MiroFish: quando migliaia di agenti AI simulano il mondo per prevedere cosa succederà

Un progetto costruito in 10 giorni che ha conquistato il primo posto su GitHub globale

A marzo 2026, un ventenne di Pechino di nome Guo Hangjiang ha pubblicato su GitHub un progetto chiamato MiroFish. Lo aveva costruito in dieci giorni con una tecnica ormai nota nella comunità degli sviluppatori: il vibe coding, ovvero costruire generando codice con AI e iterando rapidamente.

In pochi giorni il repository ha raggiunto 43.000 stelle e 5.900 fork, posizionandosi al primo posto in GitHub Global Trending, davanti a repository di OpenAI, Google e Microsoft.

Chen Tianqiao — ex uomo più ricco della Cina e fondatore del gruppo Shanda — ha impegnato 4,1 milioni di dollari per incubarlo entro 24 ore dalla pubblicazione del primo demo grezzo. Guo è passato da studente universitario a CEO nel giro di una notte.

Vale la pena capire cosa fa davvero questo progetto, perché tocca alcune delle idee più interessanti nell'attuale panorama dell'AI.

Cosa sono gli Agent Swarm

Prima di MiroFish, è necessario capire il concetto su cui si basa: lo swarm di agenti.

Un agente AI singolo — un chatbot avanzato, un assistente autonomo — riceve un compito, ragiona, usa strumenti, produce un output. Funziona bene per task lineari. Ma molti fenomeni reali non sono lineari: l'opinione pubblica, i mercati finanziari, le dinamiche sociali sono il risultato di milioni di interazioni tra individui che si influenzano a vicenda.

Un agent swarm è un sistema in cui non gira un singolo agente, ma migliaia o milioni di agenti simultaneamente, ciascuno con personalità propria, memoria propria e logica comportamentale propria. Non vengono orchestrati da un controller centrale per completare un task step-by-step. Vengono rilasciati in un ambiente simulato e interagiscono liberamente tra loro.

Il risultato è il comportamento emergente: schemi collettivi che non sono stati programmati esplicitamente in nessun singolo agente, ma che emergono dall'interazione. Esattamente come accade nelle società umane reali.

È un cambio di paradigma rispetto all'AI che conosce la maggior parte degli sviluppatori.

Cosa fa MiroFish

La premessa di MiroFish è questa: per prevedere cosa succederà in un sistema complesso — un mercato, un'opinione pubblica, la conclusione di un romanzo — non chiedi a un modello linguistico di ragionare sul problema. Costruisci una copia digitale di quel sistema, ci metti dentro migliaia di agenti che rappresentano i suoi attori, e li osservi interagire.

Il workflow è strutturato in cinque fasi:

1. Graph Building. Si carica il materiale sorgente — un report, un articolo di news, un testo letterario. Il sistema lo processa tramite GraphRAG, che estrae entità e relazioni per costruire un grafo della conoscenza del dominio.

2. Environment Setup. Dal grafo vengono generati gli agenti: ciascuno con una personalità unica, una storia sociale, relazioni preesistenti con altri agenti e parametri comportamentali specifici.

3. Simulazione. Gli agenti vengono rilasciati in un ambiente che simula piattaforme social — un ambiente tipo Twitter e un ambiente tipo forum — dove postano, commentano, seguono, dibattono, cambiano posizione nel tempo. La memoria temporale di ciascun agente viene aggiornata dinamicamente nel corso della simulazione. Il motore sottostante è OASIS, un framework open-source del team CAMEL-AI per simulazioni sociali multi-agente.

4. Report Generation. Un ReportAgent con accesso all'intero ambiente post-simulazione produce un report strutturato: non solo dove è arrivato il sentiment, ma come le diverse fazioni si sono formate, spostate e influenzate a vicenda lungo il percorso.

5. Deep Interaction. È possibile dialogare con qualsiasi agente della simulazione, o fare domande ulteriori al ReportAgent.

La memoria a lungo termine degli agenti è gestita tramite Zep Cloud. Lo stack tecnico è Python per il backend, Vue per il frontend, con supporto Docker e deploy in source. L'LLM di base è compatibile con qualsiasi API nel formato OpenAI SDK.

Esperimenti documentati

Non si tratta solo di architettura sulla carta. In poche settimane dalla pubblicazione sono già emersi esperimenti concreti.

Previsione dell'opinione pubblica. Il primo demo ufficiale del team simula le dinamiche di sentiment attorno a una controversia all'Università di Wuhan. MiroFish, alimentato con un report di analisi dell'opinione pubblica generato da BettaFish (il progetto precedente di Guo), ha simulato come il sentiment si sarebbe evoluto nelle settimane successive, mostrando la formazione e lo spostamento delle diverse fazioni.

Previsione narrativa letteraria. Il secondo demo è concettualmente più audace: il team ha caricato gli 80 capitoli del Sogno della Camera Rossa — il grande romanzo classico cinese del XVIII secolo, rimasto senza finale — e ha chiesto a MiroFish di simulare come la storia avrebbe potuto concludersi. Migliaia di agenti, ciascuno rappresentante un personaggio con personalità e relazioni tratte dal testo, hanno recitato l'arco narrativo rimanente.

Trading su mercati di previsione. Un developer ha collegato MiroFish a un bot di trading su Polymarket: simulava 2.847 umani digitali prima di ogni operazione e ha riportato un profitto di $4.266 su 338 trade.

Scale test. Brian Roemmele è riuscito a far girare una singola simulazione MiroFish con 500.000 agenti AI.

Possibili utilizzi

I casi d'uso documentati o dichiarati dal team coprono un range ampio:

• Comunicazione e PR: simulare come reagirà il pubblico a un annuncio, una crisi o una campagna, prima di pubblicarla. Zero rischio reale, dati emergenti dalla simulazione.
• Policy testing: testare l'impatto percepito di una proposta di legge o di una decisione strategica su diversi segmenti di popolazione simulata.
• Mercati finanziari: non previsione deterministica del prezzo, ma simulazione del sentiment di gruppo in diversi scenari — pensiero probabilistico applicato al trading.
• Ricerca accademica: simulare dinamiche sociali, diffusione di informazioni, polarizzazione politica su popolazioni sintetiche controllate.
• Narrativa e game design: esplorare archi narrativi alternativi, testare la coerenza dei personaggi, simulare reazioni dei giocatori.

Esiste già un fork — MiroFish-Offline — che sostituisce Zep Cloud con Neo4j locale e usa Ollama, permettendo di far girare simulazioni senza alcuna API esterna.

Perché è interessante

MiroFish tocca un problema che i modelli linguistici classici faticano a risolvere: i sistemi complessi adattativi. Un LLM che ragiona su "come si evolverà l'opinione pubblica intorno a X" produce un'analisi, ma quell'analisi è fondamentalmente la sua proiezione basata su pattern di testo. MiroFish invece costruisce un ambiente, lo popola con agenti autonomi, e osserva cosa emerge.

Il comportamento emergente è reale — non è simulato da un singolo modello che finge di essere una folla. È il risultato di migliaia di agenti con stato indipendente che si influenzano a vicenda.

Ci sono però due limiti da tenere presenti con onestà.

Il primo è la validazione empirica: MiroFish è alla versione 0.1.2, rilasciata il 7 marzo 2026. Non esistono ancora benchmark pubblicati che confrontino le previsioni del sistema con risultati storici reali su larga scala. La plausibilità dell'output non è prova della sua accuratezza.

Il secondo è la questione del doppio uso: lo stesso motore che simula l'opinione pubblica per prevederla può essere usato per studiarla allo scopo di manipolarla. Il fatto che il progetto sia open-source rende questa dinamica particolarmente aperta, e il team non ha ancora prodotto una riflessione sistematica sul punto.

In Sintesi

MiroFish non è uno strumento operativo pronto per la produzione. È un framework sperimentale con un'idea architetturale solida — la swarm intelligence applicata alla previsione di sistemi complessi — costruito in tempi record da un team giovane con backing serio alle spalle.

Vale la pena monitorarlo se lavori in contesti dove le dinamiche collettive contano: comunicazione, finanza, policy, ricerca sociale. Il problema che prova a risolvere è reale. Se le simulazioni emergenti riusciranno a tradursi in accuratezza previsionale verificabile, sarà una categoria di strumenti con pochissimi precedenti.

Per ora è il progetto più interessante uscito dall'ecosistema open-source AI nel primo trimestre 2026.