A inteligência artificial está evoluindo rapidamente, mas a maioria das ferramentas de IA ainda segue um padrão familiar: você dá um prompt a um modelo, e ele gera uma resposta.

Nos últimos anos, no entanto, uma nova categoria de sistemas de IA começou a ganhar atenção: simulações multiagente, onde muitos agentes de IA interagem entre si dentro de um ambiente digital compartilhado.

Em vez de um único modelo tentando prever ou gerar uma resposta, esses sistemas simulam grupos inteiros de agentes autônomos que trocam informações, formam opiniões e influenciam uns aos outros.

Um dos projetos mais comentados neste espaço recentemente é o MiroFish, um motor de inteligência de enxame de código aberto projetado para simular cenários do mundo real usando milhares de agentes de IA. O projeto rapidamente ganhou força entre desenvolvedores e entusiastas de IA por causa de seu ambicioso objetivo: criar um sandbox digital onde eventos complexos – mercados financeiros, mudanças na opinião pública, reações a políticas e até narrativas fictícias – podem ser simulados antes que aconteçam no mundo real.

Ao contrário das ferramentas de IA tradicionais que geram respostas diretamente, o MiroFish constrói uma sociedade digital inteira de agentes de IA. Cada agente tem sua própria memória, traços de personalidade e lógica de tomada de decisão. Quando um novo evento é introduzido — como notícias de última hora, uma proposta de política ou um sinal financeiro — os agentes começam a interagir uns com os outros, reagindo à informação e influenciando o comportamento uns dos outros.

Com o tempo, suas interações criam padrões que se assemelham a como grupos reais de pessoas reagem a eventos. Esses padrões podem revelar possíveis resultados, narrativas emergentes ou mudanças de sentimento, tornando o sistema um ambiente poderoso para experimentação e previsão.

Fonte: X

O Que É MiroFish?

Em sua essência, o MiroFish é um motor de simulação de inteligência de enxame construído em torno de inteligência artificial multiagente.

Em vez de depender de um único modelo de IA, a plataforma gera uma grande população de agentes autônomos que existem dentro de um ambiente digital simulado. Cada um desses agentes representa um participante individual em uma sociedade virtual.

Cada agente possui seus próprios:

• traços de personalidade
• regras comportamentais
• memória de longo prazo
• relações sociais
• processos de tomada de decisão

Quando os agentes interagem uns com os outros, eles trocam informações, formam opiniões e respondem a eventos. Isso cria um comportamento emergente, o que significa que resultados em larga escala surgem naturalmente de muitas interações individuais.

O conceito espelha as sociedades humanas reais. No mundo real, a opinião pública, os movimentos de mercado e as tendências sociais frequentemente emergem de milhões de decisões individuais. Ao simular essas interações digitalmente, o MiroFish tenta modelar como os eventos podem se desenrolar antes que aconteçam.

Em termos simples, a plataforma atua como um sandbox digital para explorar cenários "e se".

A Visão: Um Espelho da Inteligência Coletiva

A visão por trás do MiroFish é criar o que os desenvolvedores descrevem como um espelho da inteligência coletiva do mundo real.

Sistemas preditivos tradicionais frequentemente dependem fortemente de dados históricos e modelos estatísticos. Embora essas abordagens possam funcionar bem em ambientes estáveis, elas geralmente têm dificuldades quando o comportamento humano se torna imprevisível.

Muitos eventos do mundo real são moldados por interações sociais, e não apenas por padrões numéricos.

Por exemplo:

• mercados financeiros podem oscilar devido ao sentimento dos investidores
• tendências de mídias sociais podem se espalhar imprevisivelmente
• reações públicas a políticas podem mudar rapidamente

O MiroFish aborda a previsão de forma diferente. Em vez de tentar calcular o futuro diretamente a partir dos dados, o sistema recria um ambiente digital onde os indivíduos interagem e influenciam uns aos outros.

A ideia é que resultados complexos podem emergir naturalmente dessas interações.

Ao observar como os agentes simulados respondem a eventos, a plataforma pode gerar insights sobre potenciais resultados do mundo real.

De Dados Semente a Um Mundo Digital

Executar uma simulação no MiroFish começa com o que o sistema chama de material semente.

O material semente é a informação que define o cenário a ser simulado. Isso pode incluir:

• artigos de notícias de última hora
• relatórios financeiros
• documentos de política
• trabalhos de pesquisa
• discussões em mídias sociais
• ou até mesmo histórias fictícias

Os usuários carregam o material e descrevem seu objetivo de previsão usando linguagem natural.

Por exemplo, alguém pode pedir ao sistema para simular:

• como os mercados reagirão a um novo anúncio de política
• como o público responderá a uma declaração controversa
• como uma história pode se desenrolar se capítulos ausentes fossem concluídos

Usando essa informação, o MiroFish constrói um ambiente digital onde os agentes podem começar a interagir.

O sistema essencialmente cria um mundo digital paralelo onde o cenário pode se desenrolar.

Fluxo de Trabalho do MiroFish: Como o Pipeline de Simulação Funciona

Nos bastidores, o MiroFish segue um pipeline estruturado que transforma dados do mundo real em um ambiente de simulação dinâmico. Cada etapa prepara as informações necessárias para que os agentes interajam e produzam resultados significativos.

1. Construção do Grafo de Conhecimento

A primeira etapa extrai informações semente de fontes de dados do mundo real.

Essas fontes podem incluir:

• notícias de última hora
• relatórios financeiros
• rascunhos de políticas
• documentos de pesquisa
• discussões sociais

O sistema então constrói um grafo de conhecimento usando uma arquitetura GraphRAG. Este grafo organiza entidades, relacionamentos e informações contextuais que os agentes usarão durante a simulação.

Além de dados estruturados, estruturas de memória individuais e de grupo são injetadas na simulação para que os agentes possam reter o contexto histórico.

2. Geração do Ambiente

Uma vez que o grafo de conhecimento é construído, a plataforma constrói o ambiente de simulação.

Durante esta etapa, o sistema realiza várias tarefas:

• extração de entidades e relacionamentos
• geração de persona de agente
• construção de rede social
• configuração de parâmetros de simulação

Os agentes recebem identidades, históricos e regras comportamentais. Isso garante que as interações entre os agentes se assemelhem às dinâmicas sociais reais.

3. Execução de Simulação Paralela

Depois que o ambiente está pronto, a simulação começa.

Milhares de agentes operam simultaneamente em todo o ambiente, respondendo a eventos e interagindo uns com os outros. A plataforma executa simulações em sistemas paralelos, permitindo que um grande número de agentes opere ao mesmo tempo.

Durante esta fase, o sistema automaticamente:

• interpreta a solicitação de previsão
• simula interações sociais
• atualiza a memória baseada no tempo para cada agente
• evolui o ambiente dinamicamente

O resultado é uma simulação viva onde narrativas, opiniões e comportamentos evoluem ao longo do tempo.

4. Geração de Relatórios

Uma vez que a simulação progrediu por múltiplos ciclos, um componente especializado de IA chamado ReportAgent analisa os resultados.

O ReportAgent tem acesso a um rico conjunto de ferramentas analíticas e pode interagir profundamente com o ambiente de simulação. Ele gera um relatório de previsão estruturado que resume:

• resultados-chave
• tendências emergentes
• insights comportamentais
• possíveis riscos

Este relatório ajuda os usuários a interpretar o que aconteceu durante a simulação e a entender as possíveis implicações no mundo real.

5. Interação Profunda com a Simulação

Uma das características únicas do MiroFish é que os usuários podem interagir diretamente com o mundo simulado.

Em vez de simplesmente ler um relatório de previsão, os usuários podem:

• conversar com agentes individuais
• fazer perguntas sobre suas decisões
• explorar dinâmicas sociais dentro da simulação

Os usuários também podem se comunicar com o ReportAgent para fazer perguntas de acompanhamento ou solicitar análises mais aprofundadas.

Essa camada interativa torna o ambiente de simulação muito mais flexível do que as ferramentas de previsão tradicionais.

Início Rápido: Executando MiroFish Localmente

Desenvolvedores que desejam experimentar a plataforma podem implantar o MiroFish localmente usando implantação por código fonte ou implantação Docker.

Requisitos do Sistema

Antes de instalar a plataforma, os desenvolvedores precisam ter as seguintes ferramentas instaladas:

Para verificar a instalação:

node -v
python --version
uv --version

Passo 1: Configurar Variáveis de Ambiente

Primeiro, copie o arquivo de configuração de exemplo.

cp .env.example .env

Em seguida, edite o arquivo .env e adicione as chaves de API necessárias.

Configuração da API LLM

O MiroFish suporta qualquer API LLM compatível com o formato OpenAI SDK.

Exemplo de configuração:

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

A documentação recomenda usar o modelo Qwen da plataforma Bailian do Alibaba.

Como grandes simulações podem consumir recursos computacionais significativos, é recomendado começar com simulações de menos de 40 rodadas.

Configuração do Sistema de Memória

O MiroFish usa o Zep Cloud para gerenciar a memória de longo prazo para os agentes.

Exemplo de configuração:

ZEP_API_KEY=sua_chave_api_zep

O nível gratuito do Zep Cloud geralmente é suficiente para experimentos menores.

Passo 2: Instalar Dependências

Os desenvolvedores podem instalar todas as dependências necessárias com um único comando:

npm run setup:all

Alternativamente, a instalação pode ser feita passo a passo.

Instalar dependências do Node:

npm run setup

Instalar dependências do backend Python:

npm run setup:backend

Este comando cria automaticamente o ambiente virtual Python necessário.

Passo 3: Lançar a Plataforma

Após a instalação, os desenvolvedores podem iniciar os serviços de frontend e backend com um único comando.

npm run dev

Uma vez em execução, os serviços estão disponíveis em:

Interface do frontend:

<http://localhost:3000>

API do backend:

<http://localhost:5001>

Os desenvolvedores também podem iniciar os serviços separadamente, se necessário.

Iniciar apenas o backend:

npm run backend

Iniciar apenas o frontend:

npm run frontend

Implantação Docker

Para equipes que preferem ambientes conteinerizados, o MiroFish também suporta implantação Docker.

Primeiro, configure as variáveis de ambiente conforme descrito anteriormente.

cp .env.example .env

Em seguida, inicie os contêineres usando o Docker Compose.

docker compose up -d

Por padrão, a plataforma mapeia as seguintes portas:

• 3000 para a interface do frontend
• 5001 para a API do backend

O arquivo de configuração do Docker também inclui fontes de espelhamento comentadas que podem ser usadas para acelerar os downloads de imagens de contêiner, se necessário.

Considerações Finais

Embora ainda em estágio inicial de desenvolvimento, as plataformas de inteligência de enxame apontam para um futuro onde os sistemas de IA podem simular ambientes sociais complexos. Imagine ser capaz de testar políticas antes de implementá-las, explorar reações do mercado antes de anúncios financeiros, ou examinar como a informação pode se espalhar por redes sociais. Tais ferramentas poderiam se tornar poderosos sistemas de apoio à decisão para empresas, governos e pesquisadores. Claro, nenhuma simulação pode capturar perfeitamente a complexidade do comportamento humano real. Eventos inesperados e nuances culturais sempre podem influenciar os resultados.

Mas plataformas como o MiroFish mostram como a IA pode eventualmente evoluir para além de responder a perguntas e começar a modelar sociedades inteiras. O que começou como um projeto experimental de código aberto já gerou discussões significativas entre desenvolvedores e pesquisadores. E se a simulação multiagente continuar a avançar, ferramentas como o MiroFish podem representar um passo inicial em direção a uma nova geração de tecnologias preditivas — capazes de explorar o futuro dentro de um mundo digital antes que ele se desenrole na realidade.