Was ist Mirofish?

Mirofish ist eine Open Source KI Prediction Engine, die kollektives menschliches Verhalten in einer Multi Agent Simulation nachbildet. Du lädst ein Dokument hoch — eine Pressemitteilung, einen Gesetzentwurf, einen Quartalsbericht — und Mirofish baut daraus einen Knowledge Graph, erzeugt tausende KI Agenten mit eigenen Persönlichkeiten, langlebigem Gedächtnis und sozialem Verhalten, und lässt sie in einer simulierten Social Media Welt interagieren.

Das Ergebnis ist eine detaillierte Prognose, wie reale Menschen auf ein Ereignis reagieren würden. Mirofish kombiniert dafür mehrere Patterns, die 2026 zum Production Standard für KI Agent Systeme werden: GraphRAG für strukturierte Wissensgrundlage, persistentes Agent Memory, Multi Agent Orchestrierung und emergentes Verhalten als bewusst designtes Output.

Spannend ist nicht nur die Technologie. Mirofish wurde von einem einzelnen Bachelor Studenten in zehn Tagen mit KI Coding Assistants gebaut, erreichte über 33.000 GitHub Stars und sammelte rund 4,1 Mio Dollar Funding in unter 24 Stunden ein. Damit ist Mirofish 2026 das prominenteste Beispiel für Vibe Coding und für die These vom Super Individuum, das mit KI ganze Teams ersetzt.

NCA ist eine deutsche Technologie Agentur aus Duisburg mit klarer Open Source DNA. Unser Production Stack umfasst Ollama mit Qwen Modellen für lokale Inferenz, Multi Agent Frameworks und KI gestützte Workflows mit Paperclip. Genau die Architektur Patterns, auf denen auch Mirofish basiert.

Wir helfen Teams Mirofish und vergleichbare Multi Agent Engines einzuordnen, zu evaluieren und in eigene Architekturen zu überführen. Für lokale Setups beraten wir zum passenden KI Modell Stack, vergleichen Mirofish mit Alternativen wie AutoGen, CrewAI und LangGraph und begleiten den Weg vom Prototyp zum produktiven Einsatz. Wer mit Mirofish im Vibe Coding Modus arbeitet, profitiert von unserer Erfahrung mit Vibe Coding Best Practices und Architektur Reviews.

Mirofish folgt einer vierstufigen Pipeline. Aus einem beliebigen Seed Dokument entsteht über mehrere Verarbeitungsschritte eine simulierte Welt, in der KI Agenten miteinander interagieren und am Ende eine Prognose erzeugen. Die folgende Übersicht zeigt die vier Phasen mit ihren Aufgaben und Outputs auf einen Blick.

1. Graph Build: Mirofish extrahiert Entitäten wie Personen, Unternehmen und Ereignisse aus dem Quelldokument und legt einen Knowledge Graph an. Die Beziehungen zwischen den Entitäten bilden das Fundament für die spätere Personengruppen Erinnerung. Diese strukturierte Grundlage unterscheidet Mirofish von klassischen RAG Systemen, die nur isolierte Textchunks abrufen.

2. Agent Generation: Auf Basis des Knowledge Graphs erzeugt die Engine hunderte bis tausende KI Agenten mit individuellen Persönlichkeiten, sozialen Rollen und Verhaltensregeln. Jeder Agent bekommt ein eigenes Langzeitgedächtnis, gespeichert ursprünglich über Zep Cloud, im Offline Fork über Neo4j.

3. Simulation: Die Agenten interagieren auf zwei simulierten Plattformen gleichzeitig, einer Twitter ähnlichen und einer Reddit ähnlichen Umgebung. Sie posten, kommentieren, debattieren, bilden Meinungen und beeinflussen sich gegenseitig. Mirofish nutzt dafür im Hintergrund das OASIS Framework von CAMEL AI als Plattform Backbone.

4. Analyse und Interaktion: Aus den Agent Interaktionen extrahiert Mirofish Trends, Polarisierungsdynamiken, Schlüsselinfluencer und Kipppunkte. Die Welt bleibt nach der Simulation erkundbar — du kannst per God Mode Variablen ändern und ableiten, wie sich Verläufe verändern. Genau dieser Sandbox Charakter macht Mirofish zum Probelauf für Entscheidungen.

Mirofish ist bewusst breit aufgestellt. Auf der Makro Ebene ist es ein Rehearsal Labor für Entscheider, die Policies, PR Kampagnen oder Produktstarts risikolos testen wollen. Auf der Mikro Ebene wird es zum kreativen Sandkasten für Einzelnutzer, die etwa alternative Romanenden oder Was wäre wenn Szenarien durchspielen.

Typische Einsatzszenarien, die in der Community und in der Mirofish Dokumentation diskutiert werden:

• Public Opinion Forecasting: Wie reagieren Social Media Nutzer auf eine Krise, ein neues Produkt oder eine Politik Ankündigung?
• Policy Stress Tests: Welche Reaktionen löst ein Gesetzentwurf in unterschiedlichen Bevölkerungsgruppen aus?
• Market Sentiment Simulation: Wie verhalten sich Trader, Analysten und Retail Investoren nach einer Fed Ankündigung oder einem Earnings Report?
• Brand und PR Rehearsal: Wie entwickelt sich eine virale Kampagne über mehrere Plattformen hinweg?
• Creative Worldbuilding: Wie würden Charaktere in einem Roman auf eine bestimmte Handlung reagieren?

Wichtige Einschränkung: Mirofish modelliert öffentliches Meinungsbild und soziale Dynamiken, nicht aber Märkte mit Insiderinformationen oder Finanzmarkt Mikrostruktur. Die Engine eignet sich überall dort, wo das Verhalten realer Menschen mit öffentlich verfügbaren Informationen ausschlaggebend ist. Bei Hochfrequenz Trading oder regulierten Kapitalmärkten bringt selbst die Skalierung auf eine Million Agenten keinen Mehrwert.

Mirofish ist das aktuelle Aushängeschild für Vibe Coding. Entwickler ist Guo Hangjiang, in der Open Source Szene bekannt als BaiFu, Senior Bachelor Student an der Beijing University of Posts and Telecommunications. Er hatte den Vorgänger BettaFish, ein Multi Agent Tool für Stimmungsanalyse, bereits 2024 ebenfalls an die Spitze des GitHub Trending Rankings gebracht.

Die zentrale Geschichte rund um Mirofish lässt sich in wenigen Eckdaten zusammenfassen:

• Bauzeit: rund zehn Tage von der Idee zum Release
• Werkzeug: Vibe Coding mit KI Coding Assistants, gepaart mit klarer Architektur Vorstellung
• Reichweite: über 33.000 GitHub Stars und mehr als 3.400 Forks in kürzester Zeit
• Investment: rund 30 Mio Yuan (etwa 4,1 Mio Dollar) Funding in unter 24 Stunden
• Vorgänger: BettaFish als Bachelor Abschlussprojekt für Public Opinion Analysis

Die Story rund um BaiFu ist deshalb relevant, weil sie eine grundsätzliche Verschiebung greifbar macht. Frühere Versionen solcher Multi Agent Simulationsplattformen kamen aus Forschungslaboren großer Tech Konzerne. Mirofish entstand auf einem Laptop, mit Hilfe von KI Coding Assistants — und übertraf mehrere Open Source Projekte aus diesen Konzernen in puncto Adoption. Genau diese Verschiebung ist der Kern der Super Individual Hypothese, die Investor Chen Tianqiao seit Jahren propagiert.

Wer Mirofish technisch versteht, sieht die Patterns, die 2026 jede ernsthafte KI Agent Architektur prägen. Die Engine ist weniger ein neues Forschungsfeld als eine geschickte Kombination etablierter Bausteine — sauber gepackt und für ein konkretes Use Case zugeschnitten.

Die wichtigsten Komponenten im Überblick:

• GraphRAG: Entitäten und Beziehungen werden aus dem Quelldokument extrahiert und in einem Knowledge Graph gespeichert. Statt isolierter Textchunks bekommen die Agenten so strukturierten Kontext mit echten Verbindungen — ein wesentlicher Qualitätssprung gegenüber Vector only RAG.
• OASIS Framework: Die Multi Agent Plattform Schicht stammt aus dem CAMEL AI Projekt. OASIS übernimmt Agent Scheduling, Message Passing und die Simulation der Social Media Umgebungen. Mirofish baut darauf seine spezifische Vorhersage Pipeline auf.
• Persistent Agent Memory: Ursprünglich über Zep Cloud realisiert. Agenten merken sich Interaktionen über Simulationsrunden hinweg, ihre Beziehungsnetze wachsen also über die Zeit.
• LLM Inferenz: Die Originalversion nutzt DashScope von Alibaba, der Offline Fork setzt auf Ollama mit Qwen 2.5 32B als empfohlenes Modell.
• Skalierung: Version 0.1.2 erreicht laut Release Notes bis zu eine Million Agenten — ein deutlicher Sprung gegenüber den ersten Versionen mit rund 700 Agenten.

Dieser Stack ist nicht nur für Social Simulation interessant. Wer in NCA Projekten Vibe Coding nutzt, profitiert vom selben Pattern Set: GraphRAG für strukturiertes Wissen, persistentes Memory für Langzeitkontext, Multi Agent Orchestrierung für komplexe Workflows. Mirofish liefert ein gut studierbares Beispiel für jeden dieser Bausteine — egal ob am Ende eine Prediction Engine oder ein ganz anderes Agenten System entstehen soll.

Die Original Variante von Mirofish wurde für den chinesischen Markt entwickelt. UI auf Chinesisch, Knowledge Graph über Zep Cloud, LLM Inferenz über die DashScope API von Alibaba. Für viele europäische Teams ist dieser Setup nicht ohne weiteres nutzbar — sei es wegen Sprachbarrieren, Datenschutz oder weil keine Cloud APIs verwendet werden sollen.

Genau dafür gibt es den Mirofish Offline Fork. Er wird auf GitHub als nikmcfly/MiroFish-Offline gepflegt und macht die Engine vollständig lokal lauffähig: Neo4j für den Knowledge Graph, Ollama für die Inferenz, Docker Compose für den kompletten Stack. Damit wird Mirofish kompatibel zu Umgebungen, in denen Datenschutz, Souveränität und volle Kontrolle Pflicht sind — also genau der Setup, den NCA seit Jahren auf eigenen Servern in Duisburg betreibt.

Die Kernunterschiede der beiden Varianten lassen sich gut in einer Übersicht zusammenfassen:

Mirofish ist im Mai 2026 noch ein junges Projekt — der erste Release liegt wenige Monate zurück, Version 0.1.2 markiert den ersten größeren Skalierungssprung. NCA setzt Mirofish nicht produktiv ein, ordnet die Engine aber regelmäßig in Beratungsprojekten zu KI Agenten ein. Unsere Lesart: Mirofish ist ein eindrucksvolles Beispiel dafür, was 2026 mit Vibe Coding und KI Coding Assistants möglich ist — und ein interessanter Bauplan für Multi Agent Systeme. Eine fertige Enterprise Lösung ist es nicht.

Wo Mirofish stark ist:

• Saubere Implementierung mehrerer Production Patterns (GraphRAG, persistentes Memory, Multi Agent Orchestrierung)
• Klare Pipeline vom Dokument zur Simulation, ideal zum Lernen und Anpassen
• Mit dem Offline Fork voll lokal lauffähig — passt zu DSGVO konformen Setups
• Aktive Community mit schnellen Iterationszyklen (Version 0.1.2 skaliert auf eine Million Agenten)
• Belegt eindrücklich, was mit Vibe Coding in zehn Tagen möglich ist

Warum es noch nicht Enterprise tauglich ist:

• Keine veröffentlichten Accuracy Benchmarks: Weder Mirofish selbst noch das zugrundeliegende OASIS Framework liefern bisher harte Genauigkeitswerte. Jeder Enterprise Einsatz braucht eigene Backtests gegen historische Outcome Daten.
• LLM Herd Behavior Bias: Wie im OASIS Paper dokumentiert, neigen LLM basierte Agenten zur Gleichschaltung. Ohne aktives Persona Diversity Weighting kippen Ergebnisse systematisch in eine Richtung.
• Trading Use Cases bestätigt schwach: Tests gegen Polymarket Märkte mit dem 1M Agents Setup zeigen klar, dass Agent Consensus systematisch vom Marktpreis abweicht. Für Finanzmärkte mit Insiderinformation oder Mikrostruktur ist die Engine ungeeignet.
• Operativer Aufwand: Persona Engineering, Knowledge Graph Tuning und Simulation Calibration brauchen Erfahrung — Mirofish ist kein One Click Tool.
• Frühes Reifegrad-Niveau: Wenige Monate alt, schnelle Versionssprünge, kleines Kernteam. Stabilität, Doku und Langzeit Wartung sind noch nicht auf Production Niveau.

Unser Fazit: Mirofish ist ein hervorragendes Beispiel, was 2026 möglich ist — und ein realistischer Probelauf für Hypothesen rund um Public Opinion, Brand Monitoring oder Policy Stress Tests. Eine fertige, kalibrierte Prognose Engine für Enterprise Entscheidungen ist es noch nicht. Die Entwicklung bleibt definitiv zu beobachten, gerade weil Tempo und Community Wachstum hoch sind. Ob Mirofish in einem konkreten Projekt der richtige Pfad ist, klären wir im Vibe Coding Consulting oder über eine gezielte Architektur Bewertung im Rahmen von Vibe Coding Best Practices.

In Gesprächen mit Kunden, die KI Agenten produktiv einsetzen wollen, taucht Mirofish 2026 regelmäßig auf — meist mit zwei sehr unterschiedlichen Erwartungen. Marketing und PR Teams sehen vor allem das Brand Monitoring und PR Rehearsal Potenzial. Tech Teams wiederum fragen weniger nach der Engine selbst, sondern nach dem Architektur Bauplan dahinter.

Drei Beobachtungen aus unseren Beratungsprojekten:

• Mirofish als Lehrstück: Auch wenn die Engine im konkreten Projekt nicht zum Einsatz kommt, lohnt sich das Studium für jedes Team, das eigene Multi Agent Workflows mit Paperclip oder AutoGen baut.
• Persona Engineering wird unterschätzt: Wer Mirofish einsetzt, ohne die Diversität der generierten Personas zu prüfen, bekommt schnell verzerrte Ergebnisse. Genau dieselbe Lektion wiederholt sich bei eigenen Multi Agent Setups.
• Lokaler Stack ist Pflicht in der EU: Für DSGVO konforme Setups führt 2026 kein Weg an Mirofish Offline oder ähnlichen Ollama basierten Aufbauten vorbei.

Wir nutzen Mirofish nicht in Produktion, kennen die Engine aber gut genug, um sie für konkrete Use Cases zu bewerten. Wer mit Mirofish, Paperclip oder vergleichbaren Multi Agent Tools arbeiten will, profitiert von unserer Erfahrung aus mehreren Vibe Coding Projekten, in denen Architektur, Persona Design und Evaluierung sauber aufgesetzt werden mussten. Genauso unterstützen wir Teams, die ein bestehendes Vibe Coding Prototyp Setup in eine produktionsreife Architektur überführen wollen — Stichwort Vibe Coding Consulting.

Die wichtigsten Fragen und Antworten rund um Mirofish 2026: Was die Engine kann, wie sie technisch aufgebaut ist, ob sie DSGVO konform betrieben werden kann und wo ihre Grenzen liegen.