Guide de Configuration — MiroFish

Guide de Configuration — MiroFish

Moteur de prédiction par intelligence collective : simule des milliers d'agents IA pour prédire l'avenir. GitHub : https://github.com/666ghj/MiroFish

---

Prérequis

• Node.js ≥ 18
• Python ≥ 3.10
• npm ≥ 9
• Git
• Une clé API LLM (OpenAI, Qwen, ou tout modèle compatible OpenAI)
• Une clé API Zep (mémoire long-terme des agents) — gratuit sur https://app.getzep.com

---

1. Cloner le dépôt

git clone https://github.com/666ghj/MiroFish.git
cd MiroFish

---

2. Configurer les variables d'environnement

cp .env.example .env

Éditer .env :

# --- LLM principal (obligatoire) ---
LLM_API_KEY=sk-votre-clé-api
LLM_BASE_URL=https://api.openai.com/v1          # ou URL compatible OpenAI
LLM_MODEL_NAME=gpt-4o-mini                      # recommandé pour débuter

# --- Mémoire des agents (obligatoire) ---
ZEP_API_KEY=votre-clé-zep                       # https://app.getzep.com

# --- Optionnel : modèle dédié aux rapports ---
REPORT_LLM_API_KEY=sk-votre-clé
REPORT_LLM_BASE_URL=https://api.openai.com/v1
REPORT_LLM_MODEL_NAME=gpt-4o

Conseil : Pour un premier test, utiliser gpt-4o-mini ou Llama-3.1-8B (rapide et économique). Passer à un modèle plus puissant une fois la simulation validée.

---

3. Installation — Méthode 1 : Source (recommandée)

# Installer les dépendances Node (racine + frontend)
npm run setup

# Installer les dépendances Python (backend, crée un venv automatiquement)
npm run setup:backend

# Ou tout en une commande :
npm run setup:all

---

4. Installation — Méthode 2 : Docker (plus simple)

# Copier l'env (même étape que ci-dessus)
cp .env.example .env
# Remplir .env avec les clés API

# Lancer avec Docker Compose
docker compose up -d

Ports exposés :

• Frontend : http://localhost:3000
• Backend API : http://localhost:5001

---

5. Lancer l'application (méthode source)

npm run dev

Ouvrir http://localhost:3000 dans le navigateur.

---

6. Créer une première simulation

L'interface suit un workflow en 5 étapes :

Étape 1 — Graph Building

• Uploader un document "graine" (article, rapport, signal financier, histoire)
• MiroFish extrait les entités et construit un graphe de connaissances (GraphRAG)

Étape 2 — Environment Setup

• Les agents sont générés avec des personnalités, mémoires et comportements uniques
• Définir le nombre d'agents (50 à 10 000+ selon la RAM disponible)

Étape 3 — Simulation

• Lancer la simulation
• Les agents interagissent, évoluent, et font émerger des comportements collectifs
• Injecter des variables depuis la "vue omnisciente" pour tester des scénarios

Étape 4 — Report Generation

• Le ReportAgent analyse la simulation
• Génère un rapport de prédiction détaillé

Étape 5 — Deep Interaction

• Chatter directement avec n'importe quel agent du monde simulé
• Interroger le ReportAgent pour affiner l'analyse

---

7. Recommandations de performance

Taille simulation	RAM recommandée	Modèle conseillé
50–200 agents	8 Go	gpt-4o-mini / Llama-3.1-8B
200–1000 agents	16 Go	gpt-4o / Llama-3.1-70B
1000+ agents	32 Go+	Modèle hébergé dédié

---

Vérification

• Frontend accessible sur localhost:3000
• Backend accessible sur localhost:5001
• Simulation de test complétée (upload d'un court article)
• Rapport généré avec succès

---

Ressources

• README EN : https://github.com/666ghj/MiroFish/blob/main/README-EN.md
• DeepWiki : https://deepwiki.com/666ghj/MiroFish
• Demo en ligne : https://mirofish-live-demo (voir README)
• Contact équipe : mirofish@shanda.com