MiroFish: Die KI-Vorhersagemaschine mit Schwarmintelligenz

Stellen Sie sich eine Software vor, in die Sie einen Presseartikel, ein Finanzsignal oder einen Gesetzentwurf einspeisen und die sofort eine digitale Welt mit tausenden autonomen Charakteren aufbaut. Diese Charaktere debattieren, bilden Koalitionen, ändern ihre Meinung, und ihre kollektiven Verhaltensweisen erzeugen einen Vorhersagebericht darüber, was in der realen Welt passieren könnte.

Diese Software existiert. Sie heißt MiroFish, ist Open Source und wurde in zehn Tagen von einem 20-jährigen chinesischen Studenten gebaut.

Seit ihrem Launch Anfang März 2026 hat MiroFish über 33.000 Sterne auf GitHub gesammelt, sich an die Spitze des weltweiten GitHub-Trending-Rankings gesetzt und in weniger als 24 Stunden eine Finanzierung von 30 Millionen Yuan (rund 4 Millionen Euro) erhalten. Das Projekt fasziniert ebenso durch seine technische Ambition wie durch die unwahrscheinliche Geschichte seiner Entstehung.

MiroFish ist eine Vorhersagemaschine auf Basis von swarm intelligence (Schwarmintelligenz). Im Gegensatz zu klassischen Prognosemodellen, die sich auf Zeitreihen oder statistische Regressionen stützen, verfolgt MiroFish einen radikal anderen Ansatz: Es simuliert kollektives menschliches Verhalten.

Das Prinzip ist einfach zu verstehen, auch wenn die Umsetzung komplex ist. Sie geben dem System ein Quelldokument: einen Presseartikel, einen Finanzbericht, einen politischen Gesetzentwurf oder sogar einen Roman. MiroFish extrahiert die Entitäten und Beziehungen aus diesem Dokument, um einen Wissensgraphen aufzubauen. Aus diesem Graphen generiert es tausende autonome KI-Agenten, jeder mit einer eigenen Persönlichkeit, einem Langzeitgedächtnis, einer sozialen Historie und einer einzigartigen Verhaltenslogik.

Diese Agenten werden dann in eine digitale Umgebung entlassen, die soziale Plattformen (vom Typ X oder Reddit) simuliert. Sie interagieren frei: Sie posten, kommentieren, folgen sich, debattieren, ändern ihre Position. Die kollektiven Dynamiken, die aus diesen Interaktionen entstehen (Bildung dominanter Meinungen, Polarisierung, Gruppeneffekte, narrative Wendungen), werden analysiert, um einen strukturierten Vorhersagebericht zu erstellen.

Zusammengefasst: MiroFish sagt die Zukunft nicht durch Extrapolation von Zahlen voraus. Es baut eine Miniaturversion des betreffenden sozialen Systems und lässt sie im Schnelldurchlauf laufen.

Die Geschichte von MiroFish beginnt mit Guo Hangjiang, einem Studenten im letzten Studienjahr an der Universität für Post und Telekommunikation Peking. Bekannt unter dem Pseudonym "Baifu" auf Entwicklerplattformen, ist Guo begeistert von der Architektur intelligenter Agenten und Graphenberechnung.

Ende 2024 hatte sein erstes Open-Source-Projekt BettaFish (ein Tool zur Multi-Agenten-Sentiment-Analyse) bereits den ersten Platz im weltweiten GitHub Trending erreicht und in einer Woche 20.000 Sterne gesammelt. Dieser Erfolg erregte die Aufmerksamkeit von Chen Tianqiao, Gründer der Shanda-Gruppe und ehemals reichster Mann Chinas. Chen, inzwischen in den USA ansässiger Tech-Investor, vertritt eine Theorie des "Super-Individuums": die Idee, dass im KI-Zeitalter eine einzelne Person das Äquivalent eines ganzen Unternehmens schaffen kann.

Chen lud Guo zu einem Praktikum bei Shanda mit völliger Freiheit ein. In zehn Tagen, unter Verwendung dessen, was Guo "Vibe Coding" nennt (eine schnelle und intuitive, durch KI-Tools unterstützte Entwicklungsmethode), war MiroFish funktionsfähig. Noch am selben Abend nahm Guo ein Demo-Video auf und schickte es direkt an Chen Tianqiao.

In weniger als 24 Stunden stellte Chen 30 Millionen Yuan (rund 4,1 Millionen Dollar) zur Inkubation des Projekts bereit. Guo wechselte über Nacht vom Praktikanten zum CEO. Am 7. März 2026 erreichte MiroFish den ersten Platz des weltweiten GitHub-Trending-Rankings, mit 18.000 Sternen und fast 1.900 Forks innerhalb weniger Tage.

Die Funktionsweise von MiroFish basiert auf einer klar definierten fünfstufigen Pipeline. So verwandelt das System ein einfaches Dokument in eine vollständige prädiktive Simulation.

Das Quelldokument (Presseartikel, Finanzbericht, Gesetzentwurf, literarisches Werk) wird von GraphRAG analysiert, einer für strukturierte Daten optimierten Retrieval-Augmented-Generation-Technologie. Das System extrahiert die Entitäten (Personen, Organisationen, Ereignisse, Konzepte) und ihre Beziehungen, um einen Wissensgraphen zu erstellen, der als Grundlage für die Simulation dient.

Ausgehend vom Graphen generiert MiroFish tausende Agenten-Personas. Jeder Agent erhält ein einzigartiges Profil mit einer eigenständigen Persönlichkeit, einer Historie, einer Anfangsposition zum Thema und sozialen Beziehungen zu anderen Agenten. Ein Umgebungskonfigurations-Agent definiert die Regeln der Simulation. Das Langzeitgedächtnis jedes Agenten wird von Zep Cloud verwaltet, was es ihnen ermöglicht, ihre Erfahrungen über die Zeit zu speichern und weiterzuentwickeln.

Die Simulation wird auf zwei parallelen Plattformen (eine vom Typ X und eine vom Typ Reddit) über die OASIS-Engine gestartet, die von der CAMEL-AI-Forschungsgemeinschaft entwickelt wurde. Diese Engine ist darauf ausgelegt, bis zu eine Million Agenten gleichzeitig mit 23 Arten sozialer Aktionen zu verwalten (posten, kommentieren, liken, folgen usw.). Während der Simulation werden die Erinnerungen der Agenten dynamisch entsprechend ihrer Interaktionen aktualisiert.

Ein spezialisierter Agent namens ReportAgent analysiert die Ergebnisse der Simulation. Er untersucht die Meinungsentwicklungen, die gebildeten Koalitionen, die emergenten Verhaltensmuster und erstellt einen strukturierten und lesbaren Vorhersagebericht. Dieser Bericht identifiziert die wahrscheinlichsten Szenarien und die beobachteten Schlüsseldynamiken.

Nach der Simulation können Sie direkt mit jedem beliebigen Agenten oder mit dem ReportAgent interagieren. Sie können ergänzende Fragen stellen, neue Variablen einbringen ("was würde passieren, wenn die Fed die Zinsen senkt?", "was würde passieren, wenn der CEO zurücktritt?") und modifizierte Szenarien neu starten. Genau das nennt MiroFish die "göttliche Sicht" (God's-eye view): die Fähigkeit, Bedingungen während der laufenden Simulation zu verändern und in Echtzeit zu beobachten, wie sich die digitale Welt neu organisiert.

Um zu verstehen, was MiroFish bringt, ist es nützlich, es mit klassischen Prognosemethoden zu vergleichen.

Diese beiden Ansätze schließen sich nicht gegenseitig aus. Der Wert von MiroFish liegt in seiner Fähigkeit, Szenarien und Dynamiken hervorzubringen, die statistische Modelle nicht erfassen: Meinungsumschwünge, Kaskadeneffekte, unerwartete Koalitionen. Die traditionelle Prognose bleibt überlegen für präzise quantitative Schätzungen.

MiroFish kann die kollektive Reaktion verschiedener Anlegerprofile (Privatanleger, Institutionelle, Analysten) auf ein Marktsignal simulieren. Eine Demonstration simulierte die Folgen einer Zinserhöhung der Fed, indem beobachtet wurde, wie Gruppensentiments konvergieren und wie sich Trajektorien der öffentlichen Meinung bilden. Für Finanzstrategie-Teams ist es ein Werkzeug für narrative Stresstests: nicht "wie hoch wird der Preis sein?", sondern "wie werden die Marktakteure reagieren und sich gegenseitig beeinflussen?".

Bevor eine öffentliche Politik eingeführt wird, ist es möglich, die Reaktionen der Stakeholder zu simulieren: Bürger, Lobbys, Medien, Opposition. MiroFish kann unerwartete Allianzen oder Blockadepunkte hervorbringen, die klassische Analysen nicht erkennen würden. Die Erweiterung in Richtung geopolitischer Modellierung und Wargaming ist eine natürliche Möglichkeit dieser Architektur.

Angesichts einer potenziellen Krise ermöglicht MiroFish die Simulation der Entwicklung der öffentlichen Meinung in sozialen Netzwerken. Welche Narrative würden dominieren? Welche Gruppen würden sich bilden? Wo lägen die Wendepunkte? Es ist ein Krisensimulator, bevor die Krise eintritt.

Um eine Marketingkampagne oder den Launch eines Produkts zu bewerten, kann MiroFish die Reaktionen tausender Verbraucherprofile mit unterschiedlichen Persönlichkeiten und Vorlieben simulieren. Statt Umfragen oder Fokusgruppen erhalten Sie eine dynamische Simulation der Verbreitung der Botschaft und ihrer Wirkung auf verschiedene Segmente.

Das Projekt basiert auf einer Kombination von Technologien, die einzeln betrachtet schon eine Weile existieren, deren Zusammenstellung MiroFish jedoch innovativ macht.

Die OASIS-Engine, entwickelt von der CAMEL-AI-Forschungsgemeinschaft, ist ein zentrales Element. Veröffentlicht in peer-reviewten Forschungsarbeiten, ist OASIS in der Lage, bis zu eine Million Agenten mit 23 Arten sozialer Interaktionen zu simulieren. Es reproduziert dokumentierte soziale Phänomene: Informationsausbreitung, Gruppenpolarisierung, Herdeneffekt. Diese solide wissenschaftliche Grundlage verleiht MiroFish seine technische Glaubwürdigkeit.

Die Tatsache, dass Guo Hangjiang all dies in zehn Tagen zusammensetzen konnte, sagt ebenso viel über die Reife dieser Komponenten (LLMs, GraphRAG, Cloud-Memory für Agenten) aus wie über seine Entwickler-Fähigkeiten. Das "Vibe Coding", oft verspottet, findet hier eine konkrete Illustration seiner Kraft: die Fähigkeit eines einzelnen Individuums, ein komplexes System aufzubauen, indem es sich auf bestehende KI-Bausteine stützt.

Seien wir transparent: Bei Emelia haben wir MiroFish nicht auf unseren Maschinen installiert, und wir werden es vorerst auch nicht tun.

Der Grund ist einfach und pragmatisch. Aus IT-Sicherheitsgründen erlaubt uns unsere interne Richtlinie nicht, chinesische Open-Source-Repositories direkt auf unseren Infrastrukturen zu installieren. Das ist kein Urteil über die Qualität des Codes oder die Absichten des Projekts. Es ist eine Standardvorsichtsmaßnahme, die viele europäische Unternehmen anwenden, insbesondere wenn das Repository neu ist, die Dokumentation teilweise auf Mandarin verfasst ist und das Projekt API-Schlüssel und Netzwerkzugriff erfordert.

Davon abgesehen bleibt das Konzept absolut faszinierend, und genau aus diesem Grund sprechen wir darüber.

Der Ansatz von MiroFish stellt einen potenziellen Paradigmenwechsel in der Art und Weise dar, wie wir über Prognose denken. Statt zu fragen "was sagen die historischen Daten?", fragt er "was würden tausende simulierte Personen in dieser Situation tun?". Für Finanzen, Marketing, öffentliche Politik oder Krisenmanagement ist das eine mächtige Perspektive.

Im Übrigen hat die Open-Source-Community bereits begonnen, Forks und alternative Versionen zu erstellen. Ein Entwickler hat insbesondere eine vollständig lokale und englischsprachige Version veröffentlicht, die ohne Cloud-API funktioniert, was einen Teil der Bedenken in Bezug auf Sicherheit und Abhängigkeit von Drittanbieterdiensten beseitigt.

MiroFish ist ein vielversprechendes Projekt, aber es ist wichtig, einen kritischen Blick zu bewahren.

Erstens: Es gibt keinen veröffentlichten Benchmark, der die Vorhersagen von MiroFish mit realen Ergebnissen vergleicht. Das System produziert plausible Szenarien, aber bislang zeigt keine Studie, dass diese Szenarien zuverlässiger sind als andere Prognosemethoden. "Scarily accurate" ist ein in sozialen Netzwerken geteilter Eindruck, keine rigorose wissenschaftliche Bewertung.

Zweitens: Die Kosten für API-Aufrufe sind erheblich. Jeder Agent verbraucht bei jeder Interaktion LLM-Tokens, und eine Simulation mit Hunderten von Agenten über mehrere Dutzend Runden kann sehr teuer werden. Das Projekt empfiehlt im Übrigen, die Simulationen auf weniger als 40 Runden zu begrenzen.

Drittens: Die Agenten erben die Biases ihrer zugrunde liegenden Sprachmodelle. LLMs neigen dazu, polarisiertere und gregärere Gruppenverhalten zu erzeugen als echte Menschen. Die Simulationen von MiroFish könnten daher bestimmte Dynamiken über das hinaus verstärken, was in der Realität geschehen würde.

Schließlich befindet sich das Projekt in Version 0.1.2. Es ist ein funktionsfähiger Prototyp, kein ausgereiftes Produkt. Das Team rekrutiert aktiv (die Stellen werden im GitHub-Repository mit Adressen auf @shanda.com veröffentlicht), was bestätigt, dass die Entwicklung erst beginnt.

MiroFish reiht sich in einen umfassenderen Trend ein: die Nutzung von Multi-Agenten-Systemen nicht mehr zur Ausführung von Aufgaben, sondern zur Simulation komplexer Systeme. Dieser Ansatz könnte in den kommenden Jahren mehrere Bereiche transformieren.

In der Epidemiologie könnten Agentenschwärme die Ausbreitung von Krankheiten und die Wirksamkeit verschiedener Eindämmungsstrategien simulieren. In der Stadtplanung könnten sie die Auswirkungen einer neuen Infrastruktur auf Bevölkerungsströme testen. Im Versicherungswesen könnten sie Evakuierungsverhalten bei Naturkatastrophen modellieren.

Die Tatsache, dass ein 20-jähriger Student ein solches System in zehn Tagen aufbauen konnte, verdeutlicht, wie zugänglich die benötigten Komponenten (LLMs, Wissensgraphen, persistentes Gedächtnis für Agenten, großskalige Simulations-Engines) geworden sind. Die nächste Etappe wird die Validierung sein: zu beweisen, dass diese Simulationen wirklich prädiktive Ergebnisse liefern, nicht nur plausible.

In der Zwischenzeit bleibt MiroFish das, was man ein "SimCity der Vorhersage" nennen könnte: ein faszinierendes Werkzeug, um mögliche Zukünfte zu erkunden, "Was wäre wenn?"-Fragen zu stellen und komplexe soziale Dynamiken zu visualisieren. Für Strategie-, Finanz- oder Kommunikationsteams ist es ein Konzept, das man sehr aufmerksam verfolgen sollte, auch wenn die direkte Installation noch nicht auf der Tagesordnung steht.