Le problème que Mirofish résout
Quand vous demandez à une IA comment le marché va réagir à votre idée, la réponse est toujours optimiste. Ces modèles sont entraînés à être utiles et tendent à valider votre vision plutôt qu'à la confronter à la réalité. Votre propre jugement est soumis aux mêmes biais : vous croyez en votre produit, donc vous projetez une réception positive.
Il n'existe pas de méthode fiable pour simuler en temps réel comment des milliers de personnes différentes vont réagir à une annonce, un prix, un repositionnement ou un contenu controversé. Les groupes focus sont coûteux, lents et non représentatifs. Les sondages capturent des intentions déclarées, pas des comportements réels.
Mirofish attaque ce problème différemment : plutôt qu'une seule IA qui donne un avis, il crée des centaines d'agents IA indépendants avec des personnalités, des historiques et des opinions distincts, les fait interagir entre eux sur plusieurs rounds, et observe ce qui émerge de cette dynamique collective.
L'intelligence collective appliquée aux agents IA
Le principe s'inspire de l'intelligence collective observée dans la nature. Une fourmi seule suit des règles basiques et ne produit rien d'intelligent. Une colonie de fourmis trouve le chemin le plus court, construit des ponts et résout des problèmes complexes que chaque individu serait incapable de résoudre seul.
Mirofish applique ce principe aux agents IA. Chaque agent est unique, a sa propre perspective, et l'intelligence émerge de leurs interactions collectives plutôt que d'un seul modèle central. Ce comportement collectif est ce que les chercheurs appellent la swarm intelligence. C'est exactement le pattern multi-agent poussé à son extrême : des centaines d'agents au lieu de 6.
Mirofish a été créé par un étudiant de 20 ans de l'université BUPT de Pékin pendant son stage chez Shanda Group. Il a codé le projet en 10 jours. Le CEO de Shanda Group, ancien homme le plus riche de Chine, a investi 3 millions de yuans (environ 410 000 dollars) dans les 24 heures suivant la démonstration. Le projet a atteint 49 000 étoiles sur GitHub et a occupé la première place mondiale des tendances GitHub, devant OpenAI et Google.
La pipeline en 5 étapes
Étape 1 : extraction du graphe de connaissances
Vous uploadez un document (PDF, TXT, Markdown) qui décrit votre projet, votre offre, votre contexte marché. Mirofish découpe ce document en blocs de 500 tokens, extrait les entités et les relations entre elles, et construit un graphe de connaissances avec des nœuds et des arêtes. Ce graphe devient la base cognitive partagée de tous les agents.
Étape 2 : création des agents
À partir du graphe, Mirofish génère des centaines de personas distincts : Marie, 42 ans, enseignante, plutôt sceptique ; Thomas, 28 ans, trader, enthousiaste. Chaque agent a sa propre personnalité, ses propres opinions sur le sujet simulé, et sa propre mémoire persistante. Ce ne sont pas des copies du même modèle, ce sont des individus distincts.
Étape 3 : simulation
La simulation tourne simultanément sur deux réseaux sociaux parallèles : un environnement de type Twitter (posts courts, likes, retweets) et un environnement de type Reddit (threads, commentaires, votes). Chaque agent perçoit son fil d'actualité, pense en fonction de sa personnalité, agit (poste, like, ignore), et met à jour sa mémoire. Les agents peuvent changer d'avis au fil des rounds sous l'influence des autres.
Étape 4 : génération du rapport
Un agent analytique détecte qui a changé d'avis et pourquoi, identifie les patterns émergents, trace ce qui a provoqué les points de bascule dans la simulation, et génère un rapport avec des scores de fiabilité par conclusion.
Étape 5 : interaction directe
Une fois la simulation terminée, vous pouvez interroger directement n'importe quel agent, ajouter de nouvelles informations dans le monde simulé et observer ce qui change, ou tester des hypothèses en temps réel ("si on augmente le prix de 20 %, comment réagissent les agents sceptiques ?").
Comment les agents sont construits
Chaque agent possède cinq composantes : une personnalité (caractère, biais, niveau de scepticisme), un background (âge, profession, contexte socio-économique), des opinions sur le sujet simulé, une mémoire avec historique et persistance, et un répertoire d'actions possibles (poster, commenter, liker, suivre, ne rien faire).
Le comportement de chaque agent suit un cycle à quatre temps : perception (lecture du fil et de la mémoire), réflexion (basée sur la personnalité et les opinions), action (post, like, ignorance), mémorisation (mise à jour de la mémoire). Ce cycle se répète à chaque round. Un agent convaincu au round 5 s'en souviendra au round 40.
La mémoire persistante avec ZEP
Mirofish utilise ZEP Cloud pour stocker la mémoire de chaque agent à travers tous les rounds. ZEP résume automatiquement les historiques longs pour en conserver l'essentiel, de façon similaire à la compaction de Claude Code. La mémoire de chaque agent fonctionne en quatre temps : interaction, auto-résumé, graphe temporel pour l'évolution des opinions, et récupération sémantique.
Ce mécanisme de mémoire est ce qui distingue Mirofish d'une simple simulation multi-agents. Les agents ne repartent pas de zéro à chaque round. Ils évoluent, influencés par leur historique et par les agents qu'ils ont rencontrés dans les rounds précédents. C'est le même principe que le protocole LMP appliqué à des centaines d'agents simultanément.
L'Oasis Engine : jusqu'à un million d'agents
Le moteur de simulation de Mirofish, appelé Oasis, a été développé par un consortium international incluant des chercheurs de Shanghai, Oxford et d'autres institutions. 23 chercheurs ont travaillé sur ce projet, validé par la recherche universitaire. Il peut gérer jusqu'à un million d'agents simultanément.
Pour les simulations courantes, on travaille avec des centaines d'agents. Mais l'architecture est conçue pour monter à une échelle qui permettrait de modéliser des dynamiques de marché à grande échelle, des comportements électoraux, ou des réactions à des annonces majeures.
Cas d'usage concrets
Test de prix avant lancement
Un test réalisé avec 100 agents sur 30 rounds pour évaluer un plan à 497 euros/mois a produit un résultat contre-intuitif : la simulation a identifié que le point de prix optimal se situait entre 199 et 300 euros/mois, pas à 497 euros. La simulation n'a pas validé l'hypothèse de départ, elle l'a corrigée. C'est précisément ce que les outils classiques ne font pas.
Test de positionnement concurrent
Plutôt que de passer trois mois à tester trois positionnements en séquence, vous lancez trois simulations en parallèle et comparez les résultats en une heure. Vous pouvez ensuite fusionner les trois rapports finaux pour extraire le positionnement le plus robuste.
Prédiction sur marchés financiers
Un développeur a connecté Mirofish à Polymarket pour des paris prédictifs. Il utilisait 2 847 agents pour débattre avant chaque pari. Résultat sur 338 paris : 4 266 dollars de profit, sur des marchés BTC et ETH en fenêtres de 5 à 15 minutes.
Simulation de restructuration interne
Avant d'annoncer une restructuration, vous simulez les réactions de vos employés, des syndicats et des médias. Vous identifiez les points de bascule et les signaux d'alerte que vous n'aviez pas anticipés, avant de communiquer publiquement.
Ce que Mirofish ne fait pas
Mirofish ne prédit pas l'avenir avec précision. Il simule des scénarios plausibles basés sur les données que vous lui donnez. Si vos données sont pauvres ou mal structurées, le graphe de connaissances sera pauvre et les conclusions du rapport ne vaudront rien.
Les agents IA ont tendance à se polariser plus vite que des humains réels. L'effet de masse est amplifié dans la simulation : les agents suivent la majorité plus rapidement que ne le ferait une population réelle. Cela signifie que si Mirofish prédit une réception très controversée, la réalité sera probablement plus nuancée.
Il n'existe pas encore de benchmarks publiés permettant de mesurer objectivement la précision de Mirofish sur des cas réels. C'est un outil puissant et prometteur, mais qui nécessite encore de la maturité avant de pouvoir être utilisé comme unique source de décision.
Coût réel d'une simulation
Le coût dépend de trois variables : le nombre d'agents, le nombre de rounds, et le modèle LLM utilisé. DeepSeek V3.2 est le modèle recommandé pour des raisons de coût et de performance. 100 agents sur 30 rounds avec DeepSeek V3.2 coûte environ 1 à 2 dollars via OpenRouter.
Pour des simulations plus ambitieuses (500 agents, 100 rounds, modèle plus puissant), le coût peut monter jusqu'à 50 à 100 dollars. Ce reste bien moins cher qu'une étude de marché classique ou qu'un test A/B en publicité payante sur plusieurs semaines.
Comment démarrer
Mirofish s'installe localement via un clone du dépôt GitHub. Vous aurez besoin d'une clé API OpenRouter (pour l'accès aux LLMs) et d'une clé API ZEP Cloud (pour la mémoire persistante des agents). Les deux services ont un plan gratuit pour démarrer.
Une fois installé, l'interface tourne en local sur le port 3000. Vous uploadez votre document de contexte, rédigez votre prompt de simulation en anglais (les résultats sont meilleurs qu'en français), configurez le nombre d'agents et de rounds, et lancez. L'interface affiche en temps réel la progression, les interactions entre agents et la construction du graphe.
Pour un premier test, commencez petit : 50 à 100 agents, 20 à 30 rounds. Cela vous donne une première lecture du rapport en moins de 30 minutes pour moins de 2 dollars. Une fois que vous comprenez comment interpréter les résultats, vous pouvez monter en puissance.
Le dépôt GitHub officiel contient toute la documentation d'installation. Le projet est open source sous une licence permissive, ce qui permet de l'adapter à des besoins spécifiques, d'intégrer d'autres LLMs, ou d'étendre les environnements de simulation au-delà de Twitter et Reddit.
