00后大四学生10天 Vibe Coding，斩获 7.7K Star！登顶 GitHub 的国产AI项目！

这两天，GitHub 全球趋势榜炸了。

不是 OpenAI 的新模型，不是谷歌的开源项目，也不是微软的什么黑科技。登顶榜首的，是一个叫 MiroFish 的国产 AI 开源项目。

一款主打"预测万物"的群体智能引擎。

更让人惊掉下巴的是，这个项目的背后，是一个国内的 00 后大四学生，网名 BaiFu。

就在短短3个月的时间里，他从写代码到拿到盛大集团 3000 万投资，直接把毕设变成了创业公司。

这听起来确实像是一个爽文剧本，但正如你所说，这是在2026年的当下，发生在国内科技圈最真实、也最硬核的商业故事。

连续两次登顶 GitHub 榜首

说起来，这已经不是 BaiFu 第一次"搞事情"了。

就在 2025 年，他开发的另一个项目 BettaFish，也曾登上过 GitHub 全球趋势榜的第一名。那个项目是一个多智能体舆情分析助手，当时也是在技术圈引起了不小的轰动。

我记得去年也写过文章分享了该项目！

现在已是36.9K标星成就了： 痕小子，公众号：开源星探5K标星！开源AI Agent舆情分析神器，预测趋势一键搞定！

而这次的 MiroFish，更像是 BettaFish 的升级版，但格局却完全不一样了。

如果说 BettaFish 是专注于舆情分析的「专项选手」，那 MiroFish 就是一个「全能选手」——一个简洁通用的群体智能引擎，可以预测万物。

更让人不可思议的是，这两个项目，都是这个00后小孩哥在10天内用"vibe coding"写出来的。

MiroFish 到底是什么？

那么，这个让无数开发者惊叹的MiroFish，到底是个什么神仙项目？

根据 GitHub 上的项目介绍，MiroFish 是一款基于多智能体技术的新一代 AI 预测引擎。

它的核心逻辑听起来就很科幻：通过提取现实世界的种子信息（比如突发新闻、政策草案、金融信号），自动构建出高保真的平行数字世界。

在这个数字世界里，成千上万个具备独立人格、长期记忆与行为逻辑的智能体进行自由交互与社会演化。而你，则可以透过"上帝视角"动态注入变量，精准推演未来走向。

简单来说，就是让未来在数字沙盘中预演，让决策在百战模拟后胜出。

从严肃预测到趣味仿真

MiroFish的应用场景，简直让人脑洞大开。

在宏观层面，它可以成为决策者的预演实验室，让政策与公关在零风险中试错。

而在微观层面，它又可以是个人用户的创意沙盘。无论是推演小说结局还是探索各种脑洞，都可以变得有趣、好玩、触手可及。

项目演示中就提到了两个非常有意思的例子：一个是武汉大学舆情推演预测，另一个是《红楼梦》失传结局推演预测。

是的，你没看错，用 MiroFish 来预测《红楼梦》的结局，这想法也太浪漫了吧！

快速上手

如果你也想亲身体验一下这个神奇的项目，MiroFish 提供了两种部署方式：源码部署和Docker部署。

前置要求

在开始之前，你需要准备好以下环境：

• • Node.js 18+：前端运行环境
• • Python 3.11-3.12：后端运行环境
• • uv：最新版的Python包管理器

方式一：源码部署（推荐）

① 配置环境变量

首先复制示例配置文件：

cp .env.example .env

然后编辑.env文件，填入必要的API密钥。必需的环境变量包括：

# LLM API配置（支持OpenAI SDK格式的任意LLM API）
LLM_API_KEY=your_api_key
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus

# Zep Cloud配置
ZEP_API_KEY=your_zep_api_key

② 安装依赖

你可以选择一键安装所有依赖：

npm run setup:all

或者分步安装：

# 安装Node依赖（根目录 + 前端）
npm run setup

# 安装Python依赖（后端，自动创建虚拟环境）
npm run setup:backend

③ 启动服务

在项目根目录执行以下命令，同时启动前后端：

npm run dev

启动后，你可以通过以下地址访问：

• • 前端：http://localhost:3000
• • 后端API：http://localhost:5001

当然，你也可以单独启动：

npm run backend   # 仅启动后端
npm run frontend  # 仅启动前端

方式二：Docker部署

如果你习惯使用Docker，部署过程会更加简单：

① 配置环境变量

同样需要先配置.env文件，步骤同源码部署。

② 拉取镜像并启动

docker compose up -d

默认会读取根目录下的.env文件，并映射端口3000（前端）和5001（后端）。在docker-compose.yml中还提供了加速镜像地址，可以按需替换。

技术架构

让我们来看看 MiroFish 的工作流程，整个过程分为五个步骤：

第一步：图谱构建

• • 现实种子提取
• • 个体与群体记忆注入
• • GraphRAG构建

第二步：环境搭建

• • 实体关系抽取
• • 人设生成
• • 环境配置Agent注入仿真参数

第三步：开始模拟

• • 双平台并行模拟
• • 自动解析预测需求
• • 动态更新时序记忆

第四步：报告生成

• • ReportAgent拥有丰富的工具集
• • 与模拟后环境进行深度交互

第五步：深度互动

• • 与模拟世界中的任意一位进行对话
• • 与ReportAgent进行对话

整个流程环环相扣，从数据输入到结果输出，形成了一个完整的闭环。

超级个体的时代，真的来了

当我们深入了解这个故事的细节时，会发现它背后的时代意义——超级个体的时代，真的来了！

BaiFu 的故事不是孤例。在这个AI时代，我们看到越来越多的年轻开发者，凭借着AI工具和开源社区的力量，一个人就能干出过去一个团队才能干成的事情。

当AI工具、开源社区和年轻开发者的力量叠加在一起时，一个人，就是一支创新军团。

未来，还会有更多的超级个体涌现，还会有更多的AI时代创业神话上演。而我们，有幸见证这个时代的到来。

写在最后

如果你对MiroFish感兴趣，也可以访问在线Demo演示环境，体验一下他们准备的热点舆情事件推演预测。

在线Demo: https://666ghj.github.io/mirofish-demo

在这个AI技术快速发展的时代，每一个人都有机会创造奇迹。谁知道下一个登顶GitHub榜首的，会不会就是正在看这篇文章的你呢？

GitHub：https://github.com/666ghj/MiroFish

如果本文对您有帮助，也请帮忙点个 赞👍 + 在看 哈！❤️

在看你就赞赞我！