使用 MiroFish-Offline 后
- 自动化生成海量多元“数字用户”：将产品白皮书、竞品分析报告上传后，MiroFish-Offline自动构建知识图谱，并生成数百个具有不同性格、立场、影响力和记忆的智能体，模拟出远比人工设想更丰富的用户群体。
- 实时观测多轮互动与情绪演变：在模拟的社交环境中，可以直观看到“环保主义者”如何积极传播，“口感至上者”如何提出质疑，双方如何争论，以及中立群体的情绪如何随时间推移而摇摆，从而精准定位舆论引爆点和转折点。
- 全流程本地化，保障安全与控制：基于Neo4j和Ollama的本地堆栈，所有敏感数据不出本地环境，无需支付API调用费用，且可以完全控制模拟的规模、时长和所用模型，实现了安全、可控的深度分析。
- 结论可解释、可交互：模拟结束后，不仅获得结构化报告，分析师还可以直接“采访”任意一个模拟中的智能体，询问其发表某条言论的具体原因，系统会基于其记忆和知识图谱给出解释，极大提升了分析洞察的深度和可信度。
MiroFish-Offline通过提供一套完全本地的、动态可交互的多智能体模拟环境，将市场舆情预测从静态、主观的猜测，转变为动态、可追溯的数据驱动推演。
运行环境要求
- Linux
- macOS
- Windows
需要 NVIDIA GPU，显存 10GB+（14b 模型）或 24GB+（32b 模型），支持 CUDA（具体版本未说明）
最低 16GB，推荐 32GB
快速开始
这是什么？
MiroFish 是一个多智能体模拟引擎：上传任意文档（新闻稿、政策草案、财务报告），它会生成数百个具有独特个性的 AI 智能体，模拟社交媒体上的公众反应。发帖、争论、观点转变——每小时都在发生。
原版 MiroFish 是为中国市场构建的（中文 UI，使用 Zep Cloud 作为知识图谱，DashScope API）。此分支使其完全本地化且完全英文：
| 原版 MiroFish | MiroFish-Offline |
|---|---|
| 中文 UI | 英文 UI (已翻译 1000+ 字符串) |
| Zep Cloud (图记忆) | Neo4j Community Edition 5.15 |
| DashScope / OpenAI API (大语言模型) | Ollama (qwen2.5, llama3 等) |
| Zep Cloud 嵌入模型 | 通过 Ollama 使用 nomic-embed-text |
| 需要云 API 密钥 | 零云依赖 |
工作流程
- 图谱构建 — 从你的文档中提取实体（人物、公司、事件）和关系。通过 Neo4j 构建包含个体和群体记忆的知识图谱。
- 环境设置 — 生成数百个智能体角色，每个角色都有独特的个性、观点偏见、反应速度、影响力级别以及对过去事件的记忆。
- 模拟 — 智能体在模拟的社交平台上互动：发帖、回复、争论、转变观点。系统实时跟踪情绪演变、话题传播和影响力动态。
- 报告 — 一个报告智能体分析模拟后的环境，采访一组焦点智能体，在知识图谱中搜索证据，并生成结构化分析。
- 交互 — 与模拟世界中的任何智能体聊天。询问他们为什么发布特定的内容。完整的记忆和个性得以保留。
截图
快速开始
先决条件
- Docker & Docker Compose (推荐)，或
- Python 3.11+, Node.js 18+, Neo4j 5.15+, Ollama
选项 A：使用 Docker (最简单)
git clone https://github.com/nikmcfly/MiroFish-Offline.git
cd MiroFish-Offline
cp .env.example .env
# 启动所有服务 (Neo4j, Ollama, MiroFish)
docker compose up -d
# 将所需模型拉取到 Ollama
docker exec mirofish-ollama ollama pull qwen2.5:32b
docker exec mirofish-ollama ollama pull nomic-embed-text
打开 http://localhost:3000 — 完成。
选项 B：手动安装
1. 启动 Neo4j
docker run -d --name neo4j \
-p 7474:7474 -p 7687:7687 \
-e NEO4J_AUTH=neo4j/mirofish \
neo4j:5.15-community
2. 启动 Ollama 并拉取模型
ollama serve &
ollama pull qwen2.5:32b # 大语言模型 (或使用 qwen2.5:14b 以减少显存占用)
ollama pull nomic-embed-text # 嵌入模型 (768维)
3. 配置并运行后端
cp .env.example .env
# 如果你的 Neo4j/Ollama 不在默认端口，请编辑 .env
cd backend
pip install -r requirements.txt
python run.py
4. 运行前端
cd frontend
npm install
npm run dev
打开 http://localhost:3000。
配置
所有设置都在 .env 文件中（从 .env.example 复制）：
# 大语言模型 — 指向本地 Ollama (兼容 OpenAI API)
LLM_API_KEY=ollama
LLM_BASE_URL=http://localhost:11434/v1
LLM_MODEL_NAME=qwen2.5:32b
# Neo4j
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=mirofish
# 嵌入模型
EMBEDDING_MODEL=nomic-embed-text
EMBEDDING_BASE_URL=http://localhost:11434
支持任何兼容 OpenAI 的 API — 通过更改 LLM_BASE_URL 和 LLM_API_KEY，可以将 Ollama 替换为 Claude、GPT 或其他任何提供商。
架构
此分支在应用程序和图数据库之间引入了一个清晰的抽象层：
┌─────────────────────────────────────────┐
│ Flask API │
│ graph.py simulation.py report.py │
└──────────────┬──────────────────────────┘
│ app.extensions['neo4j_storage']
┌──────────────▼──────────────────────────┐
│ 服务层 │
│ EntityReader GraphToolsService │
│ GraphMemoryUpdater ReportAgent │
└──────────────┬──────────────────────────┘
│ storage: GraphStorage
┌──────────────▼──────────────────────────┐
│ GraphStorage (抽象接口) │
│ │ │
│ ┌─────────▼─────────┐ │
│ │ Neo4jStorage │ │
│ │ ┌───────────────┐ │ │
│ │ │ EmbeddingService│ ← Ollama │
│ │ │ NERExtractor │ ← Ollama LLM │
│ │ │ SearchService │ ← 混合搜索 │
│ │ └───────────────┘ │ │
│ └───────────────────┘ │
└─────────────────────────────────────────┘
│
┌──────▼──────┐
│ Neo4j CE │
│ 5.15 │
└─────────────┘
关键设计决策：
GraphStorage是一个抽象接口 — 通过实现一个类，可以将 Neo4j 替换为任何其他图数据库。- 通过 Flask 的
app.extensions进行依赖注入 — 没有全局单例。 - 混合搜索：0.7 × 向量相似度 + 0.3 × BM25 关键词搜索。
- 通过本地大语言模型进行同步的命名实体识别/关系提取（替代了 Zep 的异步事件处理）。
- 保留了所有原始的数据类和 LLM 工具（InsightForge, Panorama, Agent Interviews）。
硬件要求
| 组件 | 最低要求 | 推荐配置 |
|---|---|---|
| 内存 | 16 GB | 32 GB |
| 显存 (GPU) | 10 GB (14b 模型) | 24 GB (32b 模型) |
| 磁盘空间 | 20 GB | 50 GB |
| CPU | 4 核 | 8+ 核 |
纯 CPU 模式可以工作，但对于 LLM 推理会明显更慢。对于较轻量级的设置，请使用 qwen2.5:14b 或 qwen2.5:7b。
使用场景
- 公关危机测试 — 在发布前模拟公众对新闻稿的反应
- 交易信号生成 — 输入财经新闻并观察模拟的市场情绪
- 政策影响分析 — 根据模拟的公众反应测试法规草案
- 创意实验 — 有人曾输入一部结局遗失的中国古典小说；智能体们撰写了一个叙事连贯的结局
许可证
AGPL-3.0 — 与原版 MiroFish 项目相同。详见 LICENSE。
致谢与归属
本项目是基于 666ghj 的 MiroFish 修改的分支版本，原项目由 盛大集团 支持。模拟引擎由 CAMEL-AI 团队的 OASIS 提供支持。
本分支的修改内容：
- 后端从 Zep Cloud 迁移至本地 Neo4j CE 5.15 + Ollama
- 整个前端从中文翻译为英文（20个文件，1000+字符串）
- 用户界面中所有 Zep 相关引用已替换为 Neo4j
- 更名为 MiroFish Offline
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。