Forem

Cover image for MiroFish: Motor de IA de Código Abierto que Predice Todo
Roobia
Roobia

Posted on • Originally published at apidog.com

MiroFish: Motor de IA de Código Abierto que Predice Todo

La inteligencia artificial evoluciona rápidamente, pero la mayoría de las herramientas siguen el patrón clásico: das una instrucción y obtienes una respuesta generada por el modelo.

Prueba Apidog hoy

En los últimos años ha surgido una nueva categoría: las simulaciones multiagente, donde múltiples agentes de IA interactúan entre sí dentro de un entorno digital compartido.

En lugar de un solo modelo generando respuestas, estos sistemas simulan grupos de agentes autónomos que intercambian información, forman opiniones y se influyen mutuamente.

Un proyecto destacado en este campo es MiroFish, un motor de inteligencia de enjambre open source para simular escenarios reales usando miles de agentes de IA. Su objetivo: crear un sandbox digital para simular eventos complejos (mercados financieros, cambios de opinión pública, narrativas, etc.) antes de que ocurran en el mundo real.

💡¿Estás construyendo o interactuando con agentes de IA y servidores MCP? Apidog proporciona un potente cliente MCP integrado diseñado específicamente para depurar y probar servidores MCP. Ya sea que te conectes a través de STDIO para procesos locales o HTTP para servidores remotos, Apidog ofrece una interfaz visual intuitiva para probar herramientas ejecutables, prompts predefinidos y recursos del servidor. Maneja automáticamente autenticaciones OAuth 2.0 y renderiza respuestas en Markdown e imágenes, lo que lo convierte en una herramienta ideal para pruebas MCP.

A diferencia de las IA tradicionales, MiroFish construye una sociedad digital completa de agentes de IA. Cada agente tiene memoria propia, rasgos de personalidad y lógica de decisión. Cuando se introduce un nuevo evento (noticia de última hora, señal financiera, etc.), los agentes interactúan y se influyen entre sí.

Estas interacciones generan patrones similares a los de grupos humanos reales y permiten anticipar posibles resultados y cambios de sentimiento, siendo un entorno potente para experimentación y previsión.

A flow chart showing how MiroFish uses real-world data and machine learning to build simulations, and then generate reports and provide deep interaction with the simulation

Fuente: X

¿Qué es MiroFish?

An illustration of a fish made of many small particles, representing a swarm intelligence engine.

MiroFish es un motor de simulación de inteligencia de enjambre enfocado en inteligencia artificial multiagente.

La plataforma genera una población de agentes autónomos en un entorno digital simulado. Cada agente representa a un participante individual de una sociedad virtual.

Cada agente posee:

  • rasgos de personalidad
  • reglas de comportamiento
  • memoria a largo plazo
  • relaciones sociales
  • procesos de toma de decisiones

Cuando interactúan, intercambian información, forman opiniones y responden a eventos, generando comportamiento emergente.

Esto permite simular cómo podrían desarrollarse eventos reales a partir de la suma de decisiones individuales. MiroFish actúa como una caja de arena digital para explorar escenarios "qué pasaría si".

La Visión: Un Espejo de la Inteligencia Colectiva

An illustration of a world map with interconnected nodes, symbolizing collective intelligence mirroring the real world.

La visión de MiroFish es convertirse en un espejo de la inteligencia colectiva del mundo real.

A diferencia de los sistemas predictivos clásicos que dependen solo de datos históricos y modelos estadísticos (limitados ante el comportamiento humano impredecible), MiroFish recrea un entorno digital de interacción social.

  • Los mercados financieros fluctúan por el sentimiento inversor
  • Las tendencias sociales se propagan de forma impredecible
  • Las reacciones públicas pueden cambiar rápidamente

MiroFish permite observar cómo los agentes simulados responden a eventos, generando información sobre posibles resultados reales.

De Datos Semilla a un Mundo Digital

An illustration of information flowing from seed data sources into a digital world, where AI agents interact and generate insights.

Las simulaciones en MiroFish inician con material semilla: información que define el escenario a simular.

Ejemplo de material semilla:

  • noticias de última hora
  • informes financieros
  • documentos de política
  • artículos de investigación
  • discusiones sociales
  • historias ficticias

El usuario carga el material y describe el objetivo de predicción en lenguaje natural.

  • ¿Cómo reaccionarán los mercados a una nueva política?
  • ¿Cómo responderá el público a una declaración polémica?
  • ¿Cómo podría desarrollarse una historia agregando capítulos faltantes?

Con esto, MiroFish crea el entorno digital para simular el escenario.

Flujo de Trabajo de MiroFish: Cómo Funciona la Tubería de Simulación

A flowchart illustrating the MiroFish workflow, from seed data and knowledge graph construction to report generation and deep interaction.

MiroFish transforma datos reales en simulaciones dinámicas mediante una tubería bien estructurada:

1. Construcción del Grafo de Conocimiento

An illustration of a knowledge graph being constructed from various data sources, showing nodes and connections representing entities and relationships.

Extrae información semilla de fuentes como:

  • noticias
  • informes financieros
  • borradores de políticas
  • documentos de investigación
  • discusiones sociales

Luego construye un grafo de conocimiento con arquitectura GraphRAG, organizando entidades, relaciones e información contextual. Se inyectan memorias individuales y colectivas para contexto histórico de los agentes.

2. Generación del Entorno

An illustration of a simulated environment with multiple AI agents represented as distinct figures, connected by social networks.

Una vez construido el grafo, se genera el entorno de simulación:

  • extracción de entidades y relaciones
  • generación de personalidades de agentes
  • construcción de red social
  • configuración de parámetros de simulación

Los agentes reciben identidades, antecedentes y reglas de comportamiento, simulando dinámicas sociales reales.

3. Ejecución de la Simulación en Paralelo

Con el entorno listo, inicia la simulación. Miles de agentes operan simultáneamente, interactuando y respondiendo a eventos. El sistema ejecuta simulaciones en paralelo, permitiendo gran escala.

  • interpreta la solicitud de predicción
  • simula interacciones sociales
  • actualiza memorias individuales
  • evoluciona el entorno dinámicamente

El resultado es una simulación viva con narrativas y comportamientos en evolución.

4. Generación de Informes

Tras varios ciclos, ReportAgent analiza los resultados y genera un informe estructurado:

  • resultados clave
  • tendencias emergentes
  • análisis de comportamientos
  • potenciales riesgos

Este informe ayuda a interpretar la simulación y entender sus implicaciones.

5. Interacción Profunda con la Simulación

An illustration of a user interacting with a simulated digital world, communicating with AI agents and exploring data.

Además del informe, puedes interactuar directamente con el mundo simulado:

  • hablar con agentes individuales
  • consultar sus decisiones
  • explorar dinámicas sociales
  • preguntar a ReportAgent o solicitar análisis adicionales

Esto aporta flexibilidad y profundidad, superando a las herramientas de predicción tradicionales.

Inicio Rápido: Ejecutar MiroFish Localmente

Para probar MiroFish, puedes implementarlo localmente por código fuente o usando Docker.

Requisitos del Sistema

Antes de instalar, necesitas:

Herramienta Versión Propósito
Node.js 18+ Entorno de ejecución del frontend
Python 3.11–3.12 Entorno de ejecución del backend
uv Última versión Gestor de paquetes de Python

Verifica la instalación:

node -v
python --version
uv --version
Enter fullscreen mode Exit fullscreen mode

Paso 1: Configurar Variables de Entorno

Copia el archivo de configuración de ejemplo:

cp .env.example .env
Enter fullscreen mode Exit fullscreen mode

Edita .env y añade tus claves API.

Configuración de la API de LLM

MiroFish acepta cualquier API compatible con el SDK de OpenAI.

Ejemplo:

LLM_API_KEY=tu_clave_api
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus
Enter fullscreen mode Exit fullscreen mode

La doc recomienda el modelo Qwen (Alibaba). Para pruebas iniciales, limita las simulaciones a menos de 40 rondas.

Configuración del Sistema de Memoria

Se usa Zep Cloud para la memoria a largo plazo de los agentes.

ZEP_API_KEY=tu_clave_api_zep
Enter fullscreen mode Exit fullscreen mode

El plan gratuito de Zep suele ser suficiente para pruebas pequeñas.

Paso 2: Instalar Dependencias

Instala todas las dependencias con un solo comando:

npm run setup:all
Enter fullscreen mode Exit fullscreen mode

O bien, paso a paso:

Instalar dependencias Node:

npm run setup
Enter fullscreen mode Exit fullscreen mode

Instalar dependencias Python backend:

npm run setup:backend
Enter fullscreen mode Exit fullscreen mode

Este comando crea el entorno virtual de Python necesario.

Paso 3: Iniciar la Plataforma

Lanza los servicios frontend y backend con:

npm run dev
Enter fullscreen mode Exit fullscreen mode

Accede desde:

También puedes iniciar servicios por separado:

Solo backend:

npm run backend
Enter fullscreen mode Exit fullscreen mode

Solo frontend:

npm run frontend
Enter fullscreen mode Exit fullscreen mode

Implementación con Docker

Si prefieres contenedores:

  1. Configura el .env como antes: 
   cp .env.example .env
Enter fullscreen mode Exit fullscreen mode
  1. Inicia los contenedores: 
   docker compose up -d
Enter fullscreen mode Exit fullscreen mode

Puertos por defecto:

  • 3000: interfaz frontend
  • 5001: API backend

El archivo Docker incluye fuentes espejo comentadas para acelerar descargas si lo necesitas.

Reflexiones Finales

An illustration of a future city built with interconnected digital elements, symbolizing advanced AI simulations and their impact on society.

Las plataformas de inteligencia de enjambre, aunque en fases tempranas, abren la puerta a simular entornos sociales complejos mediante IA. Permiten probar políticas, anticipar reacciones del mercado o estudiar la propagación de la información antes de que ocurran en el mundo real. Si bien ninguna simulación es perfecta ni captura toda la complejidad humana, herramientas como MiroFish muestran cómo la IA puede evolucionar de generar respuestas a modelar sociedades digitales, siendo aliadas para la toma de decisiones de empresas, gobiernos e investigaciones. Si la simulación multiagente continúa avanzando, MiroFish representa un paso temprano hacia tecnologías predictivas capaces de explorar el futuro en un entorno digital antes de desplegarlo en la realidad.

Top comments (0)