使用Docker Compose一键部署MiroFish：打造你的AI预测与数字沙盘系统

今天我们来探讨一个近期在GitHub上颇为热门的AI项目：MiroFish。初次见到这个名字时，一种奇特的联想涌上心头——难道我们NAS社区也迎来了自己的“库洛·里德”，拥有了能够预知未来的数字占卜师？这个项目的核心理念在于，它将新闻动态、舆论风向、社会关系与各类事件统统纳入一个复杂的系统中，驱使一群自主的智能体（Agent）进行推演与分析，最终生成一份形似“未来预言”的结果报告。

实际上，同期我也尝试过另一个侧重于舆情监控方向的项目，但实际体验下来，其信息更新往往存在明显的滞后性。相比之下，MiroFish这种带有“电子预言家”特质，致力于模拟与推演的项目，反而显得更具新意与探索价值。当下正值人工智能浪潮汹涌之际，本文便顺势为大家分享如何动手部署这一有趣的MiroFish系统。

项目概述

项目的完整名称是 666ghj/MiroFish，以下内容提炼自其官方页面介绍：

MiroFish是一款基于多智能体技术构建的新一代AI预测引擎。它通过提取现实世界中的种子信息（例如突发新闻、政策草案、金融信号等），自动构建出一个高保真度的平行数字世界。在这个虚拟空间内，成千上万个拥有独立人格、长期记忆与行为逻辑的智能体进行自由交互与社会演化。使用者可以透过“上帝视角”动态注入变量，从而精准推演事件未来的可能走向——让未来在数字沙盘中预先上演，助力决策在百般模拟后赢得先机。

• 您只需：上传初始材料（可以是数据分析报告，也可以是引人入胜的小说故事），并用自然语言描述您的预测需求。
• MiroFish将返回：一份详尽的预测分析报告，以及一个可供深度交互的高保真数字世界。

设计愿景

MiroFish致力于打造一个能够映射现实的群体智能镜像，通过捕捉个体互动所引发的群体涌现现象，旨在突破传统预测方法的局限：

• 宏观层面：它旨在成为决策者的预演实验室，让政策制定与公关策略能够在零风险的环境中进行试错与优化。
• 微观层面：它试图成为个人用户的创意沙盘，无论是推演小说情节的多种结局，还是探索天马行空的脑洞设想，都能变得有趣、好玩且触手可及。

从严肃的商业政治预测到轻松的个人趣味仿真，MiroFish的目标是让每一个“如果”都能被看见结果，让预测万物成为可能。

Docker Compose部署指南

以下以威联通（QNAP）NAS为例，演示通过Docker Compose部署MiroFish的完整流程。部署代码的核心部分如下所示，所需的环境变量将在后续列出，您可以根据自身情况将其直接补充进部署代码中，或选择创建独立的.env环境变量文件进行调用。

services:
  mirofish:
    image: ghcr.io/666ghj/mirofish:latest
    # 若拉取缓慢，可尝试使用下方加速镜像地址
    # image: ghcr.nju.edu.cn/666ghj/mirofish:latest
    container_name: mirofish
    # 请将实际路径更改为您NAS上的有效目录
    env_file:
      - /share/Container/mirofish/.env
    ports:
      - "3003:3000" # 端口号可能冲突，请按需修改
      - "5001:5001"
    restart: always
    volumes:
      - /share/Container/mirofish/backend/uploads:/app/backend/uploads # 请修改为您的NAS实际映射目录

接下来是关键的环境变量配置，请将其保存至上述env_file指定的路径（例如/share/Container/mirofish/.env）中：

# LLM API配置（支持任何符合OpenAI SDK格式的LLM API）
# 推荐使用阿里百炼平台的qwen-plus等模型
# 请注意，完整推演消耗较大，建议先进行少于40轮的模拟尝试
LLM_API_KEY=sk-xxxxxx
LLM_BASE_URL=https://api.siliconflow.cn/v1/
LLM_MODEL_NAME=Pro/zai-org/GLM-5

# ===== ZEP记忆图谱配置 =====
# 其每月免费额度足以支撑简单使用，注册地址：https://app.getzep.com/
ZEP_API_KEY=your_zep_api_key_here

# ===== 加速LLM配置（可选） =====
# 注意：如果不使用此加速功能，请确保.env文件中不出现以下配置项
LLM_BOOST_API_KEY=your_api_key_here
LLM_BOOST_BASE_URL=your_base_url_here
LLM_BOOST_MODEL_NAME=your_model_name_here

关于第一部分的大模型API配置，相信经过多期AI项目部署实践的读者已经非常熟悉，此处不再赘述。

重点在于ZEP记忆图谱的配置。请访问ZEP官网，注册并登录账户后，点击顶部导航栏创建（Create）一个新项目。

在弹出的界面中，填写您的项目名称与简要描述。

项目创建后，系统会提示您创建API密钥。为这个密钥命名以便管理。

随后，关键的API密钥将会显示。请务必立即复制并妥善保存，因为此密钥仅在此刻显示一次。之后，将其粘贴到上述.env文件的ZEP_API_KEY=项中。

完成所有配置后，打开威联通NAS的Container Station，选择“创建应用程序”，将上述Docker Compose配置代码粘贴至编辑区。需要提醒的是，MiroFish的镜像体积较大（约8.27GB），首次拉取需要耐心等待一段时间。

系统访问与初步使用

部署成功并容器启动后，您可以在浏览器中输入 您的NAS_IP地址:3003 来访问MiroFish的Web服务界面。

至于具体要用它来推演什么内容——是分析某行业趋势，还是构想一个故事的不同分支——这就完全取决于您的创意和需求了。

以下是来自项目官方演示的静态示例。需要了解的是，一次完整的多轮次模拟推演过程会消耗相当的计算资源与时间。

推演结束后，系统支持生成结构化的分析报告，预测结果并可能给出相应的行动建议。

结语

总而言之，MiroFish是一个构思巧妙且极具趣味性的项目。它最终能为我们释放出多大的价值，很大程度上取决于使用者如何驾驭它。毕竟，任何人工智能工具的强大与否、能发挥到何种境地，不仅关乎工具本身的设计与能力，更在于运用它的头脑与想象力。希望本文的部署指南能帮助您顺利开启这段数字沙盘推演之旅。