Conheça o motor de predição multiagente que constrói mundos digitais paralelos para prever comportamentos coletivos com precisão sem precedentes.
O MiroFish é um motor de predição multiagente que cria mundos digitais paralelos onde centenas de agentes autônomos, cada um controlado por um LLM com personalidade e memória únicas, interagem em ambientes simulados de redes sociais. O resultado é uma previsão rica e multifacetada de como grupos reais reagiriam a eventos, produtos ou políticas.
Imagine poder criar uma "cópia digital" de um segmento da sociedade, com centenas de pessoas virtuais que pensam, discutem e reagem como pessoas reais. Cada agente tem sua própria personalidade, opiniões, vieses e estilo de comunicação. Quando você introduz uma notícia, produto ou evento nesse mundo paralelo, os agentes interagem entre si naturalmente - e os padrões que emergem dessas interações são as predições do MiroFish.
Em testes iniciais, o MiroFish demonstrou capacidade de simular até 500 agentes simultaneamente, cada um com personalidade distinta gerada a partir de grafos de conhecimento. A abordagem multiagente captura dinâmicas sociais que pesquisas tradicionais simplesmente não conseguem detectar, como efeitos de cascata informacional e formação espontânea de grupos de opinião.
A ideia central do MiroFish é criar um espelho digital do mundo real. Em vez de perguntar a pessoas reais o que elas fariam (pesquisa tradicional), o MiroFish constrói personas digitais baseadas em dados reais e as coloca para interagir em um ambiente controlado, observando o que emerge naturalmente.
O "mundo paralelo" é composto por dois elementos: o ambiente (simulando plataformas como Twitter e Reddit com todas as suas mecânicas de interação) e os agentes (personas digitais com personalidade, memória e capacidade de ação). Quando esses elementos se combinam, surgem fenômenos sociais reais como polarização, viralização e formação de consenso.
Toda simulação no MiroFish segue um pipeline de 5 etapas bem definidas. Cada etapa transforma dados brutos em previsões acionáveis, desde a construção do conhecimento até a exploração interativa dos resultados.
Documentos e dados são processados para extrair entidades e relações, construindo um grafo de conhecimento que será a base da memória compartilhada dos agentes.
O ambiente de simulação é configurado: plataforma (Twitter/Reddit), número de agentes, regras de interação e o cenário a ser testado.
Os agentes interagem simultaneamente no ambiente, postando, comentando, curtindo e compartilhando conteúdo, gerando dados de comportamento coletivo.
Os dados da simulação são analisados automaticamente para gerar relatórios com tendências, sentimentos dominantes, grupos de opinião e previsões.
O usuário pode "entrevistar" agentes individualmente, explorar subgrupos, fazer perguntas específicas e investigar por que certas tendências emergiram.
A etapa de GraphRAG Building é a mais crítica: quanto mais ricos e diversos forem os documentos de entrada, mais realistas serão as personas geradas. Invista tempo na curadoria dos dados antes de iniciar uma simulação.
O MiroFish nasceu de uma combinação incomum: um desenvolvedor talentoso, a técnica de "Vibe Coding" e o momento perfeito no mercado de IA. Em apenas 10 dias, BaiFu criou um protótipo que atraiu investimento multimilionário.
"Vibe Coding" é uma filosofia de desenvolvimento onde o programador trabalha em fluxo intenso, usando ferramentas de IA como copiloto de desenvolvimento, focando na visão do produto em vez de se prender a detalhes de implementação. BaiFu aplicou essa abordagem para criar o MiroFish em apenas 10 dias, demonstrando que com as ferramentas certas, uma pessoa pode construir sistemas complexos em tempo recorde.
O Shanda Group investiu 30 milhões de yuan (aproximadamente US$ 4,1 milhões) no MiroFish, reconhecendo o potencial da simulação multiagente para análise de mercado e predição social. Este investimento validou a abordagem e acelerou o desenvolvimento do ecossistema completo com MindSpider e BettaFish.
BaiFu define a visão do produto e arquiteta o pipeline de 5 etapas usando Vibe Coding.
Integração com OASIS (CAMEL-AI) e implementação do sistema de agentes com personalidade.
Interface Vue.js, visualizações D3.js e lançamento público no GitHub.
O fork inematds é a versão recomendada do MiroFish para a comunidade internacional. Ele resolve as principais limitações do projeto original: suporte apenas a chinês, dependência do Zep Cloud (serviço pago) e suporte a um único LLM.
As três grandes mudanças do fork: (1) Internacionalização - suporte a PT-BR e inglês além do chinês original; (2) Multi-LLM - integração com DeepSeek, Gemini, Qwen e Kimi em vez de depender de um único provedor; (3) KuzuDB local - substituição do Zep Cloud por um banco de grafos embarcado que roda localmente, eliminando custos e dependências externas.
O MiroFish atende qualquer profissional que precise prever reações coletivas antes que elas aconteçam no mundo real. De analistas de mercado a cientistas políticos, a simulação multiagente oferece uma perspectiva única e difícil de obter por outros meios.
Os cenários de uso mais valiosos incluem: teste de reação a lançamentos de produto (como o público reagiria?), análise de impacto de políticas públicas, previsão de tendências de opinião em redes sociais, simulação de cenários de crise (como diferentes grupos reagiriam a uma notícia negativa?) e pesquisa acadêmica sobre dinâmicas sociais.
Comece com cenários simples e bem definidos. Um teste do tipo "como jovens de 18-25 anos reagiriam ao anúncio X?" é mais produtivo do que "como toda a sociedade reagiria à mudança Y?". A especificidade dos dados de entrada determina a utilidade dos resultados.
Empresas que utilizam simulação multiagente para testes de mercado reportam redução de até 60% no tempo de pesquisa comparado com focus groups tradicionais, além de capturar dinâmicas de grupo que entrevistas individuais não revelam. O custo por simulação varia de US$ 2 a US$ 50 dependendo do número de agentes e do LLM utilizado.