MiroFish: simulación social multiagente para explorar escenarios

Todo lo que hay que saber sobre 666ghj/MiroFish: un motor de “inteligencia de enjambre” que toma información semilla del mundo real, construye un entorno simulado y hace interactuar agentes con personas, memoria y reglas para producir informes de escenarios.

Qué es MiroFish

MiroFish es un proyecto de código abierto que se presenta como un motor universal de inteligencia de enjambre para “predecir cualquier cosa”. A partir de noticias, borradores de políticas, señales financieras u otro material semilla, pretende construir un mundo digital paralelo en el que muchos agentes con personalidad, memoria y lógica de comportamiento interactúan y evolucionan.

La descripción debe leerse con precisión: MiroFish es una herramienta de simulación y generación de escenarios, no un sistema validado para predecir el futuro. Sus informes pueden ser útiles para explorar hipótesis, reacciones o riesgos; no son evidencia causal, pronóstico financiero fiable ni base suficiente para decisiones políticas, médicas, legales o de inversión.

El repositorio se publica bajo licencia MIT. Su README muestra casos demostrativos sobre opinión pública, la supuesta conclusión perdida de Sueño en el pabellón rojo y escenarios financieros/políticos previstos, que son demostraciones del proyecto y no evaluaciones independientes de precisión.

El origen: de una semilla de realidad a un mundo paralelo

La propuesta parte de una “semilla de realidad”: documentos, noticias o información contextual que alimentan un grafo de conocimiento y memoria. Después extrae entidades y relaciones, genera personas, configura agentes y ejecuta interacciones para observar una evolución social simulada.

Ilustración cyberpunk en modo oscuro del concepto "De semilla a mundo paralelo". Una semilla cristalina brillante y flotante emite haces holográficos de luz que construyen un paisaje urbano digital iluminado en neón en el fondo. Flujos de datos neón magenta y cian fluyen desde la semilla hacia el suelo, construyendo la base de una realidad simulada.

El flujo que el README enumera tiene cinco fases: construcción de grafo; configuración del entorno; simulación; generación de informe; e interacción profunda. Un sitio de terceros que analiza los componentes de frontend asocia esas fases con pantallas separadas, pero esa asignación debe tomarse como documentación secundaria y verificarse contra el código actual.

MiroFish se apoya en GraphRAG y en una combinación de memoria individual/colectiva según la explicación del proyecto. Esto explica por qué requiere fuentes de contexto y modelos que procesen grandes volúmenes de texto; también implica que la calidad del resultado está condicionada por los datos introducidos, los prompts, el modelo, el número de agentes y las reglas de simulación.

Filosofía y principios

Simular, no afirmar certeza. El producto genera posibles dinámicas a partir de una realidad inicial; una salida plausible no demuestra que un evento vaya a ocurrir.

Agentes con heterogeneidad. Las personas y configuraciones buscan representar perspectivas y conductas distintas dentro del entorno simulado.

Contexto estructurado. La construcción de grafos y memoria busca evitar que cada agente responda solo desde un prompt aislado.
Exploración interactiva. Tras generar un informe, el usuario puede profundizar mediante agentes y un agente de reporte.
Código abierto y ejecución propia. El repositorio ofrece despliegue local con Docker Compose; los recursos de cómputo, claves y datos siguen siendo responsabilidad del operador.

Cómo funciona

Material semilla → extracción de entidades / GraphRAG → entorno y personas
                                                      → interacción de agentes
                                                      → informe de escenarios
                                                      → preguntas de seguimiento

La primera etapa incorpora la fuente y genera el grafo. La segunda configura entidades, relaciones, personas y agentes. La tercera ejecuta la simulación; la cuarta consolida un informe; y la quinta permite revisar el resultado con interacción adicional.

El repositorio incluye backend y frontend, docker-compose.yml, flujos de CI y documentación en inglés y chino. El FAQ del proyecto especifica que el repositorio GitHub y mirofish.ai son los canales oficiales, y que la demo estática mencionada en README es 666ghj.github.io/mirofish-demo.

Componentes principales

Semilla y grafo: información de entrada, extracción de entidades y relaciones, GraphRAG y memoria.
Entorno y personas: generación de perfiles y reglas de interacción para los agentes.
Simulación: rondas de actividad social modelada por el LLM configurado y la información previa.
Informe e interacción: síntesis del escenario y posibilidad de consultar agentes simulados o el ReportAgent.
Persistencia de ejecución: el FAQ menciona run_state.json, logs y bases SQLite para integraciones de redes; reiniciar a la fuerza elimina estado anterior.

El ecosistema

$Ilustración cyberpunk en modo oscuro del ecosistema comunitario. Un núcleo neón central y brillante etiquetado "MiroFish" está rodeado de módulos holográficos más pequeños en órbita que representan proyectos comunitarios, aprovisionamiento en la nube y frameworks de terceros. Flujos de datos brillantes conectan el núcleo con los elementos en órbita, pero algunos flujos están fracturados o en rojo, indicando dominios no autorizados o no afiliados.$

El proyecto recibe apoyo e incubación estratégica de Shanda Group y se apoya en el marco OASIS de CAMEL-AI, según una ficha secundaria; la afirmación debe contrastarse con el README y no se interpreta como garantía de mantenimiento o soporte empresarial.

Hay proyectos comunitarios alrededor de la instalación. radishbuild/mirofish-cloud propone aprovisionar una instancia privada en proveedores de cómputo; es una capa de terceros, no un hosting oficial del proyecto.

El FAQ oficial advierte específicamente que dominios como mirofish.my, mirofish.homes y mirofish.co.in no son servicios oficiales ni están autorizados. Es una precaución importante: no deben enviarse claves API, documentos privados o pagos a sitios que usen el nombre sin confirmar la relación con el repositorio.

Números del repo

Medición: 24 de agosto de 2026, API de GitHub. El artículo fuente de este repositorio no incluyó una tabla de métricas propia; estas cifras se verificaron directamente contra la API pública de GitHub al momento de la publicación.

Métrica	Valor
Estrellas	71.481
Bifurcaciones	11.111
Suscriptores reales	439

watchers_count replica las estrellas en la respuesta general de GitHub; por eso se informa subscribers_count como suscriptores reales.

Guía rápida de uso

Preparación e instalación

Ilustración cyberpunk ultra detallada de un entorno de despliegue de código abierto. Una interfaz de terminal futurista en modo oscuro muestra líneas de código brillantes y un archivo docker-compose.yml en neón. En el fondo, representaciones abstractas de servidores locales y entornos en contenedores brillan con luces azules y verdes sutiles, aisladas dentro de una bóveda digital privada y segura.

La vía de referencia es clonar el repositorio y revisar el README y docker-compose.yml actuales. El proyecto requiere configurar un proveedor LLM y, en determinadas rutas, servicios auxiliares para la memoria/grafo. Una discusión de comunidad muestra que usar un modelo local no elimina necesariamente las claves requeridas por componentes como Zep Cloud; es una experiencia de usuario, no una especificación definitiva.

Antes de ejecutar una simulación, conviene preparar:

Un paquete de fuentes acotado, atribuible y actualizado.
Una pregunta de escenario concreta, actores identificados y horizonte temporal explícito.
Un criterio de revisión que separe hechos de hipótesis producidas por la simulación.
Un presupuesto de cómputo: más agentes y más rondas aumentan coste, tiempo y consumo térmico.

Flujos de trabajo habituales

Escenario de producto o comunicación: aportar investigación de usuarios y mensajes; simular reacciones como exploración cualitativa, después validar con investigación real.
Análisis de opinión pública: introducir fuentes con fecha y procedencia, definir actores y comparar distintas semillas o supuestos.
Investigación narrativa: usar el entorno para desarrollar desenlaces o reacciones hipotéticas, sin confundir creatividad con predicción.
Prototipo académico: documentar modelos, prompts, fuentes, número de agentes y variabilidad entre corridas para que el ejercicio sea interpretable.

Trampas frecuentes y soluciones

Tratar la puntuación del agente como verdad. Un crítico externo señala que los agentes pueden producir justificaciones plausibles sin un mecanismo independiente de verificación. Es una crítica de un proyecto rival, no una auditoría, pero señala una limitación real de las simulaciones basadas en LLM.
Usar resultados para operar en mercados. Una discusión comunitaria plantea el uso para volatilidad o trading y reconoce la tensión frente a modelos estadísticos; no hay evidencia recuperada de que MiroFish entregue predicciones financieras válidas.
No registrar condiciones de la corrida. Sin modelo, prompt, semillas, fecha, agentes y criterios de informe no es posible comparar ni auditar salidas.
Subestimar requisitos técnicos. Varias conversaciones citan configuración, coste y temperatura/recursos como barreras prácticas; probar primero con escenarios pequeños.
Confiar en un dominio con el nombre. Usar únicamente los canales que el FAQ confirma como oficiales.

Seguridad y modelo de confianza

Una presentación aceptada por VulDB señala que la versión 0.1.2 exponía más de 50 endpoints REST sin autenticación o autorización, incluidos algunos destructivos. La fuente enlaza la incidencia #487; se trata de información de vulnerabilidad que debe verificarse contra la versión concreta y los cambios posteriores, pero basta para no exponer instancias heredadas a una red no confiable.

Como mínimo, una instancia debe permanecer detrás de red privada, proxy autenticado y controles de acceso; las claves deben ir en secretos fuera del repositorio y las fuentes cargadas deben tratarse como datos potencialmente sensibles. No deben ejecutarse funciones destructivas ni cargarse documentos privados sin conocer la política de acceso del despliegue.

El proyecto está en fase temprana —una ficha secundaria recuperó v0.1.0 y compatibilidad Windows todavía bajo prueba—; esta información puede haber quedado desactualizada, pero refuerza la necesidad de revisar issues, releases y configuración antes de cualquier uso compartido.

Cómo lo recibió la comunidad

Existe un subreddit no oficial dedicado a compartir escenarios, instalación y experimentos. Sus moderadores explicitan que no está afiliado al equipo de MiroFish y sugieren publicar objetivo, modelos, número de agentes, supuestos, coste y resultados fallidos junto con cualquier simulación.

Las conversaciones muestran curiosidad por usos en política, producto, opinión pública y trading, pero también dificultades con configuración, claves y evaluación de calidad. Una publicación en español afirma que una simulación política de Bolivia anticipó medidas posteriores; es un testimonio individual posterior al hecho y no prueba controlada de precisión.

La recepción externa incluye una crítica desde un proyecto derivado que cuestiona que los agentes LLM puedan justificar puntuaciones sin evidencia verificable. Debe leerse como una postura interesada del autor de otra herramienta, aunque es un recordatorio útil de no convertir una simulación en una fuente de verdad.

MiroFish frente a otras propuestas

Propuesta	Coincidencia verificable	Diferencia verificable
Simulación estadística tradicional	Ambas exploran escenarios y sensibilidades.	MiroFish representa agentes textuales con personas y memoria; no ofrece por ello una validación estadística automática.
Agente RAG de investigación	Ambos parten de documentos y recuperan contexto.	MiroFish usa ese contexto para configurar muchas interacciones simuladas y un informe de dinámica social.
`brain-in-the-fish`	Se inspira en MiroFish y trabaja sobre credibilidad de predicciones.	Es un proyecto de tercero que propone una capa de verificación diferente y critica el enfoque original.
`mirofish-cloud`	Facilita desplegar MiroFish.	Es un aprovisionador comunitario sobre infraestructura externa, no el proyecto núcleo.

Casos de uso y a quién puede ayudar este repositorio

Equipos de producto e investigación que quieran generar hipótesis sobre reacciones, actores y consecuencias antes de hacer investigación real.
Analistas de escenarios que necesiten explorar narrativas alternativas y documentar supuestos, no emitir pronósticos concluyentes.
Autores y diseñadores de mundos que quieran modelar interacciones entre personajes o grupos desde una base documental.
Investigadores de agentes que quieran experimentar con memoria, grafos y simulación social, registrando cuidadosamente sus condiciones.

No debe usarse como motor de decisiones financieras, políticas o de seguridad sin validación externa, análisis humano y métodos adecuados al dominio.

Recursos

Repositorio: https://github.com/666ghj/MiroFish
FAQ oficial: https://github.com/666ghj/MiroFish/issues/726
Demo estática: https://666ghj.github.io/mirofish-demo
Comunidad no oficial: https://www.reddit.com/r/MiroFish/
Despliegue comunitario: https://github.com/radishbuild/mirofish-cloud

Nota: este artículo combina el repositorio, FAQ oficial, fuentes comunitarias y una referencia de vulnerabilidad recuperados el 17 de agosto de 2026. Los resultados de una simulación son hipótesis condicionadas por sus datos y configuración; no equivalen a predicciones verificadas.