MiroFish：群体智能推演框架，从种子材料到证据链报告-平芜编程栈

第一次看到 MiroFish 这个名字，我下意识以为是个做文件同步或者图床的小工具，点进去才发现完全不是一回事。MiroFish 是一个把"群体智能"做成流水线的推演框架：你丢给它一份种子材料——可能是一份新品说明书、一段活动策划案、一份竞品拆解，它就能自动生成一群背景、性格、立场各不相同的虚拟用户，让这帮人在一个人造的社区环境里自由发帖、评论、转发、吵架，跑上几十轮之后，再把整条互动轨迹沉淀成一份带证据链的判断报告。说白了，它干的不是"预测一个数"，而是"把一群人的反应排演一遍"。这东西对做产品、做市场、做内容策划的人特别友好，因为它回答的是那种问卷问不出来、A/B 测试又太贵的问题：我的方案放出去，第一周会炸还是会凉？哪一类人最先跳出来反对？争议会从哪个点开始扩散？下面我按自己的实操节奏，把这套东西拆开讲透。

1. 先把 MiroFish 解决的问题想清楚

1.1 决策前的沙盘推演，为什么老办法不够用

我们平时做判断，工具箱里其实就那么几样：问卷、焦点小组、专家访谈、灰度发布、A/B 测试。它们各自都有硬伤。问卷的问题是"问出来的答案不等于真实行为"，人在填表时会给自己加滤镜；焦点小组的问题是"小样本 + 主持人效应"，六个人里只要有一个强势的人，剩下五个就闭嘴了；专家访谈的问题是"专家的直觉不可复现"，同一个专家隔一周给你的判断可能都不一样；灰度发布最实在，但代价是慢，而且只适用于已经做出来的东西。

真正卡脖子的地方在于：这三类方法都是"静态采样"，而真实世界里用户反应是动态传染的。一个人说某句话不好听，第二个人跟着复读，第三个人开始编段子，到第四天这件事的性质就已经变了。传统方法没办法模拟这种链式反应，因为你没法在真实世界里把同一件事跑十遍。

MiroFish 的思路正好补在这个缺口上。它不追求"精确预测某个指标会到多少"，而是追求"把可能发生的几种反应路径先演一遍"。这就像打仗前的沙盘：沙盘推不出敌人具体几点几分从哪条路来，但能让你提前知道哪条防线最容易崩。对决策者来说，后者的价值往往更大，因为它改变的是你的准备动作，而不是你的一个数字。

1.2 它和传统预测模型、单智能体问答的分界在哪

很多人第一次接触这类项目，会把它和时序预测、情感分析、或者"问 ChatGPT 一个假设性问题"混为一谈。这三者差别其实非常大，我列个表更直观。

维度	传统统计/时序模型	单智能体 LLM 问答	群体智能推演（MiroFish 类）
输入形态	历史数值序列	一段提示词	种子材料 + 知识图谱
输出形态	数值区间与置信度	一段连贯文字	带互动轨迹的证据链报告
擅长	趋势外推、季节性	单点概念解释	非线性扩散、口碑反身性
短板	遇突变即失效	没有群体视角	算力开销大、结果有随机性
可解释性	中（看特征权重）	低	高（能翻到具体某条发言）

关键区别在最后一行。单智能体问答给你的是一个"平均人"的答案，它天然倾向于给出温和、中庸、政治正确的回复，因为模型被训练成要"全面客观"。而真实社区里最活跃的从来不是平均人，是最极端的那 5%。MiroFish 这类框架用的一大堆智能体，本质上是在做非平均采样：故意造出一批偏激的、沉默的、跟风的、杠精型的角色，让他们的相互作用产生真实的分歧和摩擦。这个设计取向，是它和普通 LLM 应用最根本的分野。

1.3 哪些场景值得上手，哪些纯属浪费算力

我自己的判断标准很简单：这个问题的答案，是不是取决于多个人之间的互动？如果是，就值得跑；如果不是，老老实实用别的方法。

适合跑的场景，我归成三类。第一类是方案预演：新品定价策略、产品功能改版、包装文案、活动规则。这类东西的共同点是"有多个可选项，且想提前知道哪个更抗打"。第二类是内容走向：剧情分支、综艺赛制、游戏版本更新、连载内容的节奏设计。这类东西特别适合，因为创作者最大的痛点就是"我脑子里只有一个版本，但我需要知道另一个版本长什么样"。第三类是内部评审：一份方案交给不同部门会收到什么反馈，用虚拟智能体先演一遍，能提前把最难缠的质疑找出来。

不适合的场景也很明确。有解析解的问题不用跑，比如"我的毛利是多少"；已经有足够流量做真实 A/B 的不用跑，因为真实数据的置信度永远高于模拟；时间窗口只有两三个小时的紧急决策也不适合，这类推演跑一轮下来少说半小时，多则几小时，它服务的是"还有几天可以调整"的决策，不是"今天下午就要拍板"的决策。

2. 架构拆解：从种子材料到预测报告的一条流水线

2.1 输入层：种子材料决定整场推演的天花板

我踩过最大的一个坑，就是以为随便粘一段文字进去就能跑。事实是，输入质量几乎单方面决定了输出质量的上限，这一层的重要性被严重低估。

按这类框架的通用做法，输入层要做三件事。第一是事实抽取：把材料里的实体（产品、功能、价格、时间、卖点）和关系（谁影响谁、哪个是主打、哪个是赠品）识别出来。第二是冲突点标注：材料里哪些地方天然容易引发分歧——比如"涨价 15%"、"取消免费额度"、"新增付费墙"，这些是后面争议的引爆器，需要被显式标记。第三是语境补全：材料里没写但推演必需的信息，比如目标人群画像、竞品价格带、当前市场情绪基调，这些要单独补一份侧写。

材料准备的实操原则我总结成一句话：给事实，不给结论。你写"我们的新品很受欢迎"，这是没用的，模型只能复读你；你写"新品定价 199，同价位有三款竞品，主打功能是续航，目标人群是通勤族"，这才是有信息量的输入。另外务必做敏感信息脱敏：真实用户数据、内部代号、未公开的财务数字，能删就删，能改就改。模拟推演不需要真实身份，只需要真实结构。

2.2 图谱层：为什么这类框架几乎必然上 GraphRAG

智能体数量一旦上百，上下文长度就会爆炸。你不可能把整份材料的原文塞进每一个智能体的提示词里，那样既贵又容易让模型抓不住重点。所以这类框架普遍会在中间加一层知识图谱 + 图检索，也就是常说的 GraphRAG 思路。

它的工作方式是：先把种子材料切块、抽实体和关系、写进图数据库；智能体在推演过程中需要"回忆"某个事实时，不是全文检索，而是沿着图的边去找相关节点。举个具体例子，某个虚拟用户在讨论"这个价格不值"，系统会沿着产品 - 定价 - 竞品价格这条边把对比信息取回来，而不是把整篇文档重新读一遍。这个设计带来的收益有三个：上下文更短、召回更准、而且检索路径本身就是可追溯的证据。

图数据库在这里是可替换件，常见的组合是 Neo4j 加一层向量索引，也有项目直接用带图谱能力的内存服务。选型上我建议：如果你只是跑一次看看效果，先用轻量方案；如果准备长期复用同一批材料反复推演，那图库的持久化能力就值回票价了，因为每次重建图谱的 token 开销都很实在。

2.3 智能体层：人设是抽样，不是创作

这一层是最容易被玩坏的地方。很多人第一次配智能体，会忍不住写一堆特别精彩的人设：深谋远虑的行业老兵、毒舌但善良的测评博主、理性冷静的技术宅。写得很爽，结果跑出来的推演全是"温和讨论、互相理解"，一点都不像真实社区。

问题出在采样偏差。真实社区的声音分布是长尾的、带偏的：绝大多数人不发言，发言的人里相当一部分只是情绪宣泄，真正有内容的讨论占比很低。所以人设生成的正确姿势是"按分布抽样"，而不是"按剧本创作"。我通常会把智能体拆成几个正交维度来配置：

活跃度：沉默型（只看不说）、普通型（偶尔评论）、高频型（每轮都发）。比例大致控制在 6:3:1。
立场倾向：支持、中立、反对，不要默认给成均匀分布，按材料的争议程度调整，争议大的材料反对比例可以拉到 3 成。
表达风格：简短口语、长文分析、段子手、复读机。风格差异比立场差异更能制造真实感。
信息掌握度：完全不知道背景的路人、看过宣传的潜在用户、深度用户。这三类人的反应完全不同，缺一类就会失真。

还有一点：人设要有一致性记忆。一个智能体第一轮说"我只看重价格"，第五轮突然说"我不在乎钱"，整场推演的说服力就崩了。所以框架必须有长期记忆机制，把每个智能体说过的话沉淀下来，后续轮次检索复用。这也是为什么这类项目对存储的依赖比想象中重。

2.4 推演层与报告层：轮次、记忆与证据链

推演层本质是一个离散时间步的调度器。每一轮（round 或 tick）里，系统按活跃度概率决定哪些智能体行动，行动类型包括发帖、评论、转发、点赞、沉默。每个行动都会写回环境，影响下一轮的可见内容。这里有三个关键设计点值得注意。

第一是热度衰减。真实世界里一个话题不会一直热，所以环境需要有时间衰减函数，让旧帖子的曝光权重逐渐降低，这样新话题才能顶上来。没有衰减机制的话，推演跑到后期会变成一潭死水或者无限复读。

第二是互动深度限制。一条评论下面能嵌套几层回复，这个参数直接影响推演的"火药味"。深度设成 1，讨论很平和；设成 3 到 4，就开始出现"对喷"和"歪楼"，更接近真实。但深度越大，token 消耗增长越快，因为每一层都要把上下文带进去。

第三是收敛判定。跑到什么时候算完？常见做法是固定轮次，或者等"新增观点数量连续 N 轮低于阈值"就提前停。我一般两个都开：设一个上限轮次防止跑飞，再设一个收敛阈值防止浪费。报告层则负责把原始轨迹做统计和归纳——情绪分布的时间曲线、关键观点聚类、意见领袖识别、争议焦点排序——最后输出一份能点进去看具体某条发言的报告。这个"能翻到原文"的能力，是它区别于黑盒模型的最大价值。

3. 环境准备与首次跑通

3.1 硬件与依赖清单，别在第一步就卡住

这类项目的资源消耗主要不在显卡上，而在并发 API 调用和图数据库内存上。我自己跑下来，资源需求大致是这样一个梯度。

规模	智能体数	轮次	建议内存	大致耗时	适用阶段
冒烟测试	8-12	3-5	8 GB	5-10 分钟	验证链路是否通
小规模验证	50-80	10-15	16 GB	30-60 分钟	参数调优
正式推演	150-300	20-40	32 GB 起	2-5 小时	出结论报告

依赖上通常是老三样：Python 3.10 以上、Docker（用来起图数据库和向量库）、一个 OpenAI 兼容的模型接口。模型这块我强烈建议双模型配置：用一个便宜的小模型负责智能体的日常发言，用一个强模型负责最后的事实抽取和报告归纳。全用强模型跑，成本会翻好几倍，而效果提升远没有成本涨幅那么大。

# 1. 拉代码并建虚拟环境 git clone <repo-url> && cd MiroFish python -m venv .venv && source .venv/bin/activate pip install -r requirements.txt # 2. 起依赖服务（图库 + 向量库） docker compose up -d # 3. 复制配置模板 cp .env.example .env

3.2 模型接入与密钥配置，把参数含义搞清楚

配置文件是整件事的控制面板，但很多人是照抄模板就跑了，跑出来效果不好也不知道是哪个参数的问题。我把关键配置项和我的理解列出来。

llm: provider: openai-compatible base_url: http://127.0.0.1:8000/v1 # 本地推理服务或兼容网关 agent_model: small-instruct # 智能体日常发言，便宜优先 report_model: large-instruct # 报告归纳，质量优先 max_concurrency: 16 # 并发上限，看服务端承载能力 timeout: 180 temperature: 0.85 # 智能体发言需要多样性，调高 graph: backend: neo4j uri: bolt://127.0.0.1:7687 index_dim: 1024 simulation: agents: 120 rounds: 24 action_prob: 0.35 # 单个智能体每轮行动概率 decay: 0.88 # 每轮热度衰减系数 reply_depth: 3 # 评论嵌套最大层数 seed: 20240917 # 固定随机种子，保证可复现

关于temperature，这里有个反直觉的点：智能体发言的温度要比普通问答调得更高，通常 0.8 到 0.95。原因很简单，你要的是多样化，不是准确性。同一个问题十个智能体给出十种说法，这场推演才有信息量；如果十个人说法都一样，那你花这么多算力只是得到了一个答案。

max_concurrency是最容易被忽略的坑。设得太高，服务端会限流或者直接超时，结果一堆智能体行动失败，推演数据残缺；设得太低，跑一场要等半天。我的经验是从 8 开始往上试，观察失败率，失败率超过 2% 就往下调。

3.3 先跑一个最小闭环，别一上来就上大配置

我的建议是分三步走，每一步都验证一个东西。第一步，8 个智能体跑 3 轮，只验证"能不能正常发出请求、能不能写进图库、能不能出报告"；第二步，50 个智能体跑 10 轮，这时候观察的是分布是否合理——沉默的有没有、反对的有没有、讨论有没有跑偏；第三步再上正式规模。

# 冒烟测试 python -m mirofish.cli run --config configs/smoke.yaml --dry-run # 小规模验证 python -m mirofish.cli run --config configs/small.yaml # 正式推演（后台跑） nohup python -m mirofish.cli run --config configs/prod.yaml > run.log 2>&1 &

注意：--dry-run很重要。它会只做材料解析和图谱构建，不真正发起推演。这一步能提前发现输入格式错误、实体抽取失败、图库连接不上等问题。我见过太多人直接上大配置，跑了四十分钟才发现图库根本没连上。

4. 完整实操：一次新品上市反响预演

4.1 种子材料整理，三原则与一份清单

我拿一个具体场景走一遍：某款定价 199 元的便携音箱要上市，事前想知道第一周社区会怎么反应。材料我准备了四份。

第一份是产品事实卡，只写可验证的信息：定价、三个主打卖点、两个明显短板、竞品价格带、上市时间。注意短板一定要写，不写短板的话推演出来会一片祥和，因为智能体没有攻击的靶子，而真实用户最擅长找的就是短板。

第二份是人群侧写，描述五类潜在用户的特征：价格敏感型、颜值导向型、音质发烧友、送礼需求型、冲动消费型。每类都要写清楚"他们最在意什么、最容易因为什么放弃"。

第三份是竞品对照，列三到五款同类产品的价格、主打点、已知口碑倾向。这份材料的作用是给智能体提供比较基准，没有比较基准的讨论会变成空对空。

第四份是语境说明，简单交代当前的时间节点和氛围，比如"临近某个电商大促节点，同类产品普遍在做促销"。这份材料决定了推演的情绪底色。

提示：四份材料加起来控制在 3000 字以内。材料越长，图谱越臃肿，检索精度反而下降。信息密度的价值远高于篇幅。

4.2 参数取舍：规模、轮次、活跃度的三角平衡

这次我配的是 150 个智能体、28 轮、行动概率 0.35、热度衰减 0.88、回复深度 3。这几个数字不是拍脑袋来的，讲一下推演过程。

智能体规模的确定逻辑是"覆盖长尾"。我要的五类人群，每一类至少要有 20 到 30 个智能体才能形成内部差异，再加上 10% 左右的纯路人，算下来 150 是个比较舒服的位置。少于 80 个，你会明显感觉讨论"就那么几个人在说话"；多于 400 个，边际收益急剧下降，因为新增的智能体说的内容高度重复。

轮次的确定逻辑是"等收敛"。我先用 50 个智能体跑了 10 轮做观察，发现新增观点在前 6 轮增长很快，8 轮之后明显放缓，按这个节奏推算，150 个智能体的收敛点大概在 22 到 26 轮之间。所以我设了 28 轮上限，再开一个"连续 3 轮新增观点低于 5 条就提前停"的阈值。实际跑到第 24 轮就触发了收敛。

行动概率这个参数对结果影响比想象中大。0.35 意味着平均每个智能体每三到四轮行动一次，这个节奏比较接近真实社区的"潜水-冒泡"比例。如果调到 0.8，变成人人每轮都在说话，讨论会过度饱和，观点同质化严重；调到 0.1 又太冷清，传播链条起不来。

4.3 运行、监控与中途干预

正式跑的时候我不会一直盯着终端，但有几个指标是必看的。第一个是失败率，每轮结束后打印一下行动失败条数，超过 2% 就得查是不是限流了。第二个是话题分布熵，这个指标衡量讨论是否分散，熵太低说明所有人都挤在一个话题上（通常是跑偏了），熵太高说明讨论支离破碎（通常是材料不够聚焦）。第三个是情绪曲线，看负面情绪是不是在某个时间点突然翘头，那个点往往就是争议引爆点。

中途干预的能力其实挺重要，虽然很多人不用。我遇到过两种情况需要干预：一种是模型开始"互相客气"，连续几轮全是"说得有道理""同意楼上"，这时候我会临时提高一部分智能体的攻击性权重；另一种是讨论彻底跑偏，跑到跟产品完全无关的方向上，这时候我会发一条"锚定发言"，把话题拉回来。这两种干预都要在报告里标注出来，否则会污染结论的可信度。

4.4 报告解读：三个必须看的指标

报告出来别急着看结论那一句话，先看三个东西。

第一是情绪时间曲线。这条曲线的形状比它的绝对值重要得多。如果负面情绪在前期就翘头然后回落，说明是"首因效应"，产品本身问题不大；如果在中期持续爬升不回落，说明有个结构性矛盾没解决。我这次的曲线是典型的"前 4 轮平稳、第 5 到 8 轮负面抬升、第 12 轮后回落"，对应到具体发言，抬升的原因是"199 的定价对比竞品缺乏说服力"，回落的原因是有人搬出了"续航比竞品多 4 小时"这个反制点。

第二是意见领袖识别。报告会列出影响力最高的几个智能体及其主要观点。这次排第一的不是最活跃的那个，而是一个只发了 3 条但每条都被大量引用的账号。这提示我一件事：说服力来自"被引用次数"，不是"发言次数"。做真实营销时同理，铺量不如打通关键节点。

第三是争议焦点排序。报告会把所有反对意见聚类，按出现频次排序。这次的 Top 3 是：定价合理性、外观同质化、赠品价值低。注意第二个和第三个，这两个是我原本没预料到的，这就是推演的价值——它帮你发现了你自己想不到的反对理由。

5. 参数调优与成本控制

5.1 决定结果质量的五个关键旋钮

跑过五六轮之后，我总结出真正影响结果的参数就那么五个，其他大多是噪音。

旋钮	作用	我的常用区间	调过头的后果
智能体数量	决定观点覆盖广度	100-300	内容重复，成本线性上升
人设分布	决定讨论真实感	反对占比 20-35%	全员温和，推演无价值
行动概率	决定互动密度	0.25-0.45	过度饱和或传播断裂
回复深度	决定冲突烈度	2-4 层	上下文膨胀，话题失焦
热度衰减	决定话题生命周期	0.85-0.92	一潭死水或话题过山车

这五个里面，我认为人设分布是最被低估的。很多人的第一版配置会把立场设成均匀分布，跑出来发现"正负持平，结论是中性的"。这种结论毫无决策价值。真实的争议场景里，负面声音往往比正面更活跃、更愿意表达，所以反对阵营的行动概率应该单独设一个加成，比如 1.3 倍。这个细节能让推演的真实度提升一大截。

5.2 Token 成本估算与压缩技巧

先算一笔账。单次智能体行动的 token 消耗大概是：系统提示 + 人设 + 检索到的背景 + 最近几条互动 ≈ 2000 到 4000 token，输出 100 到 300 token。按 3000 输入算，一场 150 智能体、28 轮、行动概率 0.35 的推演，总行动次数约 150 × 28 × 0.35 ≈ 1470 次，输入 token 约 440 万，输出约 30 万。这个量级用便宜模型跑是完全可接受的，但如果用顶级模型，成本会直接翻十倍以上。

压缩成本我有三个常用手段。第一是分层模型，前面说过的双模型配置，省下的钱最多。第二是上下文裁剪，控制检索回来的背景条数，从"最近 20 条"降到"最近 8 条 + 图谱召回 3 条"，效果损失很小但输入能砍掉一半以上。第三是缓存复用，同一份种子材料反复跑推演时，图谱构建的结果要持久化，别每次重建——这一步在我这儿省了大约三分之一的总开销。

5.3 让推演更"稳"的三个工程手段

群体智能推演有个天生的毛病：随机性。同样的配置跑两遍，结果可能差挺多。这不是 bug，是多智能体系统的固有特性。但你得知道怎么把它压到可接受范围内。

第一个手段是固定随机种子。把seed写进配置，能保证智能体生成、行动调度、话题选择的随机序列一致。这只解决一半问题，因为模型服务端本身的采样也有随机性，但能把方差降下来一大截。

第二个手段是多次运行取分布。我现在的标准做法是同一组配置跑 3 次，报告取交集——三次都出现的争议点才写进结论，只有一次出现的只能当"噪声提示"。这个做法很朴素但极其有效，它把单次运行的偶然性过滤掉了。

第三个手段是敏感度扫描。选定一个关键参数（通常是定价或者某个核心卖点），在 ±20% 的范围内跑三组，看结论是否发生方向性反转。如果参数微调就导致结论翻转，说明这个决策本身是脆弱的，需要更谨慎；如果怎么调结论都稳，那这个结论的可信度就高得多。这一招我是从风控领域的压力测试思路借过来的，用在这里意外地合适。

6. 常见问题与排查技巧实录

6.1 症状-原因-处置速查表

跑多了遇到的问题其实很集中，我整理成一张表，出问题的时候直接查。

症状	大概率原因	处置方式
智能体发言高度雷同	温度过低 / 人设维度单一	温度提到 0.85 以上，增加表达风格维度
讨论一片祥和	缺少反对型人设 / 材料没写短板	反对占比提到 30%，材料补短板
行动失败率超 5%	并发过高被限流	`max_concurrency`减半
话题中途跑偏	缺锚定 / 衰减太快	加入锚定发言，`decay`调回 0.9
报告无具体引用	轨迹未落库 / 检索维度不匹配	检查图库写入，核对索引维度
图谱构建失败	材料格式异常 / 实体过于稀疏	重新切块，把长句拆成短句
跑完一轮时间翻倍	图层检索走全表扫描	补建索引，检查查询语句

6.2 我踩过的几个坑，希望你别再踩

第一个坑是把模拟结果当预言。我最早跑完一次推演，看到负面情绪占比只有 12%，就下了"这个方案风险很低"的判断。后来复盘发现，那批智能体的人设里反对型只占 8%，这个比例本身就是我自己配置的结果，而不是推演发现的结论。这件事给我上了一课：推演输出的所有分布，都带着你输入的偏见。你配了多少反对者，就大概会得到多少反对声。所以真正该看的是"变化趋势"和"争议结构"，而不是绝对数值。

第二个坑是忽视材料的时态。有一次我在材料里写"竞品目前在做促销"，本意是交代背景，结果智能体全程都在围绕"等促销"这个点讨论，把产品本身的卖点全忽略了。背景信息会强烈影响讨论方向，写的时候得掂量清楚：这条信息是必须的，还是会把话题带偏的。

第三个坑是只跑配置不跑对照。第一次做定价推演，我跑了 199 元这一组，看到反响一般，就直接把价格改成 179 又跑了一组，发现反响变好了，于是得出结论"应该降价"。后来才反应过来，任何"降价"在模拟里都会得到更好的反响，因为虚拟用户对价格天然敏感。正确的做法是同时跑 199、189、179 三组，看边际收益——如果从 199 降到 189 反响提升 30%，从 189 降到 179 只提升 3%，那说明价格敏感区间在 190 附近，降到 179 是纯亏损。对照实验永远比单组试错有价值。

第四个坑是忘了清理图谱。反复在同一套图库上跑不同场景，旧材料的实体残留会污染新推演的检索结果，表现是智能体会突然提到跟本次推演完全无关的东西。现在我的习惯是每个场景一个独立命名空间，跑完就归档，绝不复用。

最后分享一个我最近常用的做法：把推演报告里的 Top 5 争议点，直接当成真实用户调研的提问清单。这样模拟和真实调研形成闭环——模拟负责发现"我没想到的问题"，调研负责验证"这个问题到底有多严重"。这套组合拳打下来，比单用任何一种方法都靠谱得多。