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.
Ein Tag inhouse, ohne Vorkenntnisse, mit Live Demo und Live Coding. Am Ende steht ein eigenes kleines Tool statt einer Demo App.
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:
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:
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:
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:
Warum es noch nicht Enterprise tauglich ist:
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 dieser neuen KI Ära werde ich den Erfolg dieser jungen KI Talente erneut als das wichtigste Zeichen meines eigenen persönlichen Erfolgs ansehen.
Paperclip ist die Open Source Plattform fuer KI Agenten Teams 2026. Mit Org Charts, Budgetkontrolle und Audit Log. Selbst gehostet und DSGVO konform.
Mehr erfahren
AutoGen ist Microsofts Open-Source-Framework für Multi-Agent-Systeme. Mehrere KI-Agenten arbeiten autonom zusammen und lösen komplexe Aufgaben durch Konversation.
Mehr erfahrenIn 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:
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.
Roland Golla ist Entwickler aus Leidenschaft – seit über 20 Jahren. Er hat hunderte Projekte begleitet, von Legacy-Refactoring bis KI-Integration. Bei Vibe Coding verbindet er das Beste aus beiden Welten: Die Geschwindigkeit von KI-generiertem Code mit der Qualität professioneller Softwareentwicklung. Kein Bullshit, keine Agentur-Floskeln – direkte Hilfe von jemandem, der selbst täglich im Code steckt.
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.
Mirofish ist eine Open Source KI Prediction Engine, die kollektives menschliches Verhalten in einer Multi Agent Simulation nachbildet. Aus einem Seed Dokument wie einer Pressemitteilung oder einem Bericht baut Mirofish einen Knowledge Graph, erzeugt tausende KI Agenten mit eigenen Persönlichkeiten und simuliert, wie diese in einer Social Media Welt reagieren. Das Ergebnis ist eine detaillierte Prognose öffentlicher Reaktionen.
Mirofish stammt von Guo Hangjiang, in der Open Source Szene als BaiFu bekannt. Er ist Senior Bachelor Student an der Beijing University of Posts and Telecommunications und hatte bereits 2024 mit BettaFish die GitHub Trending Liste angeführt. Mirofish entstand 2026 in zehn Tagen mit Hilfe von KI Coding Assistants und wurde nach dem Launch in unter 24 Stunden mit rund 4,1 Mio Dollar gefundet.
Mirofish folgt einer vierstufigen Pipeline. Zuerst extrahiert ein Graph Build Entitäten und Beziehungen aus dem Quelldokument. Dann generiert die Engine hunderte bis tausende Agenten mit eigenen Persönlichkeiten und Langzeitgedächtnis. Diese interagieren in einer simulierten Social Media Welt. Aus den Interaktionen extrahiert Mirofish Trends, Polarisierungsdynamiken und Schlüsselinfluencer als Prognose.
Ja. Mirofish ist quelloffen auf GitHub verfügbar. Die Originalversion benötigt allerdings die Zep Cloud für persistentes Agent Memory und die DashScope API für LLM Inferenz, beides kostenpflichtige Cloud Dienste. Der Mirofish Offline Fork läuft vollständig lokal über Neo4j und Ollama und kommt damit ohne externe Cloud Kosten aus.
Über den Mirofish Offline Fork ja. Dort läuft die gesamte Pipeline lokal: Neo4j als Knowledge Graph, Ollama mit Qwen 2.5 32B als LLM Backend, Docker Compose für den Stack. Damit verlassen weder Quelldokumente noch Agent Daten das eigene Rechenzentrum. Die Original Version mit DashScope und Zep Cloud ist für DSGVO sensible Use Cases dagegen ohne weiteres nicht geeignet.
Die Originalversion ist auf DashScope von Alibaba ausgelegt, im Praxisbetrieb meist mit Qwen Modellen. Der Offline Fork empfiehlt Qwen 2.5 32B über Ollama. Grundsätzlich ist die Engine modellagnostisch — jedes Ollama kompatible Modell oder jede LLM API mit ausreichender Kontextlänge und Tool Use Fähigkeit lässt sich einbinden. Für Production Setups sind Modelle ab 30B Parametern empfehlenswert.
Mirofish ist ein fertiges Produkt für einen spezifischen Use Case, nämlich Public Opinion Simulation. AutoGen, CrewAI und LangGraph sind generische Multi Agent Frameworks, mit denen Entwickler eigene Workflows bauen. Mirofish nutzt im Hintergrund das OASIS Framework von CAMEL AI als Plattform Schicht. Wer eigene Agent Pipelines bauen will, greift eher zu LangGraph oder AutoGen — wer simulieren will, zu Mirofish.
Der Mirofish Offline Fork ist eine englische, vollständig lokal lauffähige Variante der Engine, die auf GitHub als nikmcfly/MiroFish-Offline gepflegt wird. Er ersetzt die Cloud Abhängigkeiten durch Neo4j für den Knowledge Graph und Ollama für LLM Inferenz. Der Stack startet über Docker Compose und eignet sich besonders für europäische Teams mit Datenschutz Anforderungen.
Mirofish ist stark in Use Cases rund um öffentliche Meinungsbildung. Dazu zählen Public Opinion Forecasting, Policy Stress Tests, Brand und PR Rehearsal, Krisensimulation und kreatives Worldbuilding für Romane oder Drehbücher. Auch Market Sentiment Simulation ist möglich, solange es nicht um Insiderinformationen oder Hochfrequenz Trading geht — dort liegt eine klare Grenze der Engine.
Mirofish hat bislang keine öffentlich publizierten Accuracy Benchmarks, daher braucht jeder Enterprise Einsatz eine Kalibrierung gegen eigene historische Daten. Die OASIS Forschung weist außerdem auf Herd Behavior Bias bei LLM Agenten hin, was Persona Diversity Weighting zwingend nötig macht. Für Finanzmarkt Mikrostruktur oder Insiderinformationsdynamiken ist die Engine grundsätzlich ungeeignet.
GraphRAG steht für Graph Retrieval Augmented Generation. Statt isolierte Textchunks per Vektorsuche zu liefern, baut Mirofish aus dem Quelldokument einen Knowledge Graph mit Entitäten und Beziehungen. Bei jeder Agent Interaktion liefert die Engine strukturierten Kontext über den Graphen, also auch indirekte Verbindungen. Das verbessert die Konsistenz und Tiefe der Agent Reaktionen deutlich gegenüber klassischem Vector RAG.
Frühe Mirofish Versionen arbeiteten mit rund 700 Agenten pro Simulation. Mit Version 0.1.2 skaliert die Engine laut Release Notes auf bis zu einer Million Agenten. Der Sprung wurde unter anderem durch Architektur Optimierungen am OASIS Backbone und verbessertes Memory Handling über GraphRAG erreicht. In der Praxis hängt die sinnvolle Agentenzahl stark vom verfügbaren LLM Budget und dem konkreten Use Case ab.
