수천 개 AI 에이전트로 미래를 예측하는 MiroFish
샨다그룹이 후원하고 CAMEL-AI의 OASIS를 기반으로 만든 오픈소스 군중지능(multi-agent) 예측 엔진, MiroFish를 분석해요. 시드 정보를 넣으면 수천 개의 AI 에이전트가 가상 세계에서 상호작용하며 사건 전개를 시뮬레이션하고 예측 보고서를 내는 구조와 설치·한계를 정리했어요.
미래 예측이 단순히 "과거 데이터로 다음 수치를 맞히는" 문제라면 지금쯤 충분히 풀렸을 거예요. 하지만 정책, 여론, 금융 신호처럼 사람의 선택과 상호작용에 좌우되는 문제는 단순 통계로는 잘 안 잡히죠.
이런 틈에서 주목받는 접근이 있어요. 실제 세계의 시드 정보를 넣고, 수천 개의 AI 에이전트가 스스로 관계를 맺으며 가상 사회로 진화하게 만드는 겁니다. 그 결과로 사건의 미래 궤적을 유추해내는 오픈소스가 오늘 소개할 MiroFish예요.
출처: MiroFish GitHub 저장소
미래를 시뮬레이션한다는 발상
MiroFish는 "사회 지능의 거울"을 만드는 걸 목표로 해요. 뉴스 초안, 금융 신호, 정책 초안 같은 시드 자료를 올리면, 각각 독립된 성격과 장기 기억, 행동 로직을 가진 수천 개 에이전트가 가상의 병렬 세계에서 자유롭게 상호작용하며 사회적 진화를 겪죠. 사용자는 그 세계에 변수를 주입하고, 수많은 시뮬레이션 끝에 미래 궤적을 예측해요.
사용 방법은 두 단계랍니다. 시드 자료(데이터 분석 보고서나 소설 원고 등)를 업로드하고 자연어로 예측 요구사항을 적으면, 상세한 예측 보고서와 함께 깊이 상호작용 가능한 고해상도 가상 세계를 돌려받아요.
어떻게 돌아가나 — 5단계 워크플로
동작은 크게 다섯 단계로 나뉘어요.
그래프 구축
시드에서 핵심 정보를 추출하고, 개인·집단 기억을 주입한 뒤 GraphRAG로 지식 그래프를 구성해요.
환경 세팅
등장하는 엔터티 관계를 추출하고, 각 에이전트의 페르소나와 설정을 자동 생성해요.
시뮬레이션
이중 플랫폼 병렬 시뮬레이션을 돌리고, 예측 요구를 자동 파싱하며, 시간에 따라 기억을 갱신해요.
보고서 생성
시뮬레이션 후 환경과 깊게 상호작용하는 ReportAgent가 다양한 도구로 분석한 예측 보고서를 만들어요.
심층 대화
가상 세계 속 아무 에이전트와나 대화하고, ReportAgent와 질문·답변을 주고받을 수 있어요.
실제 돌려보려면 — 설치와 환경
MiroFish의 개발 스택은 공식 README에 자세히 나와 있어요. 백엔드는 Python 3.11~3.12와 uv, 프런트엔드는 Node.js 18+ 기준이에요.
아래처럼 의존성을 설치하고 서버를 켜면 돼요.
npm run setup:all
npm run dev
프런트엔드는 http://localhost:3000, 백엔드 API는 http://localhost:5001로 뜨고, Docker로도 띄울 수 있어요. 필요한 환경 변수는 크게 두 종류예요.
| 변수 | 역할 | 권장값 |
|---|---|---|
LLM_API_KEY·LLM_BASE_URL·LLM_MODEL_NAME | LLM 호출(OpenAI SDK 호환) | 알리바바 Qwen-plus(百炼)qwen-plus |
ZEP_API_KEY | 에이전트 장기 기억 저장(Zep Cloud) | 무료 월 할당량으로 충분 |
LLM은 OpenAI SDK 형식이면 어느 API든 호환되고, README는 알리바바 Qwen-plus를 권장해요. README가 "토큰 소모가 많으니 40라운드 이하로 먼저 시도"라고 안내할 정도로 멀티 에이전트 시뮬레이션은 비용이 꽤 들어가요.
왜 오픈소스로 주목받을까
이 프로젝트가 관심을 끄는 이유가 몇 가지 겹쳐요. 상업 데이터나 값비싼 계산 인프라 없이 에이전트 시뮬레이션 프레임워크 OASIS(Open Agent Social Interaction Simulations)를 기반으로 돌아간다는 점이 먼저예요. 여기에 중국 게임·콘텐츠 기업인 샨다그룹이 전략적 지원과 인큐베이션을 맡았고, AGPL-3.0 라이선스로 공개해 누구나 내려받을 수 있어요.
실제 지표도 화려해요. 라이브 저장소 기준 스타가 7.3만 개가 넘고 포크도 1.1만 개를 넘어요. 언어 구성은 Python 66.6%, Vue 32.5%로, 백엔드 시뮬레이션 로직과 프런트엔드 대시보드가 조화를 이뤄요.
대표 데모 영상으로는 우한대학교 여론 시뮬레이션과 홍루몽(紅樓夢)의 잃어버린 결말 추론이 있어요.
어디에 쓸 만하고, 한계는 없을까
활용처는 두 방향으로 나뉘어요. 거시적으로는 정책이나 홍보 방안을 리스크 없이 시험하는 의사결정 리허설이고, 미시적으로는 소설 결말 추론이나 상상 시나리오 같은 창의적 샌드박스예요.
한계도 분명해요. 시뮬레이션 결과가 실제 예측의 신뢰도를 보장하진 않고, 에이전트 수와 라운드가 늘수록 LLM 호출 비용·시간이 급증해 가볍게 쓰기엔 부담이 돼요.
또 중국어 중심 문서·예시가 많아 한국어 워크플로에 맞추려면 입력 자료를 준비하는 과정을 직접 조정해야 해요. 실제 데모와 소스는 아래 링크에서 확인할 수 있어요.
참고 링크
관련 글
오픈소스 & 개발도구오픈소스 YuE2, Suno와 견주는 하얀 상자 음악 생성
오픈소스 YuE2가 상징 계획(symbolic planning) 방식으로 만든 멜로디·코드 악보를 편집할 수 있게 했어요. WildSongBench에서 Suno와 경쟁하는 스코어를 내면서도, 무게 중심은 코드가 Apache 2.0, 모델은 CC BY-NC 4.0으로 열려 있어요.
오픈소스 & 개발도구알리바바의 AI 코드리뷰 도구, 오픈소스로 풀림
알리바바 내부에서 수년간 쓰던 AI 코드리뷰 CLI가 오픈소스로 나왔어요. 결정적 파이프라인과 에이전트를 섞은 하이브리드 구조로, 같은 모델로 정확도는 높이고 토큰은 약 9분의 1로 줄이는 벤치마크 결과를 공개했죠.
오픈소스 & 개발도구744B MoE를 내 PC에서 — 오픈소스 엔진 colibrì
오픈소스 추론 엔진 colibrì가 744B급 Mixture-of-Experts 모델을 디스크 스트리밍으로 일반 PC에서 돌리는 방법을 풀이한다. 전문가를 VRAM·RAM·NVMe 단일 계층에 배치해 GPU가 없어도 구동하며, 라우팅 예측 기반 디스크 미리 읽기와 토큰 정확도 보존 원칙이 핵심이다.
발행 전 운영자가 직접 큐레이션·검수·편집합니다.