从单模型预测到群体智能：MiroFish 多智能体数字世界推演实践

上周有位做产品的朋友问我一个挺刁钻的问题：手里没有标注数据，也没有历史样本，怎么判断一件还没发生的事会往哪个方向走。我没直接回答，而是打开 MiroFish 给他跑了一遍——把一个模糊的预测问题丢进去，它先拉起一个几百人的数字世界，每个角色有自己的身份、立场、熟人圈子和记忆，然后让这个世界自己跑上几十轮，最后把散落在几千条对话里的信号收拢成一份可读的推演报告。MiroFish 就是一个群体智能引擎，它做的事情不是让一个模型给出一个答案，而是让一群被塑造出来的智能体在一个受控的平行世界里互相影响，然后观察共识是怎么涌现出来的。它适合三类人看：想搭多智能体模拟但不知道从哪下手的工程师、需要做趋势推演但没有样本数据的分析人员、以及对群体智能这套东西好奇但被各种术语劝退的读者。下面我按自己实际跑通和踩坑的顺序，把整条链路拆开讲。

1. 单模型预测的天花板在哪里，MiroFish 补的正是这块

1.1 一次推理给出的其实是"平均人"的答案

你直接问一个通用模型"某个新品上市三个月后口碑会怎么样"，它会给你一段四平八稳的分析：可能好、可能差、取决于定价和渠道。这种回答不是它偷懒，而是它的机制决定的——它在做的是条件概率上的最优解，也就是把所有可能的人群取了个加权平均。可现实里的舆论从来不是平均值推动的，是少数几个关键节点先表态，然后中间层跟风，最后沉默的大多数被动接受。这个传播链条里有立场反转、有情绪传染、有关系不对等的扩散差异，这些东西在单次推理里是没有位置安放的。

我做过一个很朴素的对照实验：同一个问题，一次直接问模型，一次拆成"先列出十类典型用户各自的初始态度，再模拟他们之间的对话"，后者的结论颗粒度明显高一个档次。原因不复杂，拆开之后模型不需要同时扮演所有人，它只需要把每一类人扮演好，冲突和妥协发生在角色之间，而不是在模型内部被悄悄平均掉。MiroFish 要解决的第一个问题就是这个：把"模型内部的平均"换成"角色之间的博弈"。

1.2 群体智能的收益来自结构，不是来自数量

很多人第一次接触这类引擎，直觉是"那就把智能体数量堆到几千个，肯定更准"。我一开始也这么想过，实测下来完全是反的。数量上去之后，如果角色之间的差异度不够、社交拓扑是均匀的，整个系统会在十几轮之内收敛到一个所有人都说同一句话的状态，输出反而比单个模型更没信息量。真正带来收益的是三件事：角色分布的覆盖面要够宽、社交图谱要是非均匀的（存在少数高连接度的枢纽节点）、智能体的记忆要能被差异化的经历改写。

打个比方可能更好理解。单个模型像是一个人坐在房间里写分析报告，他再怎么换位思考，也只能借用自己脑子里的经验。MiroFish 更像是在房间里摆了三百张桌子，每张桌子后面坐着一个有自己偏见的人，他们的偏见还会因为邻座说了什么而改变。你最后拿到的不是一个人的判断，而是一次小型社会实验的记录。这两者的价值完全不同，前者给你一个结论，后者给你一条可能的演化路径。

1.3 什么题该用它，什么题纯属浪费算力

我踩过最冤的一次坑，是拿它去推一个纯粹由外部硬约束决定的问题——某条产线的产能上限。这种题的答案早就写在设备参数里了，智能体们在里面讨论一百轮也讨论不出新东西，纯烧钱。判断标准其实很简单：这个问题的结果是不是取决于"很多人的选择相互影响"。

把这张表贴在显示器边上，能省下不少算力。核心判据就一句话：如果问题里不存在"因为别人怎么想，所以我改主意"这种回路，MiroFish 基本帮不上忙。

2. 一个数字世界是怎么被搭出来的

2.1 智能体的初始化：角色得从语料里长出来，不能靠模板填

我见过不少自己动手写的版本，角色生成那一步是让模型"随机生成一百个不同职业的人"，结果跑出来一看，所有人都是三四十岁、住在大城市、对事情持中间偏理性态度。这种同质化从第一轮就注定了结局。MiroFish 这类引擎在角色构建上更讲究的地方在于：它强调的是从真实语料里抽取角色，而不是凭空捏造。

具体做法是先准备一批和目标场景相关的文本，比如评论、帖子、访谈记录、行业讨论。然后从里面抽取"身份标签 + 关注点 + 表达习惯 + 立场倾向"这四元组，拼成一个角色卡。这样做的好处是角色天生带差异，因为语料本身就是嘈杂的。我在自己的项目里把语料分成三层：核心利益相关方、间接影响者、外围围观者，比例大概是 2:5:3。外围围观者看着没什么用，但他们是沉默大多数的代表，缺了这一层，模拟出来的舆论会过于极端。

角色卡里还有一个容易被忽略的字段：表达的粗糙度。如果每个角色说话都逻辑严密、条理清晰，整个模拟会显得非常假，而且情绪传播这类关键现象根本模拟不出来。我通常会给一部分角色标注"短句、口语、少论证"，让他们的发言更接近真实评论区。

2.2 社交图谱：谁认识谁，直接决定了信息怎么流动

这是整个引擎里最容易被低估的部分。很多人把精力全放在角色设定上，社交关系随便连一连，结果推演出来的扩散速度和真实情况差了一个数量级。信息在人群里的传播高度依赖拓扑结构——均匀随机图里传得又慢又平，无标度网络里会出现少数枢纽节点引爆全局。

我一般会按场景选择拓扑：

• 无标度网络：适合模拟公众舆论场，存在少量意见领袖和大量普通节点，配置时把平均连接度设在 5 到 8 之间比较接近真实社交平台的观感。
• 小世界网络：适合模拟熟人传播，比如社区团购、线下口碑，特征是短平均路径加高聚集系数。
• 分簇结构：适合模拟圈层化严重的场景，比如垂直兴趣社区，不同簇之间只有少量桥接节点，信息跨圈很难。

图谱不只是连边关系。节点上还要挂属性：信任度、影响力权重、关系类型（强关系/弱关系）。弱关系在真实传播里的作用经常被忽略，但恰恰是它负责把信息从一个圈层带到另一个圈层。我在一次模拟里专门对比过，把弱关系全部改成强关系之后，跨圈传播几乎停滞，整个舆论场变成了几个互不相干的孤岛。

2.3 记忆分层：别把上下文窗口当记忆用

刚上手时我干过一件蠢事——把每个智能体的全部历史发言都塞进上下文。跑到第八轮就开始报错，token 消耗也是肉眼可见地爆炸。正确的做法是分层。

短期记忆是最近若干轮的原始发言，控制在一个较小的窗口里，负责维持对话的连贯性。长期记忆是经过压缩的画像，比如"这个用户曾经因为价格问题表达过不满""他和某位意见领袖有过一次争论"，这类信息用结构化的方式存下来，需要的时候按相关度检索。图谱记忆则是把角色之间的关系变化也记下来，谁和谁因为某件事立场靠近了，谁因为某句话开始对立。

# 一个简化的单步决策循环，重点是各层记忆的取用顺序 def step(agent, world): # 1. 短期：最近的原始对话，保证接得上话 recent = agent.short_term.last(k=12) # 2. 长期：按当前话题检索画像片段，而不是全量塞入 topic_vec = embed(world.current_topic) persona_hits = agent.long_term.search(topic_vec, top_k=6) # 3. 图谱：只取一跳邻居的最新动态，避免上下文爆炸 neighbor_feed = agent.graph.neighbors(hop=1, since=world.round - 2) prompt = build_prompt( persona=agent.card, recent=recent, memories=persona_hits, feed=neighbor_feed, instruction="用符合你身份的口吻说一到两句，可以反对，也可以沉默" ) utterance = llm(prompt) # 4. 写回：先写短期，再异步压缩进长期 agent.short_term.append(utterance) agent.maybe_compress_to_long_term() return utterance

这段代码里有两个细节值得注意。一是邻居动态只取一跳，取两跳之后上下文长度会翻好几倍，而信息增益非常有限。二是那句"可以反对，也可以沉默"——允许沉默非常关键，如果强制每个角色每轮都必须发言，模拟出来的热度会虚高，很多本来该冷场的话题会被硬撑成热点。

2.4 时间推进：轮次、事件注入与并行调度

时间推进机制决定了模拟的节奏感。纯同步推进（所有角色同时发言，然后统一结算）实现简单，但会出现一种奇怪的现象：A 反驳了 B 上一轮说的话，而 B 在同一轮里已经改口了，时间线对不上。纯异步推进更真实，但工程复杂度会陡增。

我现在的做法是混合的：角色分成若干批次，批次内并行，批次间串行，批次大小设成一个能让对话形成来回的量级。同时预留一个事件注入通道，用来在特定轮次插入外部冲击，比如"竞品突然宣布降价""一条负面内容上了热门"。没有事件注入的模拟，跑到后面会进入一个平稳的无聊状态，所有角色都找到了自己的位置，不再有变化。

推演的停止条件也得设计。固定轮数最简单，但可能在第 15 轮就结束了、也可能在第 60 轮还在原地打转。我常用的是双条件：达到最大轮数，或者连续 N 轮的观点分布方差低于阈值（说明已经僵化，再跑也是复读）。

3. 从一句大白话到一份可读报告

3.1 提问要先被翻译成模拟能吃的结构

用户丢进来的是"我们这个新品会不会翻车"，这个句子对模拟引擎来说太糊了。必须先做一次结构化：明确主体是谁、时间跨度多长、观察的指标是什么、在什么情境下演化。我一般会把它拆成五个槽位——对象、时间窗、关键变量、初始情境、关心的结论形式。

这一步做不好，后面全白搭。我吃过一次教训：问题描述里没写清楚时间窗，模拟跑了四十轮，但每一轮代表多少真实时间并不明确，最后得出来的结论既不能对应一个月也不能对应一年，报告写出来自己都不信。后来我固定要求每个问题都要落到"每轮约等于 X 天"这样的映射上，哪怕它只是个粗略估计。

3.2 世界构建阶段的参数怎么定

这部分是实操中最需要经验的地方，我把自己常用的配置整理成了一份模板，字段名会因版本不同略有出入，以你本地跑通的为准：

world: agent_count: 300 # 三百人是个甜点，再往上边际收益很低 rounds: 40 # 每轮约等于 2 天，覆盖 80 天窗口 seed: 20240613 # 固定种子，保证可复现 agent: persona_source: corpus.jsonl mix: # 角色构成比例 stakeholder: 0.2 influencer: 0.5 bystander: 0.3 speak_probability: 0.35 # 控制热度，避免全员刷屏 graph: topology: scale_free avg_degree: 6 weak_tie_ratio: 0.3 memory: short_term_window: 12 long_term_topk: 6 compress_every: 5 # 每五轮压缩一次，控制成本 simulation: batch_size: 24 event_injection: [] # 外部冲击按轮次插入 stop_when_variance_below: 0.02

这里面最需要反复调的是speak_probability。设得太高，每个角色每轮都在说话，对话会变成一团噪音，谁都听不见谁；设得太低，信息传不开，世界一片死寂。我一般从 0.3 起步，根据前五轮的实际发言密度再调。

3.3 推演过程中该盯哪些观测点

跑起来之后不要只是等结果，中间过程本身信息量极大。我固定监控四个指标：观点分布的方差（衡量分歧程度，方差骤降通常意味着从众已经开始）、枢纽节点的表态方向（少数关键角色的转向往往领先于全局）、跨簇信息流量（衡量圈层是否被打通）、情绪极性变化率（比绝对情绪值更有预警价值）。

我印象最深的一次，是某个话题在第 22 轮出现了方差剧烈收窄，一看日志，发现是三个高影响力节点在相邻两轮内接连表态，中间层迅速跟风。这个信号比最终报告里的结论有用得多，因为它告诉你"转折点在第 22 轮，触发因素是那三个人"。这种可追溯性是单次推理给不了的。

3.4 结果聚合：从几千条发言里淘出真信号

跑完之后你面对的是几千条发言，直接丢给模型总结，得到的会是一份四平八稳的废话。我通常分三步走。第一步做聚类，把语义相近的发言归堆，看每一堆的规模和活跃周期。第二步做溯源，对每个主要观点找出最早提出它的角色，以及它是通过哪条路径扩散开的。第三步才是组织成报告，而且报告里必须保留反面观点的位置，只写主流结论的报告是残缺的。

还有一个实用技巧：把"沉默的大多数"单独统计。那些从头到尾没怎么发言的角色，他们的初始立场分布往往比发言者更接近真实大盘。忽略这一层，你会系统性高估极端声音的占比。

4. 群体模拟最容易翻车的几个地方

4.1 同质化坍缩：所有人最后都在说同一句话

这是最常见也最致命的失败模式。表现是跑到二十轮左右，发言开始趋同，句式相似，立场一致，继续跑下去只是复读。根因通常有三个：角色初始差异不足、社交图谱过于均匀、模型在生成时过度模仿上下文里的既有发言。

对应的解法我试过几个，效果排序是这样的：角色层加噪声最有效，给每个角色注入一个专属的偏执点（比如对价格极度敏感、对某个品牌有历史怨气），这东西不会被对话轻易磨平；图谱层加桥接次之，人为制造几个跨簇的弱连接；生成层加约束排最后，在提示词里明确要求"不要重复你看到过的表达方式"，效果有限但聊胜于无。

我通常会在模拟跑到一半时抽查十轮发言，如果发现句式重复率超过某个肉眼可见的阈值，就停下来调整重新跑，硬跑下去只是浪费。

4.2 幻觉传染：错误信息在智能体之间自我强化

群体模拟有个反直觉的风险——错误信息在角色之间会互相加强。A 说了一个编造的细节，B 引用 A，C 又引用 B 并加了自己的推测，几轮之后这个编造的内容就变成了"大家都知道的事实"。这在真实社交里也会发生，但模拟里因为没有现实校正机制，它会一路狂飙。

处理办法是在世界设定里加一层"可信度衰减"。来源越远的陈述，被引用时的可信权重越低；同时给一部分角色加上"习惯性质疑"的属性，他们会对没有出处的说法提出反问。另一个更硬的做法是设定一个事实白名单，关键事实只能来自白名单，角色可以误解它、扭曲它，但不能凭空创造它。

4.3 成本失控：token 到底烧在哪了

第一次跑三百个角色四十轮，账单出来的时候我是有点懵的。后来拆开算了一下，消耗的大头不是生成发言，而是上下文组装——每个角色每轮都要检索记忆、拼提示词，这部分输入 token 是输出的好几倍。

真正有效的优化是降低"无效活跃度"。让 35% 的角色发言，比让 100% 的角色发言便宜近三分之二，而得到的信息量差距很小，因为剩下那 65% 本来也没什么可说。

4.4 报告好看但没法追溯

最尴尬的情况是报告写得头头是道，但被问到"这个结论是从哪几条发言里推出来的"时答不上来。这种情况几乎都发生在结果聚合那一步偷了懒——直接把全部发言丢给模型总结，丢掉了中间结构。

我的做法是给每条主要结论都挂上溯源链：结论 → 支撑观点簇 → 簇内的代表发言 → 发言者角色 → 该角色的初始设定和关键转折轮次。有了这条链，报告的可信度是另一个量级，因为读者可以自己判断"这个角色是不是恰好被设定成了这个样子"。

5. 工程实现上的几个取舍

5.1 关系存哪里：图库还是关系库加索引

角色关系、引用链路、传播路径这些东西天然是图结构，用图库存是最自然的。但如果你的模拟规模不大（几百个节点、几万条边），用关系库加一层索引也能扛住，而且省掉了额外部署一套存储的成本。我的分界线大概是这样：节点数在千级以内、需要频繁做多跳查询的，用图库划算；只是存一跳邻居和简单引用关系的，关系库够用。

真正需要图库的场景是做多跳溯源，比如"这个观点的源头离当前角色隔了几层"，这种查询在关系库里写起来会非常难受。

5.2 并发调度的限流与重试

三百个角色并行发言，模型接口的限流是绕不开的。我踩过的坑是刚开始没有做退避重试，一旦遇到限流，整批请求失败，那一轮的世界状态就残缺了，后续所有推演都建立在一个不完整的状态上。后来改成指数退避加重试队列，并且保证一轮内的所有请求要么全部落库要么整轮回滚，才稳定下来。

批次大小也要和限流阈值匹配。设得太大，经常撞墙；设得太小，一轮的墙钟时间被拉长，交互体验很差。我一般按接口的稳定并发上限的六成来设。

5.3 可复现性：没有快照的模拟等于没有实验

这件事的重要性怎么强调都不过分。群体模拟里引入了大量随机性——角色发言顺序、采样温度、图谱生成。如果不固定随机种子、不做世界状态快照，你跑出来的结果根本没法验证，改了一个参数也不知道是它起的作用还是随机波动。

我的做法是每个关键轮次都存一次快照，包括每个角色的记忆状态和图谱关系。这样不仅能复现，还能做反事实实验：从第 20 轮的快照出发，注入不同的事件，观察两条时间线怎么分叉。这个玩法一旦用起来，会比单纯看最终报告有意思得多。

6. 我固定下来的几条操作习惯

跑了这么多轮之后，有几条习惯我基本不再改了。角色数不再追求多，三百上下是最舒服的区间，往上加人带来的信息增益远小于成本增长；每轮发言比例控制在三成左右，让沉默本身成为一种信息；事件注入至少准备三个方案——乐观、中性、悲观，因为只看一条时间线你永远不知道它是必然还是偶然；以及最重要的一条，任何一次模拟的结论都必须标注它依赖的初始假设，角色构成比例、时间映射、图谱拓扑，这些假设一改，结论可能完全不同。

还有个小技巧分享一下。我习惯在模拟开始前先手动跑一遍"零号角色"——就是我自己扮演一个立场摇摆的普通人，把初始情境过一遍，看看有没有明显的荒谬之处。这一步花十分钟，经常能提前发现角色设定或情境描述里的逻辑漏洞，比跑完四十轮再回头找原因便宜太多。MiroFish 这类引擎说到底是个放大器，你喂进去的世界设定越接近真实，它反馈给你的演化路径就越有参考价值；设定本身立不住，跑得再久也只是把错误放大了一遍而已。