Künstliche Intelligenz entwickelt sich rasant, doch die meisten KI-Tools folgen immer noch einem bekannten Muster: Man gibt einem Modell eine Eingabeaufforderung, und es generiert eine Antwort.

In den letzten Jahren hat jedoch eine neue Kategorie von KI-Systemen Aufmerksamkeit erregt: **Multi-Agenten-Simulationen**, bei denen viele KI-Agenten in einer gemeinsamen digitalen Umgebung miteinander interagieren.

Anstatt dass ein einzelnes Modell versucht, eine Antwort vorherzusagen oder zu generieren, simulieren diese Systeme ganze Gruppen autonomer Agenten, die Informationen austauschen, Meinungen bilden und sich gegenseitig beeinflussen.

Eines der meistdiskutierten Projekte in diesem Bereich ist seit Kurzem **MiroFish**, eine Open-Source-Schwarmintelligenz-Engine, die entwickelt wurde, um reale Szenarien mit Tausenden von KI-Agenten zu simulieren. Das Projekt hat unter Entwicklern und KI-Enthusiasten schnell an Zugkraft gewonnen, da es ein ehrgeiziges Ziel verfolgt: die Schaffung einer digitalen Sandbox, in der komplexe Ereignisse – Finanzmärkte, Verschiebungen der öffentlichen Meinung, politische Reaktionen und sogar fiktive Erzählungen – simuliert werden können, bevor sie in der realen Welt geschehen.

Im Gegensatz zu traditionellen KI-Tools, die direkt Antworten generieren, baut MiroFish eine ganze **digitale Gesellschaft von KI-Agenten** auf. Jeder Agent verfügt über eigenes Gedächtnis, Persönlichkeitsmerkmale und eine Entscheidungslogik. Wenn ein neues Ereignis eingeführt wird – wie aktuelle Nachrichten, ein Politikvorschlag oder ein Finanzsignal –, beginnen die Agenten miteinander zu interagieren, auf die Informationen zu reagieren und sich gegenseitig im Verhalten zu beeinflussen.

Im Laufe der Zeit erzeugen ihre Interaktionen Muster, die dem ähneln, wie reale Personengruppen auf Ereignisse reagieren. Diese Muster können mögliche Ergebnisse, sich abzeichnende Narrative oder Stimmungsänderungen aufzeigen, was das System zu einer leistungsstarken Umgebung für Experimente und Prognosen macht.

Quelle: X

Was ist MiroFish?

Im Kern ist MiroFish eine **Schwarmintelligenz-Simulations-Engine**, die auf Multi-Agenten-Künstliche Intelligenz aufbaut.

Anstatt sich auf ein einzelnes KI-Modell zu verlassen, generiert die Plattform eine große Population autonomer Agenten, die in einer simulierten digitalen Umgebung existieren. Jeder dieser Agenten repräsentiert einen einzelnen Teilnehmer in einer virtuellen Gesellschaft.

Jeder Agent hat seine eigenen:

• Persönlichkeitsmerkmale
• Verhaltensregeln
• Langzeitgedächtnis
• soziale Beziehungen
• Entscheidungsprozesse

Wenn Agenten miteinander interagieren, tauschen sie Informationen aus, bilden Meinungen und reagieren auf Ereignisse. Dies erzeugt **emergentes Verhalten**, was bedeutet, dass sich großflächige Ergebnisse auf natürliche Weise aus vielen individuellen Interaktionen ergeben.

Das Konzept spiegelt reale menschliche Gesellschaften wider. In der realen Welt entstehen öffentliche Meinungen, Marktbewegungen und soziale Trends oft aus Millionen individueller Entscheidungen. Durch die digitale Simulation dieser Interaktionen versucht MiroFish zu modellieren, wie sich Ereignisse entwickeln könnten, bevor sie eintreten.

Einfach ausgedrückt, dient die Plattform als **digitale Sandbox zur Erkundung von „Was-wäre-wenn“-Szenarien**.

Die Vision: Ein Spiegel kollektiver Intelligenz

Die Vision hinter MiroFish ist es, das zu schaffen, was die Entwickler als einen **kollektiven Intelligenz-Spiegel der realen Welt** bezeichnen.

Traditionelle Vorhersagesysteme stützen sich oft stark auf historische Daten und statistische Modelle. Während diese Ansätze in stabilen Umgebungen gut funktionieren können, stoßen sie oft an Grenzen, wenn menschliches Verhalten unvorhersehbar wird.

Viele reale Ereignisse werden eher durch soziale Interaktionen als nur durch numerische Muster geformt.

Zum Beispiel:

• Finanzmärkte können aufgrund der Anlegerstimmung schwanken
• Social-Media-Trends können sich unvorhersehbar verbreiten
• öffentliche Reaktionen auf Politik können sich schnell ändern

MiroFish geht die Vorhersage anders an. Anstatt zu versuchen, die Zukunft direkt aus Daten zu berechnen, erschafft das System eine **digitale Umgebung, in der Individuen interagieren und sich gegenseitig beeinflussen**.

Die Idee ist, dass komplexe Ergebnisse auf natürliche Weise aus diesen Interaktionen entstehen können.

Indem beobachtet wird, wie simulierte Agenten auf Ereignisse reagieren, kann die Plattform Einblicke in potenzielle reale Ergebnisse liefern.

Von Seed-Daten zu einer digitalen Welt

Das Ausführen einer Simulation in MiroFish beginnt mit dem, was das System als **Seed-Material** bezeichnet.

Seed-Material sind die Informationen, die das zu simulierende Szenario definieren. Dies könnte beinhalten:

• aktuelle Nachrichtenartikel
• Finanzberichte
• Richtliniendokumente
• Forschungsarbeiten
• Social-Media-Diskussionen
• oder sogar fiktive Geschichten

Benutzer laden das Material hoch und beschreiben ihr Vorhersageziel in natürlicher Sprache.

Zum Beispiel könnte jemand das System bitten, zu simulieren:

• wie Märkte auf eine neue politische Ankündigung reagieren werden
• wie die Öffentlichkeit auf eine kontroverse Aussage reagieren wird
• wie sich eine Geschichte entwickeln könnte, wenn fehlende Kapitel vervollständigt würden

Mithilfe dieser Informationen konstruiert MiroFish eine digitale Umgebung, in der Agenten interagieren können.

Das System schafft im Wesentlichen eine **parallele digitale Welt**, in der das Szenario ablaufen kann.

MiroFish Workflow: Wie die Simulationspipeline funktioniert

Hinter den Kulissen folgt MiroFish einer strukturierten Pipeline, die reale Daten in eine dynamische Simulationsumgebung umwandelt. Jede Stufe bereitet die Informationen vor, die Agenten benötigen, um zu interagieren und aussagekräftige Ergebnisse zu erzielen.

1. Wissensgraphen-Konstruktion

Die erste Stufe extrahiert **Seed-Informationen aus realen Datenquellen**.

Diese Quellen können umfassen:

• aktuelle Nachrichtenereignisse
• Finanzberichte
• Richtlinienentwürfe
• Forschungsdokumente
• soziale Diskussionen

Das System erstellt dann einen **Wissensgraphen** unter Verwendung einer GraphRAG-Architektur. Dieser Graph organisiert Entitäten, Beziehungen und kontextbezogene Informationen, die die Agenten während der Simulation verwenden werden.

Zusätzlich zu strukturierten Daten werden sowohl **individuelle als auch Gruppen-Gedächtnisstrukturen** in die Simulation injiziert, damit die Agenten historischen Kontext behalten können.

2. Umgebungsgenerierung

Sobald der Wissensgraph erstellt ist, konstruiert die Plattform die Simulationsumgebung.

In dieser Phase führt das System mehrere Aufgaben aus:

• Entitäts- und Beziehungs-Extraktion
• Agenten-Persona-Generierung
• Konstruktion sozialer Netzwerke
• Konfiguration von Simulationsparametern

Agenten werden Identitäten, Hintergründe und Verhaltensregeln zugewiesen. Dies stellt sicher, dass die Interaktionen zwischen Agenten realen sozialen Dynamiken ähneln.

3. Parallele Simulationsausführung

Nachdem die Umgebung bereit ist, beginnt die Simulation.

Tausende von Agenten agieren gleichzeitig in der Umgebung, reagieren auf Ereignisse und interagieren miteinander. Die Plattform führt Simulationen über parallele Systeme aus, wodurch eine große Anzahl von Agenten gleichzeitig agieren kann.

In dieser Phase erledigt das System automatisch:

• interpretiert die Vorhersageanfrage
• simuliert soziale Interaktionen
• aktualisiert das zeitbasierte Gedächtnis jedes Agenten
• entwickelt die Umgebung dynamisch weiter

Das Ergebnis ist eine lebendige Simulation, in der sich Narrative, Meinungen und Verhaltensweisen im Laufe der Zeit entwickeln.

4. Berichtserstellung

Sobald die Simulation mehrere Zyklen durchlaufen hat, analysiert eine spezialisierte KI-Komponente namens **ReportAgent** die Ergebnisse.

ReportAgent hat Zugriff auf eine umfangreiche Suite von Analysetools und kann tiefgreifend mit der Simulationsumgebung interagieren. Es erstellt einen strukturierten Vorhersagebericht, der zusammenfasst:

• Schlüsselergebnisse
• aufkommende Trends
• Verhaltens-Insights
• mögliche Risiken

Dieser Bericht hilft Benutzern, zu interpretieren, was während der Simulation geschah, und potenzielle Auswirkungen in der realen Welt zu verstehen.

5. Tiefe Interaktion mit der Simulation

Eines der einzigartigen Merkmale von MiroFish ist, dass Benutzer **direkt mit der simulierten Welt interagieren** können.

Anstatt nur einen Vorhersagebericht zu lesen, können Benutzer:

• mit einzelnen Agenten sprechen
• Fragen zu ihren Entscheidungen stellen
• soziale Dynamiken innerhalb der Simulation erkunden

Benutzer können auch mit ReportAgent kommunizieren, um Folgefragen zu stellen oder eine tiefere Analyse anzufordern.

Diese interaktive Ebene macht die Simulationsumgebung wesentlich flexibler als herkömmliche Prognosetools.

Schnellstart: MiroFish lokal ausführen

Entwickler, die mit der Plattform experimentieren möchten, können MiroFish lokal entweder über eine **Quellcode-Bereitstellung** oder eine **Docker-Bereitstellung** installieren.

Systemanforderungen

Vor der Installation der Plattform benötigen Entwickler die folgenden Tools:

Zur Überprüfung der Installation:

node -v
python --version
uv --version

Schritt 1: Umgebungsvariablen konfigurieren

Kopieren Sie zuerst die Beispiel-Konfigurationsdatei.

cp .env.example .env

Bearbeiten Sie anschließend die Datei `.env` und fügen Sie die benötigten API-Schlüssel hinzu.

LLM API-Konfiguration

MiroFish unterstützt jede LLM API, die mit dem OpenAI SDK-Format kompatibel ist.

Beispielkonfiguration:

LLM_API_KEY=your_api_key
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus

Die Dokumentation empfiehlt die Verwendung des **Qwen-Modells** von Alibabas Bailian-Plattform.

Da große Simulationen erhebliche Rechenressourcen verbrauchen können, wird empfohlen, mit Simulationen von weniger als 40 Runden zu beginnen.

Speichersystem-Konfiguration

MiroFish verwendet Zep Cloud, um das Langzeitgedächtnis für Agenten zu verwalten.

Beispielkonfiguration:

ZEP_API_KEY=your_zep_api_key

Der kostenlose Tarif von Zep Cloud ist in der Regel für kleinere Experimente ausreichend.

Schritt 2: Abhängigkeiten installieren

Entwickler können alle erforderlichen Abhängigkeiten mit einem einzigen Befehl installieren:

npm run setup:all

Alternativ kann die Installation Schritt für Schritt erfolgen.

Node-Abhängigkeiten installieren:

npm run setup

Python-Backend-Abhängigkeiten installieren:

npm run setup:backend

Dieser Befehl erstellt automatisch die erforderliche virtuelle Python-Umgebung.

Schritt 3: Die Plattform starten

Nach der Installation können Entwickler sowohl den Frontend- als auch den Backend-Dienst mit einem einzigen Befehl starten.

npm run dev

Nach dem Start sind die Dienste verfügbar unter:

Frontend-Oberfläche:

<http://localhost:3000>

Backend-API:

<http://localhost:5001>

Entwickler können die Dienste bei Bedarf auch separat starten.

Nur das Backend starten:

npm run backend

Nur das Frontend starten:

npm run frontend

Docker-Bereitstellung

Für Teams, die containerisierte Umgebungen bevorzugen, unterstützt MiroFish auch die Docker-Bereitstellung.

Konfigurieren Sie zuerst die Umgebungsvariablen wie zuvor beschrieben.

cp .env.example .env

Starten Sie dann die Container mit Docker Compose.

docker compose up -d

Standardmäßig ordnet die Plattform die folgenden Ports zu:

• **3000** für die Frontend-Oberfläche
• **5001** für die Backend-API

Die Docker-Konfigurationsdatei enthält auch auskommentierte Spiegelquellen, die bei Bedarf verwendet werden können, um das Herunterladen von Container-Images zu beschleunigen.

Abschließende Gedanken

Obwohl noch in einem frühen Entwicklungsstadium, deuten Schwarmintelligenz-Plattformen auf eine Zukunft hin, in der KI-Systeme komplexe soziale Umgebungen simulieren können. Stellen Sie sich vor, Sie könnten Richtlinien testen, bevor Sie sie umsetzen, Marktreaktionen vor Finanzankündigungen erkunden oder untersuchen, wie sich Informationen in sozialen Netzwerken verbreiten könnten. Solche Tools könnten zu leistungsstarken Entscheidungsunterstützungssystemen für Unternehmen, Regierungen und Forscher werden. Natürlich kann keine Simulation die Komplexität des realen menschlichen Verhaltens perfekt erfassen. Unerwartete Ereignisse und kulturelle Nuancen können die Ergebnisse immer beeinflussen.

Aber Plattformen wie MiroFish zeigen, wie sich KI schließlich über das Beantworten von Fragen hinaus entwickeln und ganze Gesellschaften modellieren könnte. Was als experimentelles Open-Source-Projekt begann, hat bereits eine bedeutende Diskussion unter Entwicklern und Forschern ausgelöst. Und wenn die Multi-Agenten-Simulation weiter voranschreitet, könnten Tools wie MiroFish einen frühen Schritt zu einer neuen Generation prädiktiver Technologien darstellen – solche, die in der Lage sind, die Zukunft in einer digitalen Welt zu erkunden, bevor sie sich in der Realität entfaltet.