尧图网站建设 
MiroFish 完整部署指南Docker 一键启动到源码搭建的快速上手教程【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFishMiroFish 是一个简洁通用的群体智能引擎目标是预测万物你上传一份种子材料用自然语言描述预测需求它会自动构建一个有成千上万个智能体活动的平行数字世界通过模拟社会演化最终产出一份预测报告。本文给出两条部署路线——Docker 一键启动与源码部署——每一步都是可直接复制的命令并附成功标志和端口冲突等常见问题的处理方法读完即可把系统跑起来并上传你的第一次推演。一、先做准备半分钟检查好环境1.1 环境与硬件要求MiroFish 由 Node.js 前端 Python 后端两部分组成。版本要求以官方文档为准注意 Python 的区间是3.113.12过新或过旧都可能踩坑工具版本要求用途检查命令Node.js≥ 18含 npm前端运行环境node -vPython≥ 3.11 且 ≤ 3.12后端运行环境python --versionuv最新版Python 包管理器自动管理虚拟环境uv --versionDocker Compose任意新版仅容器路线需要docker compose versionGit任意版本拉取代码git --version硬件方面项目未公布官方规格下面这张表是社区经验参考可按预算选档位CPU内存存储适合入门4 核8 GB100 GB SSD首次体验、短轮次模拟标准8 核16 GB200 GB SSD日常多智能体推演进阶16 核32 GB500 GB SSD大规模图谱与并行实验 真正卡脖子的通常不是硬件而是LLM API 的 token 额度——官方明确提示模拟消耗较大建议先用小轮次试跑。1.2 预检脚本把下面脚本存为check.sh在项目任意目录执行bash check.sh。它逐个探测工具输出统一的✅ 已安装 / ❌ 缺失看到 ❌ 就先装对应工具再进入下一步#!/usr/bin/env bash # MiroFish 环境预检脚本 check() { if command -v $1 /dev/null; then echo ✅ 已安装: $1 - $($1 $2 2/dev/null | head -n1) else echo ❌ 缺失: $1$3请先安装 fi } check node -v Node.js 18 check python --version Python 3.11~3.12 check uv --version uvPython 包管理器 check git --version Git check docker --version Docker仅容器路线需要✅ 提示macOS/Linux 上若python不存在python3 --version输出 3.11/3.12 也算达标。1.3 提前申请好两个 API Key无论走哪条路线MiroFish 都依赖两个外部服务建议先把 Key 备齐变量作用说明LLM_API_KEY/LLM_BASE_URL/LLM_MODEL_NAME大模型接口支持任何 OpenAI SDK 格式的服务官方推荐百炼平台 qwen-plusZEP_API_KEYZep 记忆图谱云端图数据库用于保存智能体的长期记忆每月免费额度够简单使用配置模板就在仓库的 .env.example 里后文两条路线都从它出发。二、选一条路线容器一键启动 or 源码部署路线 ADocker 容器一键启动适用场景你只想尽快把 MiroFish 跑起来体验功能不打算改代码。Docker 就像给整套应用单独开了一间房——操作系统、Node、Python 全部预先装好在房里你只负责递钥匙.env。1. 克隆仓库git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish把项目代码下载到本地并进入目录。 ✅ 成功标志目录下能看到docker-compose.yml、frontend/、backend/等文件。2. 准备 .env 配置cp .env.example .env复制出真实配置文件然后编辑.env按 1.3 的表格填入 LLM 三项和ZEP_API_KEY。 ⚠️ 风险提示Key 没填或格式不对时后端启动阶段会直接校验失败退出所以这一步别省。3. 拉取镜像并启动docker compose up -d该命令读取 docker-compose.yml拉取官方镜像、把容器挂到后台并映射 3000前端/ 5001后端两个端口。 ⚠️ 风险提示首次运行要拉取镜像国内网络较慢时可能需要几分钟甚至更久如果长时间无进展可以打开docker-compose.yml把文件里注释好的加速镜像地址替换到image:一行再执行。 ✅ 成功标志docker compose ps中mirofish容器状态为 Up。4. 看启动日志可选docker compose logs -f实时滚动查看容器内部输出确认前后端进程都起来了按CtrlC退出跟踪。 ✅ 成功标志日志里前后端依次完成初始化无红色报错堆栈。图 1Docker 部署成功后的 MiroFish 首页——左侧是功能介绍右侧上传区即可放入种子材料路线 B源码部署官方推荐适用场景你想看懂架构、改代码、调参数。前端Vue Vite和后端Flask以开发模式分别跑在本地改完代码即时生效。1. 克隆仓库git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish✅ 成功标志同路线 A 第 1 步。2. 配置 .envcp .env.example .env编辑.env填入 LLM 三项与ZEP_API_KEY。文件里还有一组LLM_BOOST_*可选加速配置——模板注释里写得很明确不用加速就保持缺失不要留空值。 ✅ 成功标志.env中四项必填值均已替换为真实内容。3. 一键安装全部依赖npm run setup:all这条脚本会依次执行npm install根目录、cd frontend npm install、cd backend uv sync也就是 Node 依赖 Python 依赖一次装齐uv sync会自动创建后端虚拟环境相当于给依赖一个专属盒子避免和其他项目版本打架。 ⚠️ 风险提示过程需要稳定的外网访问中途失败通常重跑一次即可如果前端卡住删掉对应目录下的node_modules再重装。 ✅ 成功标志三个阶段的包管理器都输出完成无ERR类报错。4. 同时启动前后端npm run dev项目根目录的dev脚本会并发拉起两个进程后端cd backend uv run python run.py前端cd frontend npm run dev并且任一进程退出时另一个自动跟随退出。也可以拆开单独跑npm run backend仅后端、npm run frontend仅前端。 ✅ 成功标志终端同时出现后端监听5001和前端 Vite 就绪端口3000的输出Vite 配置里open: true浏览器会自动打开页面。前端开发服务器会把/api请求代理到http://localhost:5001见 frontend/vite.config.js所以页面上调用的其实是后端。图 2源码部署运行后的第 2 步「环境搭建」页面——右侧可配置智能体数量、模拟时长、并发数等仿真参数三、验证与排障确认它真的跑起来了3.1 成功验证清单部署完别急着关掉终端逐项核对浏览器打开http://localhost:3000能看到上传任意报告即刻推演未来的首页Docker 路线执行docker compose psmirofish为 Up源码路线终端里 5001 与 3000 两个端口都在监听后端没有打印配置错误后退出有则对照 .env.example 补齐必填项上传一份种子材料后页面进入图谱构建流程而不是停留在上传区一次小于 40 轮的小规模模拟能顺利走到报告生成步骤图 3验证成功的样子——模拟结束进入报告生成左侧是预测报告正文右侧是 ReportAgent 的规划与执行日志3.2 常见现象对照表现象可能原因解决操作启动报端口已被占用3000 或 5001 被其他程序占用Docker 路线改 docker-compose.yml 的ports如3001:3000源码路线改vite.config.js里的port后端可通过FLASK_PORT环境变量换端口npm run setup:all失败或极慢网络无法访问包仓库删除对应目录的node_modules重装后端为uv sync失败时先检查网络与 uv 版本后端打印配置错误后直接退出.env缺必填 Key后端入口 backend/run.py 启动前会做配置校验逐项补齐 LLM 三项与ZEP_API_KEY首次拉镜像非常慢境外镜像源访问慢用docker-compose.yml注释中提供的加速镜像地址替换image字段3000 能打开但页面请求失败后端未启动或挂了前端依赖/api → 5001代理确认 5001 存活源码路线看终端Docker 路线docker compose logs -f四、调优与进阶控制模拟规模省 token官方明确提示 LLM 消耗较大建议先跑小于 40 轮的模拟智能体数量、模拟时长、并发数都可以在第 2 步「环境搭建」页面直接调见图 2 右侧配置区。可选的 LLM 加速配置.env中的LLM_BOOST_*三项可接入另一个更快的模型服务分担压力属于可选项——模板注释强调不使用就不要保留这些配置项。上传文件持久化Docker 路线下docker-compose.yml已把宿主机./backend/uploads挂载进容器重建容器后你上传过的种子文件依然保留。五、写在最后到这里MiroFish 的两条部署路线、验证清单和排障对照表都齐了Docker 路线适合快速体验源码路线适合深度定制遇到端口冲突和依赖安装问题先翻 3.2 的表格。部署中踩到新的坑欢迎直接到项目 issue 区提出来。留两个小问题给你自测从一条git clone到首页可访问你花了多久卡在哪一步最久你跑通的第一次模拟用了多少轮token 消耗在你的预算范围内吗【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFish创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 MiroFish 完整部署指南：Docker 一键启动到源码搭建的快速上手教程
MiroFish 完整部署指南Docker 一键启动到源码搭建的快速上手教程【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFishMiroFish 是一个简洁通用的群体智能引擎目标是预测万物你上传一份种子材料用自然语言描述预测需求它会自动构建一个有成千上万个智能体活动的平行数字世界通过模拟社会演化最终产出一份预测报告。本文给出两条部署路线——Docker 一键启动与源码部署——每一步都是可直接复制的命令并附成功标志和端口冲突等常见问题的处理方法读完即可把系统跑起来并上传你的第一次推演。一、先做准备半分钟检查好环境1.1 环境与硬件要求MiroFish 由 Node.js 前端 Python 后端两部分组成。版本要求以官方文档为准注意 Python 的区间是3.113.12过新或过旧都可能踩坑工具版本要求用途检查命令Node.js≥ 18含 npm前端运行环境node -vPython≥ 3.11 且 ≤ 3.12后端运行环境python --versionuv最新版Python 包管理器自动管理虚拟环境uv --versionDocker Compose任意新版仅容器路线需要docker compose versionGit任意版本拉取代码git --version硬件方面项目未公布官方规格下面这张表是社区经验参考可按预算选档位CPU内存存储适合入门4 核8 GB100 GB SSD首次体验、短轮次模拟标准8 核16 GB200 GB SSD日常多智能体推演进阶16 核32 GB500 GB SSD大规模图谱与并行实验 真正卡脖子的通常不是硬件而是LLM API 的 token 额度——官方明确提示模拟消耗较大建议先用小轮次试跑。1.2 预检脚本把下面脚本存为check.sh在项目任意目录执行bash check.sh。它逐个探测工具输出统一的✅ 已安装 / ❌ 缺失看到 ❌ 就先装对应工具再进入下一步#!/usr/bin/env bash # MiroFish 环境预检脚本 check() { if command -v $1 /dev/null; then echo ✅ 已安装: $1 - $($1 $2 2/dev/null | head -n1) else echo ❌ 缺失: $1$3请先安装 fi } check node -v Node.js 18 check python --version Python 3.11~3.12 check uv --version uvPython 包管理器 check git --version Git check docker --version Docker仅容器路线需要✅ 提示macOS/Linux 上若python不存在python3 --version输出 3.11/3.12 也算达标。1.3 提前申请好两个 API Key无论走哪条路线MiroFish 都依赖两个外部服务建议先把 Key 备齐变量作用说明LLM_API_KEY/LLM_BASE_URL/LLM_MODEL_NAME大模型接口支持任何 OpenAI SDK 格式的服务官方推荐百炼平台 qwen-plusZEP_API_KEYZep 记忆图谱云端图数据库用于保存智能体的长期记忆每月免费额度够简单使用配置模板就在仓库的 .env.example 里后文两条路线都从它出发。二、选一条路线容器一键启动 or 源码部署路线 ADocker 容器一键启动适用场景你只想尽快把 MiroFish 跑起来体验功能不打算改代码。Docker 就像给整套应用单独开了一间房——操作系统、Node、Python 全部预先装好在房里你只负责递钥匙.env。1. 克隆仓库git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish把项目代码下载到本地并进入目录。 ✅ 成功标志目录下能看到docker-compose.yml、frontend/、backend/等文件。2. 准备 .env 配置cp .env.example .env复制出真实配置文件然后编辑.env按 1.3 的表格填入 LLM 三项和ZEP_API_KEY。 ⚠️ 风险提示Key 没填或格式不对时后端启动阶段会直接校验失败退出所以这一步别省。3. 拉取镜像并启动docker compose up -d该命令读取 docker-compose.yml拉取官方镜像、把容器挂到后台并映射 3000前端/ 5001后端两个端口。 ⚠️ 风险提示首次运行要拉取镜像国内网络较慢时可能需要几分钟甚至更久如果长时间无进展可以打开docker-compose.yml把文件里注释好的加速镜像地址替换到image:一行再执行。 ✅ 成功标志docker compose ps中mirofish容器状态为 Up。4. 看启动日志可选docker compose logs -f实时滚动查看容器内部输出确认前后端进程都起来了按CtrlC退出跟踪。 ✅ 成功标志日志里前后端依次完成初始化无红色报错堆栈。图 1Docker 部署成功后的 MiroFish 首页——左侧是功能介绍右侧上传区即可放入种子材料路线 B源码部署官方推荐适用场景你想看懂架构、改代码、调参数。前端Vue Vite和后端Flask以开发模式分别跑在本地改完代码即时生效。1. 克隆仓库git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish✅ 成功标志同路线 A 第 1 步。2. 配置 .envcp .env.example .env编辑.env填入 LLM 三项与ZEP_API_KEY。文件里还有一组LLM_BOOST_*可选加速配置——模板注释里写得很明确不用加速就保持缺失不要留空值。 ✅ 成功标志.env中四项必填值均已替换为真实内容。3. 一键安装全部依赖npm run setup:all这条脚本会依次执行npm install根目录、cd frontend npm install、cd backend uv sync也就是 Node 依赖 Python 依赖一次装齐uv sync会自动创建后端虚拟环境相当于给依赖一个专属盒子避免和其他项目版本打架。 ⚠️ 风险提示过程需要稳定的外网访问中途失败通常重跑一次即可如果前端卡住删掉对应目录下的node_modules再重装。 ✅ 成功标志三个阶段的包管理器都输出完成无ERR类报错。4. 同时启动前后端npm run dev项目根目录的dev脚本会并发拉起两个进程后端cd backend uv run python run.py前端cd frontend npm run dev并且任一进程退出时另一个自动跟随退出。也可以拆开单独跑npm run backend仅后端、npm run frontend仅前端。 ✅ 成功标志终端同时出现后端监听5001和前端 Vite 就绪端口3000的输出Vite 配置里open: true浏览器会自动打开页面。前端开发服务器会把/api请求代理到http://localhost:5001见 frontend/vite.config.js所以页面上调用的其实是后端。图 2源码部署运行后的第 2 步「环境搭建」页面——右侧可配置智能体数量、模拟时长、并发数等仿真参数三、验证与排障确认它真的跑起来了3.1 成功验证清单部署完别急着关掉终端逐项核对浏览器打开http://localhost:3000能看到上传任意报告即刻推演未来的首页Docker 路线执行docker compose psmirofish为 Up源码路线终端里 5001 与 3000 两个端口都在监听后端没有打印配置错误后退出有则对照 .env.example 补齐必填项上传一份种子材料后页面进入图谱构建流程而不是停留在上传区一次小于 40 轮的小规模模拟能顺利走到报告生成步骤图 3验证成功的样子——模拟结束进入报告生成左侧是预测报告正文右侧是 ReportAgent 的规划与执行日志3.2 常见现象对照表现象可能原因解决操作启动报端口已被占用3000 或 5001 被其他程序占用Docker 路线改 docker-compose.yml 的ports如3001:3000源码路线改vite.config.js里的port后端可通过FLASK_PORT环境变量换端口npm run setup:all失败或极慢网络无法访问包仓库删除对应目录的node_modules重装后端为uv sync失败时先检查网络与 uv 版本后端打印配置错误后直接退出.env缺必填 Key后端入口 backend/run.py 启动前会做配置校验逐项补齐 LLM 三项与ZEP_API_KEY首次拉镜像非常慢境外镜像源访问慢用docker-compose.yml注释中提供的加速镜像地址替换image字段3000 能打开但页面请求失败后端未启动或挂了前端依赖/api → 5001代理确认 5001 存活源码路线看终端Docker 路线docker compose logs -f四、调优与进阶控制模拟规模省 token官方明确提示 LLM 消耗较大建议先跑小于 40 轮的模拟智能体数量、模拟时长、并发数都可以在第 2 步「环境搭建」页面直接调见图 2 右侧配置区。可选的 LLM 加速配置.env中的LLM_BOOST_*三项可接入另一个更快的模型服务分担压力属于可选项——模板注释强调不使用就不要保留这些配置项。上传文件持久化Docker 路线下docker-compose.yml已把宿主机./backend/uploads挂载进容器重建容器后你上传过的种子文件依然保留。五、写在最后到这里MiroFish 的两条部署路线、验证清单和排障对照表都齐了Docker 路线适合快速体验源码路线适合深度定制遇到端口冲突和依赖安装问题先翻 3.2 的表格。部署中踩到新的坑欢迎直接到项目 issue 区提出来。留两个小问题给你自测从一条git clone到首页可访问你花了多久卡在哪一步最久你跑通的第一次模拟用了多少轮token 消耗在你的预算范围内吗【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFish创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考