L'intelligence artificielle évolue rapidement, mais la plupart des outils d'IA suivent toujours un schéma familier : vous donnez une requête à un modèle, et il génère une réponse.

Cependant, au cours des dernières années, une nouvelle catégorie de systèmes d'IA a commencé à attirer l'attention : les simulations multi-agents, où de nombreux agents d'IA interagissent les uns avec les autres au sein d'un environnement numérique partagé.

Au lieu d'un seul modèle essayant de prédire ou de générer une réponse, ces systèmes simulent des groupes entiers d'agents autonomes qui échangent des informations, forment des opinions et s'influencent mutuellement.

L'un des projets les plus discutés dans ce domaine récemment est MiroFish, un moteur d'intelligence en essaim open source conçu pour simuler des scénarios réels en utilisant des milliers d'agents d'IA. Le projet a rapidement gagné en popularité auprès des développeurs et des passionnés d'IA en raison de son objectif ambitieux : créer un bac à sable numérique où des événements complexes — marchés financiers, changements d'opinion publique, réactions politiques et même récits fictifs — peuvent être simulés avant qu'ils ne se produisent dans le monde réel.

Contrairement aux outils d'IA traditionnels qui génèrent des réponses directement, MiroFish construit une société numérique entière d'agents d'IA. Chaque agent possède sa propre mémoire, ses traits de personnalité et sa logique de prise de décision. Lorsqu'un nouvel événement est introduit — comme une nouvelle de dernière minute, une proposition de politique ou un signal financier — les agents commencent à interagir les uns avec les autres, réagissant à l'information et s'influençant mutuellement.

Au fil du temps, leurs interactions créent des schémas qui ressemblent à la façon dont de vrais groupes de personnes réagissent aux événements. Ces schémas peuvent révéler des résultats possibles, des récits émergents ou des changements de sentiment, faisant du système un environnement puissant pour l'expérimentation et la prévision.

Source : X

Qu'est-ce que MiroFish ?

À la base, MiroFish est un moteur de simulation d'intelligence en essaim construit autour de l'intelligence artificielle multi-agents.

Au lieu de s'appuyer sur un seul modèle d'IA, la plateforme génère une grande population d'agents autonomes qui existent au sein d'un environnement numérique simulé. Chacun de ces agents représente un participant individuel dans une société virtuelle.

Chaque agent a ses propres :

• traits de personnalité
• règles comportementales
• mémoire à long terme
• relations sociales
• processus de prise de décision

Lorsque les agents interagissent les uns avec les autres, ils échangent des informations, forment des opinions et réagissent aux événements. Cela crée un comportement émergent, ce qui signifie que des résultats à grande échelle découlent naturellement de nombreuses interactions individuelles.

Le concept reflète les sociétés humaines réelles. Dans le monde réel, l'opinion publique, les mouvements du marché et les tendances sociales émergent souvent de millions de décisions individuelles. En simulant ces interactions numériquement, MiroFish tente de modéliser comment les événements pourraient se dérouler avant qu'ils ne se produisent.

En termes simples, la plateforme agit comme un bac à sable numérique pour explorer des scénarios "que se passerait-il si".

La Vision : Un Miroir de l'Intelligence Collective

La vision derrière MiroFish est de créer ce que les développeurs décrivent comme un miroir de l'intelligence collective du monde réel.

Les systèmes prédictifs traditionnels s'appuient souvent fortement sur des données historiques et des modèles statistiques. Bien que ces approches puissent bien fonctionner dans des environnements stables, elles rencontrent souvent des difficultés lorsque le comportement humain devient imprévisible.

De nombreux événements du monde réel sont façonnés par des interactions sociales plutôt que par des modèles numériques seuls.

Par exemple :

• les marchés financiers peuvent fluctuer en raison du sentiment des investisseurs
• les tendances des médias sociaux peuvent se propager de manière imprévisible
• les réactions du public aux politiques peuvent changer rapidement

MiroFish aborde la prédiction différemment. Au lieu d'essayer de calculer l'avenir directement à partir des données, le système recrée un environnement numérique où les individus interagissent et s'influencent mutuellement.

L'idée est que des résultats complexes peuvent émerger naturellement de ces interactions.

En observant comment les agents simulés réagissent aux événements, la plateforme peut générer des informations sur les résultats potentiels du monde réel.

Des Données Initiales à un Monde Numérique

Lancer une simulation dans MiroFish commence par ce que le système appelle le matériel initial.

Le matériel initial est l'information qui définit le scénario à simuler. Cela pourrait inclure :

• des articles de presse de dernière minute
• des rapports financiers
• des projets de politique
• des documents de recherche
• des discussions sur les médias sociaux
• ou même des histoires fictives

Les utilisateurs téléchargent le matériel et décrivent leur objectif de prédiction en utilisant le langage naturel.

Par exemple, quelqu'un pourrait demander au système de simuler :

• comment les marchés réagiront à une nouvelle annonce politique
• comment le public répondra à une déclaration controversée
• comment une histoire pourrait se dérouler si des chapitres manquants étaient complétés

En utilisant ces informations, MiroFish construit un environnement numérique où les agents peuvent commencer à interagir.

Le système crée essentiellement un monde numérique parallèle où le scénario peut se dérouler.

Flux de Travail MiroFish : Comment Fonctionne le Pipeline de Simulation

En coulisses, MiroFish suit un pipeline structuré qui transforme les données du monde réel en un environnement de simulation dynamique. Chaque étape prépare les informations nécessaires pour que les agents interagissent et produisent des résultats significatifs.

1. Construction du Graphe de Connaissances

La première étape extrait les informations initiales des sources de données du monde réel.

Ces sources peuvent inclure :

• des nouvelles de dernière minute
• des rapports financiers
• des projets de politique
• des documents de recherche
• des discussions sociales

Le système construit ensuite un graphe de connaissances en utilisant une architecture GraphRAG. Ce graphe organise les entités, les relations et les informations contextuelles que les agents utiliseront pendant la simulation.

En plus des données structurées, des structures de mémoire individuelles et de groupe sont injectées dans la simulation afin que les agents puissent conserver le contexte historique.

2. Génération de l'Environnement

Une fois le graphe de connaissances construit, la plateforme construit l'environnement de simulation.

Au cours de cette étape, le système effectue plusieurs tâches :

• extraction d'entités et de relations
• génération de la personnalité des agents
• construction de réseaux sociaux
• configuration des paramètres de simulation

Des identités, des antécédents et des règles comportementales sont attribués aux agents. Cela garantit que les interactions entre les agents ressemblent à des dynamiques sociales réelles.

3. Exécution de la Simulation Parallèle

Une fois l'environnement prêt, la simulation commence.

Des milliers d'agents opèrent simultanément dans l'environnement, réagissant aux événements et interagissant les uns avec les autres. La plateforme exécute des simulations sur des systèmes parallèles, permettant à un grand nombre d'agents d'opérer en même temps.

Au cours de cette phase, le système automatiquement :

• interprète la demande de prédiction
• simule les interactions sociales
• met à jour la mémoire temporelle de chaque agent
• fait évoluer l'environnement dynamiquement

Le résultat est une simulation vivante où les récits, les opinions et les comportements évoluent au fil du temps.

4. Génération de Rapports

Une fois que la simulation a progressé sur plusieurs cycles, un composant d'IA spécialisé appelé ReportAgent analyse les résultats.

ReportAgent a accès à un riche ensemble d'outils analytiques et peut interagir en profondeur avec l'environnement de simulation. Il génère un rapport de prédiction structuré qui résume :

• les résultats clés
• les tendances émergentes
• les informations comportementales
• les risques possibles

Ce rapport aide les utilisateurs à interpréter ce qui s'est passé pendant la simulation et à comprendre les implications potentielles dans le monde réel.

5. Interaction Profonde avec la Simulation

L'une des caractéristiques uniques de MiroFish est que les utilisateurs peuvent interagir directement avec le monde simulé.

Au lieu de simplement lire un rapport de prédiction, les utilisateurs peuvent :

• parler avec des agents individuels
• poser des questions sur leurs décisions
• explorer les dynamiques sociales au sein de la simulation

Les utilisateurs peuvent également communiquer avec ReportAgent pour poser des questions de suivi ou demander une analyse plus approfondie.

Cette couche interactive rend l'environnement de simulation beaucoup plus flexible que les outils de prévision traditionnels.

Démarrage Rapide : Exécuter MiroFish Localement

Les développeurs qui souhaitent expérimenter avec la plateforme peuvent déployer MiroFish localement en utilisant le déploiement à partir de la source ou le déploiement Docker.

Configuration Système Requise

Avant d'installer la plateforme, les développeurs ont besoin des outils suivants installés :

Pour vérifier l'installation :

node -v
python --version
uv --version

Étape 1 : Configurer les Variables d'Environnement

Tout d'abord, copiez le fichier de configuration d'exemple.

cp .env.example .env

Ensuite, modifiez le fichier .env et ajoutez les clés API requises.

Configuration de l'API LLM

MiroFish prend en charge toute API LLM compatible avec le format du SDK OpenAI.

Exemple de configuration :

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

La documentation recommande d'utiliser le modèle Qwen de la plateforme Bailian d'Alibaba.

Étant donné que les grandes simulations peuvent consommer des ressources de calcul importantes, il est recommandé de commencer par des simulations de moins de 40 tours.

Configuration du Système de Mémoire

MiroFish utilise Zep Cloud pour gérer la mémoire à long terme des agents.

Exemple de configuration :

ZEP_API_KEY=votre_clé_api_zep

Le niveau gratuit de Zep Cloud est généralement suffisant pour des expériences plus petites.

Étape 2 : Installer les Dépendances

Les développeurs peuvent installer toutes les dépendances requises avec une seule commande :

npm run setup:all

Alternativement, l'installation peut être effectuée étape par étape.

Installer les dépendances Node :

npm run setup

Installer les dépendances du backend Python :

npm run setup:backend

Cette commande crée automatiquement l'environnement virtuel Python requis.

Étape 3 : Lancer la Plateforme

Après l'installation, les développeurs peuvent démarrer les services frontal et dorsal avec une seule commande.

npm run dev

Une fois en cours d'exécution, les services sont disponibles à l'adresse :

Interface frontale :

<http://localhost:3000>

API dorsale :

<http://localhost:5001>

Les développeurs peuvent également démarrer les services séparément si nécessaire.

Démarrer uniquement le backend :

npm run backend

Démarrer uniquement le frontend :

npm run frontend

Déploiement Docker

Pour les équipes qui préfèrent les environnements conteneurisés, MiroFish prend également en charge le déploiement Docker.

Configurez d'abord les variables d'environnement comme décrit précédemment.

cp .env.example .env

Ensuite, démarrez les conteneurs à l'aide de Docker Compose.

docker compose up -d

Par défaut, la plateforme mappe les ports suivants :

• 3000 pour l'interface frontale
• 5001 pour l'API dorsale

Le fichier de configuration Docker inclut également des sources de miroir commentées qui peuvent être utilisées pour accélérer les téléchargements d'images de conteneurs si nécessaire.

Réflexions Finales

Bien qu'encore jeunes dans leur développement, les plateformes d'intelligence en essaim laissent entrevoir un avenir où les systèmes d'IA pourront simuler des environnements sociaux complexes. Imaginez pouvoir tester des politiques avant de les mettre en œuvre, explorer les réactions du marché avant des annonces financières, ou examiner comment l'information pourrait se propager à travers les réseaux sociaux. De tels outils pourraient devenir de puissants systèmes d'aide à la décision pour les entreprises, les gouvernements et les chercheurs. Bien sûr, aucune simulation ne peut parfaitement saisir la complexité du comportement humain réel. Des événements inattendus et des nuances culturelles peuvent toujours influencer les résultats.

Mais des plateformes comme MiroFish montrent comment l'IA pourrait éventuellement évoluer au-delà de la simple réponse aux questions et commencer à modéliser des sociétés entières. Ce qui a commencé comme un projet open source expérimental a déjà suscité d'importantes discussions parmi les développeurs et les chercheurs. Et si la simulation multi-agents continue de progresser, des outils comme MiroFish pourraient représenter une première étape vers une nouvelle génération de technologies prédictives, capables d'explorer l'avenir dans un monde numérique avant qu'il ne se déroule dans la réalité.