2026年Agent专题报告：MiroFish实测，多智能体宏观与行业趋势推演

MiroFish 是什么？

当下随着 AI Agent 能力的指数级提升，智能体技术正从单一任务执行向复 杂系统协作演进，成为推动 AI 向生产力主体跃迁的关键工程。多 Agent 协同成 为重要的探索方向。从简单的对话助手到如今自主决策的数字化参与者，Agent 技 术正在重塑各行各业的工作范式，尤其在需要处理非结构化信息、模拟复杂决策场 景的领域中展现出独特价值。未来我们将开启系列报告，系统探索 AI Agent 技术 在量化金融投研领域的创新应用与工程实践。本报告我们将首先探索多智能体项 目：MiroFish。 MiroFish 是一个开源 AI 预测引擎，定位为“简洁通用的群体智能引擎”。项 目发布于 2025 年 12 月，于 2026 年 3 月登顶 GitHub 全球趋势榜榜首。与传统 基于统计回归的预测工具不同，MiroFish 的核心创新在于通过构建高保真平行数 字世界来推演未来。系统能够从用户上传的“种子材料”（如突发新闻、政策草案、 金融信号、文学文本或数据分析报告）中提取关键信息，自动生大量具备独立人格、 长期记忆与行为逻辑的 AI 智能体。这些智能体在虚拟环境中自由交互、社会演化， 通过群体涌现效应生成预测结果。

1.1 MiroFish 机制简介

MiroFish 的技术架构深度融合了时序 GraphRAG（图检索增强生成）技术、 多智能体系统（Multi-Agent System, MAS）以及 OASIS 仿真引擎。系统支持严 肃的商业决策预演（如政策评估、金融投资推演、舆情危机模拟）与创意仿真。

图谱构建过程中，LLM 根据输入的“种子材料”自动分析文档，提取实体类 型（Entity Types）与关系类型（Edge Types），并构建对应知识图谱，同时为每 个实体节点注入个体记忆（个人经历）与群体记忆（社会背景），形成可演化的数 字社会基础架构。其核心依赖的时序知识图谱与长期记忆服务，由 Zep Cloud 提 供。Zep Cloud 是一个为 AI Agent 设计的长期记忆服务，区别于传统向量数据 库，它专门优化了时序关系记忆，使 AI 能够像人类一样记住“谁在什么时间做了 什么”，并随时间更新关系。

环境搭建过程中，MiroFish 将知识图谱中的 Person 节点转化为具备完整人 格的 Agent，Organization 节点转化为“大发言人”拟人化实体。每个 Agent 配 置包含：年龄、性别、MBTI、职业、国籍、活动频率、情感倾向、立场（支持/反 对/中立）、影响力权重，同时包含基于“种子材料”生成的认知背景。MiroFish 还 将配置 Agent 自动生成 OASIS 仿真规则（互动频率、话题敏感度、平台特性参 数）。

仿真执行过程中，MiroFish 启动模拟的 X 与 Reddit 两个社交平台并行仿真， 通过 zep_graph_memory_updater.py，Agent 行为实时转化为自然语言描述回 写至 Zep 图谱，实现关系动态更新（如信任度衰减、立场转变）。 报告生成过程中，MiroFish 采用 ReACT（Reasoning & Acting）范式，主 动调用工具集而非被动生成文本。工具集构成包括： 1） insight_forge：深度洞察提取； 2） panorama_search：跨平台全景检索 3） interview_agents：智能体访谈（查询决策动机） 报告生成将整合 Twitter+Reddit 双平台数据，识别舆论极化、级联传播、相 变临界点、意见领袖涌现等复杂网络特征。最终输出结构化 Markdown 报告，包 含事件脉络、关键时间节点、风险预警、策略建议等模块。

1.2 MiroFish 工作流程

我们通过模拟黄金 2026 年走势分析的案例来探索 MiroFish 的工作流程。 MiroFish 开启后会要求用户传入现实“种子文件”和模拟提示词。

“种子材料”作为模拟的设定信息起到条件约束和框架设定的作用。我们通过 Claude Opus4.6 模型生成一个描述黄金市场现状和核心影响因素的“种子文件”， 以及对应的模拟提示词。“种子文件”包含 7209 字，涵盖了黄金的八项材料总结， 包括黄金的驱动框架、历史表现特点、2026 年关键事件、机构观点等因素。模拟 提示词则给出需要讨论的议题和需要预测的问题。

开始模拟后，模型会首先根据材料生成实体与实体间关系。实体部分包含了政 府部门、金融专家、金融机构、军事组织、国际组织、关键人物等，实体间关系包 含了工作关系、汇报关系、公开支持/反对关系、监管关系、合作关系、行动关系 等。

然后模型会结合上下文，自动调用工具从知识图谱梳理实体与关系，初始化模 拟个体 Agent，并基于现实种子赋予他们独特的行为与记忆。案例中模型生成了 60 个 Agent 人设，包括其基本信息、人设简介、关联话题、人设背景等，其中基 本信息的设置为随机生成与现实和“种子文件”未必相符。

Agent 生成好后模型将利用其进行信息广场（X）和话题社区（Reddit）的 互动模拟。案例中 Agent 进行了 72 轮的互动，包括发表观点，喜欢/不喜欢某观 点，回复观点，关注点赞等。

最终通过工具的调用，模型将生成最终的预测报告。报告的模型输出核心结论： 虽然 2026 年一季度的金价飙升在表象上与 1979 年的地缘驱动如出一辙，但其见 顶后的演化路径将截然不同。在债务高企、美联储受制以及全球去美元化加速的宏 观底色下，黄金已完成从“抗通胀工具”向“主权信用对冲工具”的蜕变。其后续 走势将以宽幅震荡代替深幅回调，在新的信用定价体系中寻找更高的历史中枢。

生成报告后 MiroFish 还提供与报告或者其中的个体 Agent 进行对话以及发 送问卷调查的功能。在与报告 Agent 的对话中可以进行深度归因、全景跟踪、快 速检索、虚拟访谈。在与个体 Agent 对话中可以深度了解不同立场个体的驱动因 素和对问题的看法。

MiroFish 的一大约束在于其极度依赖“种子文件”的信息。如果“种子文件” 有事实错误，其会不断放大错误的影响，同时如果有“种子文件”缺失的信息，其 也无法通过现实搜索进行信息的证实和补充。总体来说模型为封闭环境模拟。比如 案例中我们指出事实与其预测的误差，其更倾向于坚持“种子文件”信息推导出的 观点。

但通过在与报告 Agent 对话中补充现实世界信息，其可以依据信息重新推断。 案例中我们补充了更多的事实信息后，模型可以进行修正后的进一步推断。虽然最 终其对黄金的长期观点不变，但也给出了短期事实与预测背离的原因解释。

同时报告 Agent 还可以对未来假设进行分析推演。我们在案例中追问如若美 联储采取沃尔克式加息应对通胀下的情景推演。其分析整体逻辑清晰详实，可以作 为逻辑链条补充和查漏工具。

同样的“种子文件”和问题我们调用了 Kimi K2.5 进行了回答，并用 ChatGPT 进行评价与打分。从结果来看 MiroFish 的报告并未显著优于联网 LLM 的直接回 答。整体来看 MiroFish 的报告强在叙事性——在历史对比深度、政策分析深度、 宏观研究深度上更强，但由于其封闭的演化环境导致其容易放大部分假设，并且更 为谨慎给出明确的判断，而联网 LLM 更愿意直接给出判断。