「One Open Source Project a Day（No.43）」MiroFish：群れ知能で未来を予測する

従来のアプローチ:
  過去データ → 統計モデル → 「来月の売上はXになる」
  問題: 理由を説明できない；ブラックスワン事象に対応できない

MiroFishのアプローチ:
  知識を起点に + マルチエージェント・シミュレーション → 集団の振る舞いが進化
  → 「この条件下では、群衆はこのように反応する」
  利点: 説明可能、介入可能（インターベイラブル）、what-if分析をサポート

ステージ1：グラフ構築
  シードドキュメント（PDF/URL）→ PyMuPDFで抽出 → GraphRAGの知識グラフ
  出力：ドメイン知識グラフ（エンティティ + 関係性）

ステージ2：環境設定
  CAMEL-AI OASISが仮想プラットフォームを初期化
  各エージェントにZep Cloudの長期メモリを割り当てる
  知識グラフのコンテキストをエージェントのコンテキストへ注入

ステージ3：並列シミュレーション
  二つのプラットフォームで同時に実行（信頼性検証のため）
  Nラウンドにわたって数千のエージェントが相互作用
  エージェントの振る舞いはLLMによって駆動され、ペルソナプロフィールで制約される

ステージ4：レポート生成
  シミュレーション軌跡を集約
  LLMが集合的な振る舞いパターンを要約
  構造化されたトレンドレポートを生成

ステージ5：深いインタラクション
  ユーザーはレポートに関する自然言語の質問を行える
  「God-mode」変数注入（実行時what-if）をサポート
  RAGがシミュレーション記録を参照して質問に答える

# 標準RAG：ドキュメント → ベクトル → 類似チャンクを取得
# 問題：「事実は何か」は答えられても、関係性について推論できない
# GraphRAG：ドキュメント → エンティティ抽出 → 関係グラフ → グラフ探索
# 利点：「AはBに影響する。BはCに対して何をするのか？」と推論できる

# 各エージェントには永続的なメモリがある
agent_memory = ZepMemory(
    session_id=f"agent_{agent_id}",
    zep_client=zep_client
)

# シミュレーションのラウンド間では、エージェントは「以前の相互作用」を「覚えて」いられる
# これによりエージェントの振る舞いは一貫し、現実の人間の認知により近づく

# 例：「競合が突然20%値下げしたらどうなる？」
god_mode_injection = {
    ""event"": "competitor_price_cut",
    ""magnitude"": -0.20,
    ""timing"": "round_15",
    ""affected_agents"": "all_consumer_agents"
}

# 注入後、シミュレーションはこの「外部ショック」に対してリアルタイムに応答します
# 出力：グループのセンチメント変化 + 行動進化の軌跡

プラットフォームA ─── 結果A ──┐
                            ├── 信頼度スコアリング + 統合レポート
プラットフォームB ─── 結果B ──┘

[BettaFish]                        [MiroFish]
Weibo / Twitter / Reddit / ...  →  シードデータ → 知識グラフ
センチメントデータ収集        →  アジェント初期化
30+ プラットフォーム            →  シミュレーション → レポート → 予測

# クローン
git clone https://github.com/666ghj/MiroFish.git
cd MiroFish

# 環境を設定
cp .env.example .env
# .env を編集：
# - OPENAI_API_KEY（または互換API）
# - ZEP_API_KEY（Zep Cloud アカウント）
# - GRAPHRAG_API_KEY

# オプション1：Dockerのワンコマンド起動（推奨）
docker-compose up -d

# オプション2：手動起動
pip install -r requirements.txt
cd frontend && npm install && npm run build && cd ..
python app.py

1. シードドキュメントをアップロード（PDF またはURLを入力）
2. シミュレーションパラメータを設定（エージェント数、ラウンド数、トピック）
3. 「Start Simulation」をクリック
4. 約10〜30分待機（エージェント数とAPIの速度によります）
5. 生成されたトレンドレポートを確認し、自然言語でフォローアップ質問を行う

┌──────────────────────────────────────────────────────┐
│               フロントエンド層（Vue.js）              │
│  設定 / プログレスモニタ / レポートビューア / チャット    │
└──────────────────────┬───────────────────────────────┘
                       │ REST API
┌──────────────────────▼───────────────────────────────┐
│             バックエンド層（Flask + Python）           │
│  5段階パイプラインのオーケストレーション / ゴッドモードctrl │
└──────┬───────────────┬─────────────────┬─────────────┘
       │               │                 │
┌──────▼──────┐  ┌─────▼──────┐  ┌──────▼─────────────┐
│ 知識層       │  │ シミュレーション │  │ メモリ層           │
│   Knowledge  │  │   Layer       │  │  Zep Cloud         │
│  GraphRAG   │  │  CAMEL-AI     │  │  エージェントごとのメモリ │
│  Knowledge  │  │  OASIS      │  │  ラウンド横断の保持 │
│  graph      │  │  デュアルプラット │  │  永続化               │
│  PyMuPDF    │  │  並列        │  └────────────────────┘
└─────────────┘  └────────────┘

from oasis import Environment, Agent, Platform

# 仮想プラットフォームを初期化
platform = Platform(
    name="simulated_weibo",
    max_agents=5000,
    interaction_rules=InteractionConfig(
        max_posts_per_round=10,
        follow_probability=0.3
    )
)

返却形式: {"translated": "翻訳されたHTML"}# 多様なペルソナでエージェントを作成する
agents = [
    Agent(
        id=i,
        persona=PersonaProfile(
            age=random.randint(18, 65),
            occupation=random.choice(occupations),
            political_lean=random.gauss(0, 1),
            activity_level=random.uniform(0.1, 1.0)
        ),
        memory=ZepMemory(session_id=f"agent_{i}"),
        knowledge_context=graphrag_context
    )
    for i in range(5000)
]

# シミュレーションを起動する
env = Environment(platform=platform, agents=agents)
results = env.run(rounds=50, topic="EV 補助金政策")

from graphrag import GraphRAGPipeline

# シードドキュメントからナレッジグラフを構築する
pipeline = GraphRAGPipeline(
    input_dir="./seed_documents",
    output_dir="./knowledge_graph"
)

pipeline.run()
# 出力例：
# Entities: [Tesla, BYD, Subsidy Policy, Consumer Groups, ...]
# Relations: [Tesla → competes → BYD]
#             [Subsidy Policy → stimulates → consumer purchase intent]
#             [Purchase intent → drives → market share]
# ナレッジグラフをエージェントのコンテキストに注入する
context = pipeline.query("EV 市場における重要な要因")

def generate_report(simulation_results):
    """シミュレーションの軌跡からトレンドレポートを生成する"""

    # 1. 集計統計
    sentiment_evolution = aggregate_sentiment(simulation_results)
    opinion_clusters = cluster_opinions(simulation_results)
    key_events = detect_tipping_points(simulation_results)

    # 2. LLM による合成
    report_prompt = f"""
    以下のシミュレーションデータに基づいて、トレンド分析レポートを生成してください：
    - 機嫌（センチメント）の推移の曲線： {sentiment_evolution}
    - 意見クラスタ： {opinion_clusters}
    - 重要な転換点： {key_events}

    分析：集団としての最終的なスタンス、主要な駆動要因、起こり得る進化の道筋
    """

    report = llm.complete(report_prompt)

    # 3. デュアルプラットフォーム整合性チェック
    confidence = calculate_confidence(
        results_platform_a=simulation_results["platform_a"],
        results_platform_b=simulation_results["platform_b"]
    )

    return Report(content=report, confidence=confidence)

MIT/Apache:  修正はクローズドソースのままでもよい（共有せずに商用化できる）
GPL:         修正したコードを配布する場合、オープンソースにする必要がある
AGPL:        修正コードを使ったネットワークサービス（SaaS）であっても、修正内容をオープンソースにしなければならない

→ MiroFishをAGPLで使う場合：それをクラウドサービスとして構築するなら
  自分の変更点をオープンソース化する必要があります。個人の研究やローカルでの利用には制限はありません。