Un motor de simulación de enjambres multiagente que crea un mundo digital a partir de material semilla para predecir los resultados de eventos informativos, políticos o financieros.
MiroFish es un motor de predicción que usa simulación multiagente. Se carga material semilla, como artículos periodísticos, borradores de políticas, señales financieras o incluso una novela, y se describe en lenguaje natural qué se quiere predecir. El sistema extrae entidades y relaciones para crear un grafo de conocimiento, genera agentes con personalidades y memoria propias, y ejecuta una simulación en dos plataformas en la que interactúan durante muchas rondas.
Durante una ejecución, los usuarios pueden introducir nuevas variables en el entorno simulado para probar cómo cambian la trayectoria distintas condiciones. Cuando termina la simulación, un ReportAgent genera un informe de predicción y permite conversar con agentes individuales o con el agente del informe para explorar los resultados.
El backend está desarrollado en Python y el frontend se ejecuta en Node.js. Se basa en el framework de simulación social de agentes OASIS de CAMEL-AI y usa Zep Cloud para la memoria. Admite cualquier API de LLM compatible con OpenAI para las llamadas al modelo. También se ofrece la implementación con Docker Compose.
Copia el archivo de entorno de ejemplo
cp .env.example .envAñade las claves API necesarias (LLM y Zep) a .env
Instala todas las dependencias
npm run setup:allInicia el frontend y el backend (frontend en localhost:3000 y backend en localhost:5001)
npm run devResumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Infraestructura en Python que convierte datos empresariales en una capa de contexto basada en grafos, con ontologías, razonamiento, procedencia y registros de auditoría de decisiones para sistemas de IA.
Una biblioteca de Python que restringe las salidas de los LLM durante la generación para que coincidan con un tipo, una expresión regular, un esquema JSON o una gramática determinados.
Base de conocimiento autohospedada en Rust que crea un grafo de conocimiento bitemporal a partir de documentos, con búsqueda RAG, razonamiento basado en ontologías y acceso MCP para agentes.
Convierte texto no estructurado en un grafo de conocimiento interactivo usando un LLM para extraer tripletas sujeto-predicado-objeto.
Herramienta de grafos de conocimiento local que usa Ollama para que un modelo ejecutado en tu máquina razone paso a paso y almacene el razonamiento como un grafo RDF.
Repositorio educativo con 30 notebooks de Jupyter ejecutables sobre técnicas de memoria para agentes LLM, desde buffers de conversación hasta Mem0, Letta, Zep y Graphiti.