Kecerdasan buatan berkembang pesat, tetapi sebagian besar alat AI masih mengikuti pola yang akrab: Anda memberikan perintah kepada model, dan ia menghasilkan respons.

Namun, selama beberapa tahun terakhir, kategori baru sistem AI mulai menarik perhatian — simulasi multi-agen, di mana banyak agen AI berinteraksi satu sama lain di dalam lingkungan digital bersama.

Alih-alih satu model yang mencoba memprediksi atau menghasilkan jawaban, sistem ini mensimulasikan seluruh kelompok agen otonom yang bertukar informasi, membentuk opini, dan saling memengaruhi.

Salah satu proyek yang paling banyak dibicarakan di bidang ini baru-baru ini adalah MiroFish, sebuah mesin kecerdasan kelompok (swarm intelligence) sumber terbuka yang dirancang untuk mensimulasikan skenario dunia nyata menggunakan ribuan agen AI. Proyek ini dengan cepat mendapatkan daya tarik di kalangan pengembang dan penggemar AI karena tujuannya yang ambisius: menciptakan kotak pasir digital di mana peristiwa kompleks—pasar keuangan, pergeseran opini publik, reaksi kebijakan, dan bahkan narasi fiksi—dapat disimulasikan sebelum terjadi di dunia nyata.

💡

Membangun atau berinteraksi dengan agen AI dan server MCP? Apidog menyediakan Klien MCP bawaan yang kuat, dirancang khusus untuk debug dan menguji Server MCP. Baik Anda terhubung melalui STDIO untuk proses lokal atau HTTP untuk server jarak jauh, Apidog menawarkan antarmuka visual yang intuitif untuk menguji Alat yang dapat dieksekusi, Prompt yang telah ditentukan, dan Sumber Daya server dengan mudah. Ini secara otomatis menangani otentikasi OAuth 2.0 yang kompleks dan merender respons Markdown dan gambar yang kaya secara dinamis—menjadikannya alat terbaik untuk pengujian integrasi MCP yang mulus.

button

Tidak seperti alat AI tradisional yang menghasilkan jawaban secara langsung, MiroFish membangun seluruh masyarakat digital agen AI. Setiap agen memiliki memori, ciri kepribadian, dan logika pengambilan keputusannya sendiri. Ketika sebuah peristiwa baru diperkenalkan—seperti berita terkini, usulan kebijakan, atau sinyal keuangan—agen-agen tersebut mulai berinteraksi satu sama lain, bereaksi terhadap informasi, dan memengaruhi perilaku satu sama lain.

Seiring waktu, interaksi mereka menciptakan pola yang menyerupai bagaimana kelompok orang sungguhan bereaksi terhadap peristiwa. Pola-pola ini dapat mengungkapkan kemungkinan hasil, narasi yang muncul, atau pergeseran sentimen, menjadikan sistem ini lingkungan yang kuat untuk eksperimen dan peramalan.

Sumber: X

Apa Itu MiroFish?

Pada intinya, MiroFish adalah mesin simulasi kecerdasan kelompok yang dibangun berdasarkan kecerdasan buatan multi-agen.

Alih-alih mengandalkan satu model AI, platform ini menghasilkan populasi besar agen otonom yang ada di dalam lingkungan digital simulasi. Setiap agen ini mewakili peserta individu dalam masyarakat virtual.

Setiap agen memiliki:

ciri kepribadian
aturan perilaku
memori jangka panjang
hubungan sosial
proses pengambilan keputusan

Ketika agen-agen berinteraksi satu sama lain, mereka bertukar informasi, membentuk opini, dan menanggapi peristiwa. Ini menciptakan perilaku yang muncul (emergent behavior), yang berarti hasil berskala besar muncul secara alami dari banyak interaksi individu.

Konsep ini mencerminkan masyarakat manusia nyata. Di dunia nyata, opini publik, pergerakan pasar, dan tren sosial sering kali muncul dari jutaan keputusan individu. Dengan mensimulasikan interaksi ini secara digital, MiroFish mencoba memodelkan bagaimana peristiwa dapat terjadi sebelum itu benar-benar terjadi.

Secara sederhana, platform ini berfungsi sebagai kotak pasir digital untuk menjelajahi skenario “bagaimana jika”.

button

Visi: Cermin Kecerdasan Kolektif

Visi di balik MiroFish adalah menciptakan apa yang digambarkan oleh para pengembang sebagai cermin kecerdasan kolektif dunia nyata.

Sistem prediksi tradisional seringkali sangat mengandalkan data historis dan model statistik. Meskipun pendekatan ini dapat berfungsi dengan baik di lingkungan yang stabil, mereka seringkali kesulitan ketika perilaku manusia menjadi tidak dapat diprediksi.

Banyak peristiwa dunia nyata dibentuk oleh interaksi sosial daripada hanya pola numerik.

Contohnya:

pasar keuangan dapat bergejolak karena sentimen investor
tren media sosial dapat menyebar secara tidak terduga
reaksi publik terhadap kebijakan dapat berubah dengan cepat

MiroFish mendekati prediksi secara berbeda. Alih-alih mencoba menghitung masa depan langsung dari data, sistem ini menciptakan kembali lingkungan digital tempat individu berinteraksi dan memengaruhi satu sama lain.

Gagasannya adalah bahwa hasil yang kompleks dapat muncul secara alami dari interaksi ini.

Dengan mengamati bagaimana agen yang disimulasikan merespons peristiwa, platform ini dapat menghasilkan wawasan tentang kemungkinan hasil di dunia nyata.

button

Dari Data Awal ke Dunia Digital

Menjalankan simulasi di MiroFish dimulai dengan apa yang disebut sistem sebagai materi awal (seed material).

Materi awal adalah informasi yang mendefinisikan skenario yang akan disimulasikan. Ini bisa meliputi:

artikel berita terkini
laporan keuangan
dokumen kebijakan
makalah penelitian
diskusi media sosial
atau bahkan cerita fiksi

Pengguna mengunggah materi dan menjelaskan tujuan prediksi mereka menggunakan bahasa alami.

Misalnya, seseorang mungkin meminta sistem untuk mensimulasikan:

bagaimana pasar akan bereaksi terhadap pengumuman kebijakan baru
bagaimana publik akan menanggapi pernyataan kontroversial
bagaimana sebuah cerita mungkin terungkap jika bab-bab yang hilang diselesaikan

Menggunakan informasi ini, MiroFish membangun lingkungan digital di mana agen-agen dapat mulai berinteraksi.

Sistem ini pada dasarnya menciptakan dunia digital paralel di mana skenario dapat berjalan.

Alur Kerja MiroFish: Cara Kerja Pipa Simulasi

Di balik layar, MiroFish mengikuti pipa terstruktur yang mengubah data dunia nyata menjadi lingkungan simulasi dinamis. Setiap tahap menyiapkan informasi yang diperlukan bagi agen untuk berinteraksi dan menghasilkan hasil yang bermakna.

1. Konstruksi Grafik Pengetahuan

Tahap pertama mengekstrak informasi awal dari sumber data dunia nyata.

Sumber-sumber ini dapat meliputi:

peristiwa berita terkini
laporan keuangan
draf kebijakan
dokumen penelitian
diskusi sosial

Sistem kemudian membangun grafik pengetahuan menggunakan arsitektur GraphRAG. Grafik ini mengatur entitas, hubungan, dan informasi kontekstual yang akan digunakan agen selama simulasi.

Selain data terstruktur, struktur memori individu dan kelompok disuntikkan ke dalam simulasi sehingga agen dapat mempertahankan konteks historis.

2. Pembentukan Lingkungan

Setelah grafik pengetahuan dibangun, platform membangun lingkungan simulasi.

Selama tahap ini, sistem melakukan beberapa tugas:

ekstraksi entitas dan hubungan
pembuatan persona agen
konstruksi jaringan sosial
konfigurasi parameter simulasi

Agen-agen diberi identitas, latar belakang, dan aturan perilaku. Ini memastikan bahwa interaksi antar agen menyerupai dinamika sosial nyata.

3. Eksekusi Simulasi Paralel

Setelah lingkungan siap, simulasi dimulai.

Ribuan agen beroperasi secara bersamaan di seluruh lingkungan, menanggapi peristiwa dan berinteraksi satu sama lain. Platform ini menjalankan simulasi di seluruh sistem paralel, memungkinkan sejumlah besar agen untuk beroperasi pada saat yang bersamaan.

Selama fase ini, sistem secara otomatis:

menginterpretasikan permintaan prediksi
mensimulasikan interaksi sosial
memperbarui memori berbasis waktu untuk setiap agen
mengembangkan lingkungan secara dinamis

Hasilnya adalah simulasi hidup di mana narasi, opini, dan perilaku berkembang seiring waktu.

4. Pembuatan Laporan

Setelah simulasi berlangsung melalui beberapa siklus, komponen AI khusus yang disebut ReportAgent menganalisis hasilnya.

ReportAgent memiliki akses ke berbagai alat analitik dan dapat berinteraksi secara mendalam dengan lingkungan simulasi. Ini menghasilkan laporan prediksi terstruktur yang merangkum:

hasil utama
tren yang muncul
wawasan perilaku
risiko yang mungkin terjadi

Laporan ini membantu pengguna menafsirkan apa yang terjadi selama simulasi dan memahami implikasi potensial di dunia nyata.

5. Interaksi Mendalam dengan Simulasi

Salah satu fitur unik MiroFish adalah pengguna dapat berinteraksi langsung dengan dunia yang disimulasikan.

Alih-alih hanya membaca laporan prediksi, pengguna dapat:

berbicara dengan agen individual
mengajukan pertanyaan tentang keputusan mereka
menjelajahi dinamika sosial di dalam simulasi

Pengguna juga dapat berkomunikasi dengan ReportAgent untuk mengajukan pertanyaan lanjutan atau meminta analisis yang lebih mendalam.

Lapisan interaktif ini membuat lingkungan simulasi jauh lebih fleksibel daripada alat peramalan tradisional.

button

Mulai Cepat: Menjalankan MiroFish Secara Lokal

Pengembang yang ingin bereksperimen dengan platform dapat menerapkan MiroFish secara lokal menggunakan deployment sumber (source deployment) atau deployment Docker (Docker deployment).

Persyaratan Sistem

Sebelum menginstal platform, pengembang memerlukan alat berikut yang terinstal:

Alat	Versi	Tujuan
Node.js	18+	Lingkungan runtime frontend
Python	3.11–3.12	Lingkungan runtime backend
uv	Versi terbaru	Manajer paket Python

Untuk memverifikasi instalasi:

node -v
python --version
uv --version

Langkah 1: Konfigurasi Variabel Lingkungan

Pertama, salin file konfigurasi contoh.

cp .env.example .env

Selanjutnya, edit file .env dan tambahkan kunci API yang diperlukan.

Konfigurasi API LLM

MiroFish mendukung API LLM apa pun yang kompatibel dengan format OpenAI SDK.

Contoh konfigurasi:

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

Dokumentasi merekomendasikan penggunaan model Qwen dari platform Bailian milik Alibaba.

Karena simulasi besar dapat mengonsumsi sumber daya komputasi yang signifikan, disarankan untuk memulai dengan simulasi kurang dari 40 putaran.

Konfigurasi Sistem Memori

MiroFish menggunakan Zep Cloud untuk mengelola memori jangka panjang untuk agen.

Contoh konfigurasi:

ZEP_API_KEY=your_zep_api_key

Tingkat gratis Zep Cloud biasanya cukup untuk eksperimen yang lebih kecil.

Langkah 2: Instal Dependensi

Pengembang dapat menginstal semua dependensi yang diperlukan dengan satu perintah:

npm run setup:all

Alternatifnya, instalasi dapat dilakukan langkah demi langkah.

Instal dependensi Node:

npm run setup

Instal dependensi backend Python:

npm run setup:backend

Perintah ini secara otomatis membuat lingkungan virtual Python yang diperlukan.

Langkah 3: Luncurkan Platform

Setelah instalasi, pengembang dapat memulai layanan frontend dan backend dengan satu perintah.

npm run dev

Setelah berjalan, layanan tersedia di:

Antarmuka frontend:

<http://localhost:3000>

API backend:

<http://localhost:5001>

Pengembang juga dapat memulai layanan secara terpisah jika diperlukan.

Mulai hanya backend:

npm run backend

Mulai hanya frontend:

npm run frontend

Deployment Docker

Untuk tim yang lebih memilih lingkungan terkonteinerisasi, MiroFish juga mendukung deployment Docker.

Pertama, konfigurasikan variabel lingkungan seperti yang dijelaskan sebelumnya.

cp .env.example .env

Kemudian mulai kontainer menggunakan Docker Compose.

docker compose up -d

Secara default, platform memetakan port berikut:

3000 untuk antarmuka frontend
5001 untuk API backend

File konfigurasi Docker juga mencakup sumber cermin yang dikomentari yang dapat digunakan untuk mempercepat pengunduhan citra kontainer jika diperlukan.

Pemikiran Akhir

Meskipun masih dalam tahap awal pengembangan, platform kecerdasan kelompok mengisyaratkan masa depan di mana sistem AI dapat mensimulasikan lingkungan sosial yang kompleks. Bayangkan mampu menguji kebijakan sebelum menerapkannya, menjelajahi reaksi pasar sebelum pengumuman keuangan, atau memeriksa bagaimana informasi dapat menyebar melalui jejaring sosial. Alat semacam itu dapat menjadi sistem pendukung keputusan yang kuat untuk bisnis, pemerintah, dan peneliti. Tentu saja, tidak ada simulasi yang dapat menangkap kerumitan perilaku manusia nyata dengan sempurna. Peristiwa tak terduga dan nuansa budaya selalu dapat memengaruhi hasil.

Namun platform seperti MiroFish menunjukkan bagaimana AI pada akhirnya dapat berevolusi melampaui menjawab pertanyaan dan mulai memodelkan seluruh masyarakat. Apa yang dimulai sebagai proyek sumber terbuka eksperimental telah memicu diskusi signifikan di antara pengembang dan peneliti. Dan jika simulasi multi-agen terus berkembang, alat seperti MiroFish mungkin mewakili langkah awal menuju generasi baru teknologi prediksi—yang mampu menjelajahi masa depan di dalam dunia digital sebelum terungkap dalam kenyataan.

button