5分钟跑通MiroFish:从克隆仓库到生成第一份预测报告
【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
手里有一份报告,想看看舆论接下来会怎么发酵?把文件丢给 MiroFish 部署后的界面,用大白话写清预测需求,它会在一个平行的数字世界里跑出成千上万个智能体替你"预演",最后吐出一份可读的预测报告。这篇教程只做一件事:带你在自己电脑上把 MiroFish 跑起来,再顺手告诉你想深入改造时该从哪儿下手。
跑起来之前的两件事:两个 API Key 和环境要求
MiroFish 的智能体大脑依赖 LLM,长期记忆则托管在 Zep Cloud,所以启动前必须先备好两把钥匙:
# 1. 克隆代码 git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish # 2. 生成 .env 并填入两把 Key cp .env.example .env打开.env,重点填LLM_API_KEY、LLM_BASE_URL、LLM_MODEL_NAME(README 默认给的是阿里百炼的 qwen-plus 示例)和ZEP_API_KEY,不打算用加速通道就把LLM_BOOST_*那几行留空或删掉。💡 本机源码方式需要 Node 18+、Python 3.11~3.12 和 uv(uv --version确认);Docker 方式只需装好 Docker Compose v2,镜像里已经把环境打好了。
本机部署 MiroFish:四步从克隆到启动
适合想边跑边看代码、随时打断点的人。
第一步:一键装全量依赖
npm run setup:all这条命令会顺序装好根目录、前端和后端(后端用uv sync自动建虚拟环境),不用手动venv、不用分别pip install。
第二步:同时拉起前后端
npm run devconcurrently会把两个进程挂在同一终端,前端跑在 3000、后端在 5001,/api请求由 frontend/vite.config.js 里的代理转发到后端。只跑单侧可以用npm run backend或npm run frontend。
第三步:浏览器验证
打开http://localhost:3000,首页出现"上传任意报告,即刻推演未来"的入口、右侧有文件拖拽区,就说明前后端都通了;5001 端口能直接返回响应,说明后端 Flask 也活着。
第四步:上传种子,走完五步工作流
传一份 PDF 或长文本,描述你想预测什么,系统会按「图谱构建 → 环境搭建 → 开始模拟 → 报告生成 → 深度互动」推进,全程可在页面看进度。第一次跑建议把轮数压到 40 以下,省 token 也更稳。
Docker 一键拉起 MiroFish:最省事的体验方式
只想看效果、不想装一堆工具链的话,走容器路线最快:
cp .env.example .env docker compose up -dcompose 文件已经把3000:3000、5001:5001端口映射好,也把backend/uploads挂到容器里做持久化,重启不丢上传材料。拉取ghcr.io镜像慢的话,docker-compose.yml里留了注释掉的加速地址,替换后再up -d一次即可。
# 看状态和日志 docker compose ps docker compose logs -f mirofish到这里就算搭好了,浏览器照样访问 3000。
MiroFish 部署后自检:界面、流程、图谱三查
三条检查点,任一异常先回头查.env。
首页能打开,上传区可交互
首页能看到文件拖拽框、下方有"预测需求"输入框,说明前端资源与静态路由都正常。
五步工作流能走完
上传后依次经过图谱构建、环境搭建、开始模拟、报告生成、深度互动五步,每一步都有明确状态标签。若卡在"图谱构建",九成是 Zep key 没生效或 LLM 调不通,看后端日志即可定位。
图谱能渲染、节点可点开
进到图谱页,能看到大量节点与红色关系线、右侧弹出 Node Details 面板显示实体属性与摘要——这就是智能体交互后沉淀下来的记忆结构,是判断链路是否真正跑通最直观的信号。
MiroFish 二次开发:改代码前先看这三个目录
| 想动什么 | 看哪里 |
|---|---|
| 仿真编排、报告 Agent、人设生成、Zep 记忆读写 | backend/app/services/ |
| 对外接口(图谱/报告/仿真) | backend/app/api/ |
| 页面与交互(Step1~Step5) | frontend/src/components/ |
改完npm run dev下即时生效,不用重启容器。要提 PR 的话:从 main 拉feature/xxx分支 → 改代码 → 跑一遍backend/tests/下已有的 pytest 用例 → 推送后到代码托管平台发起 PR。⚠️ 本地.env千万别提交,.gitignore里已经列了,但改分支合并前再核对一次。
MiroFish 部署常见卡点:端口、镜像与 API 额度
端口被占
3000 或 5001 冲突时,sudo lsof -i :3000找出占用进程,kill掉;或者改docker-compose.yml左侧主机端口(3001:3000)再重启。
拉镜像慢或失败
ghcr.io网络不稳时切换到 compose 文件里注释好的加速地址,或docker pull单拉一次缓存后再up -d。
LLM / Zep 报错
401、403一律先看.env里 key 有没有多空格、是否复制漏字符;quota exceeded说明 Zep 免费额度用尽,Zep Cloud 每月有免费额度、够轻量使用,重度跑批建议控制并发与轮数。
哪条路适合你
| 目标 | 推荐路径 | 环境门槛 | 大致耗时 |
|---|---|---|---|
| 先看效果、做演示 | Docker 一键 | Docker Compose v2 | 5 分钟 |
| 日常使用、偶尔调参 | 本机源码 | Node 18+ / Python 3.11+ / uv | 10~15 分钟 |
| 改算法、加功能、提 PR | 源码 + 特性分支 | 同上,外加 Git 流程 | 看改动量 |
三条路没有优劣,只有场景差异。跑通之后,你的下一步大概率是去backend/app/services/里挑一个文件读一遍——到那时,这篇教程就完成使命了。
【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