MiroFish实测：多智能体宏观与行业趋势推演 | 国联民生金工

国联民生叶尔乐 2026-06-30 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 3 /5

核心内容

介绍MiroFish多智能体预测引擎的工作流与技术架构，并通过黄金走势预测案例及四大金融场景（产业政策、资产配置、地缘冲突、科技路径）测试评估其实际应用价值与局限性。

经济逻辑

通过构建高保真的数字孪生社会，模拟不同利益相关者（Agent）在虚拟社交平台（X与Reddit）中的群体交互与演化，利用群体涌现效应和复杂网络特征（如舆论极化、意见领袖涌现）生成对未来宏观趋势和行业发展的逻辑推演。

超额收益逻辑

不适用。作为推演工具，其价值在于通过多视角模拟提供逻辑闭环和查漏补缺，辅助研究人员进行政策影响推演、技术路线排查及假设情景测试，而非直接产生量化超额收益。

构造细节 [model]

模型架构

MiroFish架构由五个核心模块组成：1) 图谱构建引擎（基于时序GraphRAG和Zep Cloud，提取实体与关系并注入记忆）；2) 智能体工厂（将Person节点转化为含年龄、MBTI、立场等属性的Agent，Organization转为大发言人）；3) 双轨仿真环境（模拟X与Reddit平台并行演化，通过zep_graph_memory_updater.py更新关系）；4) 涌现检测器（捕捉群体行为模式、极化、相变临界点等）；5) 报告生成引擎（ReACT范式调用insight_forge、panorama_search、interview_agents工具集生成结构化Markdown报告）。

输入

种子文件（如黄金走势分析材料，含驱动框架、历史表现等）模拟提示词（指定讨论议题和预测问题）Agent人设配置（基本信息、人设背景、关联话题）

输出

包含事件脉络、关键时间节点、风险预警、策略建议的结构化Markdown预测报告，以及支持对话访谈的交互接口

训练

无模型训练过程，基于Prompt工程与图谱构建技术直接驱动大模型推理与仿真

数据输入

: (不定期)

组合方式

双轨仿真环境（模拟X与Reddit社交平台）并行推演，Agent行为实时回写至Zep图谱更新关系，最终采用ReACT范式调用工具集生成报告

绩效

未显著超越联网LLM

预测精确性

优于联网LLM

叙事性与逻辑深度

基准: Kimi K2.5联网LLM

MiroFish在知识图谱构建与多维度叙事能力上表现优秀，生成报告逻辑深度更高。但在预测精确性上未显著超越Kimi K2.5等联网LLM。基模型对比中，Claude Opus 4.6在因果推演、结构化分析方面表现更优，而Qwen 3.5-plus在数据密度与结论具象化上更具优势。系统极度依赖种子文件准确性，存在封闭环境局限。

收益归因

本文为AI多智能体预测引擎MiroFish的工具测评与应用探索，未涉及量化策略的收益归因分析。

缺口: 不适用

稳健性

子样本稳定性: 极度依赖种子文件的准确性与完整性，若输入有误会持续放大错误认知形成群体幻觉，且无法自主检索外部信息修正

风格偏差: 偏向于提供宏观叙事和逻辑推演，在具体数值预测上较为谨慎，不愿直接给出明确判断

系统在封闭环境下运行，鲁棒性受限于种子文件质量、Token成本导致的大规模深度交互限制，以及智能体涌现行为的随机性。

数据依赖

所需数据: 高质量的文本类种子材料（涵盖行业框架、关键事件、机构观点等）

可复现性: medium

依赖开源MiroFish引擎、Zep Cloud时序记忆服务及底层大模型，种子材料的生成和设定具有主观性，仿真过程含涌现随机性，但核心流程可复现。

新颖性评估 [新方法]

将时序GraphRAG、多智能体系统与OASIS仿真引擎结合，把知识图谱实体转化为数字孪生Agent进行双轨社交平台推演，提供了一种新颖的宏观趋势群体涌现预测工作流。

不足与缺陷

封闭模拟环境无法自主检索外部信息验证种子文件准确性，易放大偏差形成事实错误的群体幻觉
受限于Token成本，难以实现大规模深度交互，Agent细节无法达到真正的数字孪生精细度
预测精确性未显著超越联网LLM，且在具体数值预测上过于谨慎，不适合高精度预测终端

可复用元素

通过时序GraphRAG构建知识图谱并注入个体/群体记忆的架构设计
基于种子材料自动生成多维度Agent人设（含年龄、MBTI、立场等）的流水线
双轨仿真环境（X+Reddit）结合涌现检测器与ReACT报告生成工具集的端到端自动化流程

启发

多智能体仿真可用于宏观研究的逻辑推演与沙盒测试，提供多元视角模拟
在投资决策中，可结合传统量化模型与多智能体推演交叉验证，查漏补缺
多智能体系统适用于排查产业链技术路线与价值链中的各种可能性，辅助政策影响分析

改进方向

引入实时数据检索增强生成（Real-time RAG）机制，允许Agent在仿真过程中动态接入最新行情与新闻，修正认知偏差

基于: MiroFish封闭模拟环境导致群体幻觉与无法修正事实错误的缺陷预期收益: 解决系统无法验证种子文件准确性的问题，提升预测的实时性与精确性，使其从纯沙盒推演向高精度预测终端演进

复现计划

1. 获取MiroFish开源代码及依赖（Zep Cloud API、OASIS引擎）；2. 选定基模型（如Claude Opus 4.6或Qwen 3.5-plus）；3. 准备特定金融场景的种子材料与模拟提示词；4. 运行图谱构建与Agent初始化流程；5. 启动双轨仿真至指定轮次；6. 调用报告生成工具集输出预测报告；7. 与联网LLM基线进行多维度对比评估。

实体

MiroFish [model]Zep Cloud [model]OASIS [model]Claude Opus 4.6 [model]Qwen 3.5-plus [model]Kimi K2.5 [model]GraphRAG [method]多智能体系统 [concept]叶尔乐 [person]

查看原文 → 模型: glm-5-2-260617 分析时间: 2026-07-13

LOCAL SIMILARITY