MiroFish 調査レポート
1. 基本情報
- ツール名: MiroFish
- ツールの読み方: ミロフィッシュ
- 開発元: 666ghj (Shanda Group / 盛大集团 支援)
- 公式サイト: https://github.com/666ghj/MiroFish
- 関連リンク:
- カテゴリ: AIエージェント基盤
- 概要: LLMを活用した多数の自律型AIエージェントをシミュレーション環境に配置し、それぞれの相互作用（群体知能）を観察することで、社会現象や世論の動向、未来の予測を行うオープンソースのエンジンです。
2. 目的と主な利用シーン
- 解決する課題: 複雑な社会事象や市場の動向、政策の影響など、単一の予測モデルでは捉えきれない「群集心理」や「相互作用」による変化を、デジタルなサンドボックス環境で事前にシミュレーションし、予測する。
- 想定利用者: データアナリスト、政策決定者、金融アナリスト、マーケター、リサーチャー、作家。
- 利用シーン:
- ニュースや突発的な事件に対する世論の形成プロセスの推演。
- 新しい政策案やルール変更に対する、様々なステークホルダーの反応の事前テスト。
- 金融市場のシグナルに対するトレーダーや投資家（エージェント）の反応の推測。
- 小説や物語の展開のシミュレーション（例：未完の小説の結末予測）。
3. 主要機能
- マルチエージェントシミュレーション: 独立した人格や長期記憶、行動ロジックを持つ数千のAIエージェントを生成し、自由な相互作用を行わせる。
- ナレッジグラフ構築: 現実世界のシード情報（ニュース、レポート、物語など）を取り込み、自動的に構造化された知識グラフ（GraphRAG）を構築する。
- 環境とパラメータの動的注入: シミュレーション中に動的に変数やイベントを注入し、エージェントたちの反応をリアルタイムで観察可能。
- 持続的記憶管理（Persistent Memory）: エージェントごとの記憶の変遷や意見の変化を時系列でトラッキングし、合意形成のプロセスを可視化する。
- 予測レポート自動生成: シミュレーション結果を分析し、レポートエージェントが詳細な予測・推演レポートを生成する。
- 神の視点（God Mode）: ユーザーは俯瞰的な視点からシミュレーション全体を監視・介入できるほか、特定のエージェントと直接対話することも可能。
4. 動作原理・システム構成
- アーキテクチャ: クライアント・サーバー型（Vue.js / Python API）の自己ホスト型シミュレーション環境。
- 主要コンポーネントとデータフロー:
- フロントエンド: シミュレーション状況を可視化するダッシュボードや、エージェントと直接対話できるチャットUIを提供。
- バックエンド (API): Pythonで実装されており、フロントエンドと通信を行う。
- シミュレーションエンジン: OASIS（CAMEL-AIによるオープンソースエンジン）を基盤に、多数のエージェントを並列で実行・管理する。
- 記憶・ナレッジ管理: 現実世界のシード情報からGraphRAG（知識グラフ）を構築し、エージェントの長期記憶や時系列の意見変化はZep Cloudを利用して管理される。
- 特筆すべき要素技術:
- OASIS: 大規模なソーシャルインタラクションをシミュレーションするための基盤エンジン。
- GraphRAG: 情報を構造化し、エージェントが複雑な関係性を理解・推論するために活用。
- Zep Cloud: エージェントの持続的記憶（Persistent Memory）をトラッキングするための外部記憶サービス。
graph TD
User([ユーザー]) -->|シード情報・変数注入| UI[フロントエンド UI]
UI <-->|API通信| Backend[バックエンド API Python]
subgraph "MiroFish サーバー"
Backend <--> Engine[OASIS シミュレーションエンジン]
Engine <--> Agents[多数の自律型 AI エージェント]
Backend --> Graph[GraphRAG ナレッジグラフ構築]
Graph -.-> Agents
end
Backend <-->|プロンプト・推論| LLM[外部 LLM API OpenAI互換]
Backend <-->|記憶管理| Zep[Zep Cloud API]
5. 開始手順・セットアップ
- 前提条件:
- Node.js 18以上
- Python 3.11 または 3.12
- パッケージマネージャー
uv - 各種LLM APIキー（OpenAI互換、例：Qwen-plusなど）および Zep Cloud APIキー
-
インストール/導入:
# リポジトリのクローン git clone https://github.com/666ghj/MiroFish.git cd MiroFish # 依存関係の一括インストール npm run setup:all - 初期設定:
.env.exampleを.envにコピーし、LLM_API_KEY、LLM_BASE_URL、LLM_MODEL_NAME、ZEP_API_KEYを設定する。
- クイックスタート:
npm run devを実行し、フロントエンド（http://localhost:3000）とバックエンドAPI（http://localhost:5001）を起動する。Dockerを用いたデプロイ（docker compose up -d）もサポートされている。
6. 特徴・強み (Pros)
- 群集心理や相互作用といった、従来の静的モデルでは予測困難な「創発的な振る舞い」を視覚化・分析できる。
- 様々な用途（世論調査、金融、クリエイティブライティング）に応用可能な汎用性の高いエンジン。
- ユーザーインターフェースがチャットベースで直感的であり、導入のハードルが比較的低い。
- オープンソースであるため、独自の環境や要件に合わせたカスタマイズやオンプレミス運用が可能。
- Shanda Group（盛大集团）の支援を受けており、開発の継続性と将来性への期待が高い。
7. 弱み・注意点 (Cons)
- LLMエージェント特有のバイアス（例：実際の人間よりも早く群集心理・同調圧力に屈する傾向）があり、シミュレーション結果が現実と乖離する可能性がある。
- 生成される結果はあくまで「あり得るシナリオ」の推演であり、厳密な確率や確実な未来を示す「水晶玉」ではない。
- 数百から数千のエージェントを複数ラウンドにわたってシミュレーションするため、LLMのAPI呼び出し回数が膨大になり、コストが高額になるリスクがある（初期は40ラウンド未満での実行が推奨されている）。
- リリースから日が浅い（v0.1.x系）ため、プロダクション用途としてはさらなる検証が必要。
8. 料金プラン
| プラン名 | 料金 | 主な特徴 |
|---|---|---|
| オープンソース版 | 無料 | GitHubからソースコードを取得し自己ホスト。機能制限なし。 |
- 課金体系: MiroFish自体の利用は無料だが、システムを稼働させるための外部API（OpenAIなどのLLM API、Zep Cloudなど）の従量課金コストはユーザー負担となる。
- 無料トライアル: 公式のオンラインDemo環境が提供されている。
9. 導入実績・事例
- 導入企業: 一般公開された商用導入の具体例はまだ少ない。
- 導入事例:
- デモとして「武漢大学の世論推演予測」や、古典小説「紅楼夢」の失われた結末の推演などが公開されている。
- 対象業界: アカデミア、リサーチ機関、金融分析、政策立案など、複雑なシナリオ分析を必要とする領域での利用が想定される。
10. サポート体制
- ドキュメント: GitHubのREADME（英語・中国語）にてアーキテクチャやセットアップガイドが提供されている。
- コミュニティ: DiscordサーバーおよびQQ交流群が設置されており、ユーザー間の情報交換や開発者とのコミュニケーションが可能。
- 公式サポート: オープンソースプロジェクトのため、主なサポートはGitHub Issuesやコミュニティ経由となる。
11. エコシステムと連携
11.1 API・外部サービス連携
- API: バックエンドはPython（ポート5001）で動作し、フロントエンドとAPI通信を行う。外部のLLMプロバイダー（OpenAI API互換）や、エージェント記憶管理のためのZep Cloudと標準で連携する。
- 外部サービス連携: OpenAI, 阿里百炼（Qwen）などのLLMプラットフォーム、Zep Cloud（記憶管理）。
11.2 技術スタックとの相性
| 技術スタック | 相性 | メリット・推奨理由 | 懸念点・注意点 |
|---|---|---|---|
| Python | ◎ | バックエンドの中心言語。OASISシミュレーションエンジンなどPythonのエコシステムをフル活用できる。 | 特になし |
| Vue.js | ◎ | フロントエンドの主要フレームワークとして採用されており、UIの拡張が容易。 | 特になし |
| Docker | ◎ | 公式の docker-compose.yml が提供されており、環境構築が非常にスムーズ。 |
特になし |
12. セキュリティとコンプライアンス
- 認証: オープンソース版ではユーザーが自身でホストし、必要に応じて認証レイヤーを追加する必要がある。APIキーは
.envで管理される。 - データ管理: セルフホストによりデータの保存場所をコントロール可能。ただし、LLMプロバイダーに送信されるデータ（プロンプト等）のプライバシーポリシーは利用するAPIに依存する。
- 準拠規格: 公式サイトで特定のコンプライアンス認証（SOC2, ISO27001等）の取得は明記されていない。
13. 操作性 (UI/UX) と学習コスト
- UI/UX: Vue.jsで構築された直感的なWebインターフェースを提供。チャット形式のUIや、シミュレーション状況を可視化するダッシュボードを備え、操作性が高い。
- 学習コスト: ツールのデプロイ自体はDocker等で容易だが、効果的なシミュレーションを行うためのシード情報の作成や、エージェントのパラメータ調整、結果の解釈には一定の分析スキルやプロンプトエンジニアリングの知識が必要。
14. ベストプラクティス
- 効果的な活用法 (Modern Practices):
- 質の高い予測を得るために、シードデータ（入力するニュース、レポート、背景情報）を可能な限り詳細かつ多角的に用意する。
- コスト管理のため、最初は少数のエージェントと少ないシミュレーションラウンド（40ラウンド未満）でテストを実施し、挙動を確認してからスケールさせる。
- 陥りやすい罠 (Antipatterns):
- シミュレーション結果を「絶対的な未来」として鵜呑みにすること。あくまでLLMの推論に基づく「可能性の一つ」として捉え、他のデータと併用して意思決定を行うべき。
- APIの利用上限やコスト計算を行わずに大規模なシミュレーションを実行し、予期せぬ高額請求を招くこと。
15. ユーザーの声（レビュー分析）
- 調査対象: GitHub、X (Twitter)、技術ブログ、ITメディア記事。G2、Capterra、ITreviewにレビューの登録なし。
- 総合評価: GitHubで46,000以上のStarを獲得し、非常に高い注目を集めている。
- ポジティブな評価:
- 「マルチエージェントを応用して社会シミュレーションを行うというコンセプトが非常に画期的で面白い。」
- 「オープンソースであり、誰でも手軽に高度なシミュレーション環境を構築できる点が素晴らしい。」
- 「フロントエンドのUIがよくできており、シミュレーションの推移が視覚的にわかりやすい。」
- ネガティブな評価 / 改善要望:
- 「LLMのコストがかさむため、気軽に大規模な実験を繰り返しにくい。」
- 「AIエージェントの同調圧力が高く、現実の人間よりも極端な結論に至りやすい傾向があるため、パラメータ調整が難しい。」
- 特徴的なユースケース:
- ニュースの世論動向予測だけでなく、未完の古典文学の結末推演や、仮想の金融市場でのストレステストなど、エンターテインメントから実務まで幅広い応用が試されている。
16. 直近半年のアップデート情報
- 2026-03-07: 最新のマイナーバージョン（v0.1.2）がリリース。
- 2026-03-05: GitHubのGlobal Trendingで1位を獲得。Shanda Group（盛大集团）創業者からの資金提供・支援を受けることが公表された。
- 2026-01-22: v0.1.1がリリース。
- 2025-12-22: MiroFishの初期バージョン（v0.1.0）がリリース。
(出典: GitHub Releases)
17. 類似ツールとの比較
17.1 機能比較表 (星取表)
| 機能カテゴリ | 機能項目 | MiroFish | AutoGPT | OpenHands | CrewAI |
|---|---|---|---|---|---|
| 基本機能 | 自律型エージェント | ◎ 群集シミュレーションに特化 |
◯ 汎用タスク実行向け |
◎ 自律型開発に特化 |
◯ 役割ベース協調 |
| カテゴリ特定 | 複数エージェント間の相互作用 | ◎ 中核となる機能 |
△ 単一エージェント中心 |
△ 単一エージェント中心 |
◎ 中核となる機能 |
| カテゴリ特定 | 記憶・ナレッジグラフ構築 | ◎ GraphRAGやZep Cloudを活用 |
◯ ローカル記憶やベクターストア |
◯ ファイルやターミナル履歴 |
◯ 短期・長期記憶 |
| 非機能要件 | オープンソース | ◎ AGPL-3.0 |
◎ MIT |
◎ MIT |
◎ MIT |
17.2 詳細比較
| ツール名 | 特徴 | 強み | 弱み | 選択肢となるケース |
|---|---|---|---|---|
| MiroFish | 群体知能によるシミュレーション・予測エンジン | 多数のエージェントを相互作用させ、複雑な社会事象や群集心理のシミュレーションが可能。 | 汎用的なタスク自動化には不向き。APIコストが高くなりがち。 | 政策、マーケティング、金融など、人々の集団的な反応を推演・予測したい場合。 |
| AutoGPT | 汎用的な自律型AIエージェント | 与えられた目標に対して計画を立て、自律的にタスクを遂行・実行する能力が高い。 | 複数エージェント間の複雑な社会動態シミュレーション機能は持たない。 | リサーチ、コーディング、自動化など、明確なゴールを持つ特定のタスクをAIに自動実行させたい場合。 |
| OpenHands | ソフトウェア開発に特化した自律型エージェント | Dockerサンドボックスによる安全なコード実行環境。 | 群集シミュレーション機能はない。 | 開発タスクを安全な環境で自律的に実行させたい場合。 |
| CrewAI | 役割ベースのマルチエージェント協調フレームワーク | 複数のエージェントに役割を与え、チームとして協調作業を行わせることに優れる。 | 大規模な群集シミュレーションではなく、少数のエージェントによるタスク遂行が主目的。 | 複数の専門分野を持つエージェントを連携させてタスクを完遂したい場合。 |
18. 総評
- 総合的な評価: MiroFishは、LLMを用いたマルチエージェント技術を「タスク実行」ではなく「社会・環境シミュレーション」に特化させた野心的なプロジェクトです。複雑な事象をデジタルサンドボックス内で推演するというコンセプトは非常に高く評価でき、今後の発展が楽しみなツールです。
- 推奨されるチームやプロジェクト: データサイエンティスト、政策研究者、マーケティングリサーチャー、クリエイターなど、集団の相互作用から生じる「創発的な結果」を分析・予測したいプロフェッショナルや研究チームに強く推奨します。
- 選択時のポイント: 単なるタスク自動化（AutoGPTなど）を目的とする場合は別のツールが適しています。MiroFishはあくまで「群体知能によるシミュレーションと予測」に特化したエンジンであることを理解し、かつLLMのAPIコストを適切に管理できる環境での利用が求められます。