Komplett auf Deutsch übersetzt. Multi-Agenten-Simulation für öffentliche Meinung & Marktstimmung. Läuft 100% lokal mit Ollama + Neo4j.
Eine Multi-Agenten-Schwarmintelligenz-Engine zur Simulation von öffentlicher Meinung, Marktstimmung und sozialer Dynamik. Läuft komplett auf deiner eigenen Hardware — keine Cloud-APIs nötig.
MiroFish ist eine Multi-Agenten-Simulations-Engine: Lade ein beliebiges Dokument hoch (Pressemitteilung, Strategiepapier, Marktanalyse) und das System generiert hunderte KI-Agenten mit einzigartigen Persönlichkeiten, die die öffentliche Reaktion in sozialen Medien simulieren. Posts, Argumente, Meinungsverschiebungen — Stunde für Stunde.
Dieser Fork ist die vollständig deutsche Version — UI, alle LLM-Prompts, Fehlermeldungen und Zeitzonen (MEZ) sind auf Deutsch lokalisiert.
- Graph erstellen — Extrahiert Entitäten (Personen, Unternehmen, Ereignisse) und Beziehungen aus deinem Dokument. Erstellt einen Wissensgraph mit individuellem und kollektivem Gedächtnis über Neo4j.
- Umgebung einrichten — Generiert hunderte Agenten-Persönlichkeiten, jeweils mit eigenem Charakter, Meinungstendenz, Reaktionsgeschwindigkeit, Einflussgrad und Erinnerung an vergangene Ereignisse.
- Simulation — Agenten interagieren auf simulierten Social-Media-Plattformen: posten, antworten, diskutieren, ändern Meinungen. Das System verfolgt Stimmungsentwicklung, Themenverbreitung und Einflussdynamiken in Echtzeit.
- Bericht — Ein Report-Agent analysiert die Simulationsergebnisse, befragt eine Fokusgruppe von Agenten, durchsucht den Wissensgraph nach Belegen und erstellt eine strukturierte Analyse.
- Interaktion — Chatte mit jedem Agenten aus der simulierten Welt. Frage sie, warum sie gepostet haben, was sie gepostet haben. Vollständiges Gedächtnis und Persönlichkeit bleiben erhalten.
- Docker & Docker Compose (empfohlen), oder
- Python 3.11+, Node.js 18+, Neo4j 5.15+, Ollama
git clone https://github.com/medpex/MiroFish-Offline.git
cd MiroFish-Offline
cp .env.example .env
# Alle Services starten (Neo4j, Ollama, MiroFish)
docker compose up -d
# Benötigte Modelle in Ollama laden
docker exec mirofish-ollama ollama pull qwen2.5:7b
docker exec mirofish-ollama ollama pull nomic-embed-textÖffne http://localhost:3000 — fertig.
1. Neo4j starten
docker run -d --name neo4j \
-p 7474:7474 -p 7687:7687 \
-e NEO4J_AUTH=neo4j/mirofish \
neo4j:5.18-community2. Ollama starten & Modelle laden
ollama serve &
ollama pull qwen2.5:7b # LLM (oder qwen2.5:14b für mehr Qualität)
ollama pull nomic-embed-text # Embeddings (768d)3. Backend konfigurieren & starten
cp .env.example .env
# .env anpassen falls Neo4j/Ollama auf anderen Ports laufen
cd backend
pip install -r requirements.txt
python run.py4. Frontend starten
cd frontend
npm install
npm run devÖffne http://localhost:3000.
Alle Einstellungen befinden sich in .env (kopieren von .env.example):
# LLM — zeigt auf lokalen Ollama (OpenAI-kompatible API)
LLM_API_KEY=ollama
LLM_BASE_URL=http://localhost:11434/v1
LLM_MODEL_NAME=qwen2.5:7b
# Neo4j
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=mirofish
# Embeddings
EMBEDDING_MODEL=nomic-embed-text
EMBEDDING_BASE_URL=http://localhost:11434Funktioniert mit jeder OpenAI-kompatiblen API — tausche Ollama gegen Claude, GPT oder einen anderen Anbieter, indem du LLM_BASE_URL und LLM_API_KEY änderst.
┌─────────────────────────────────────────┐
│ Flask API │
│ graph.py simulation.py report.py │
└──────────────┬──────────────────────────┘
│ app.extensions['neo4j_storage']
┌──────────────▼──────────────────────────┐
│ Service-Schicht │
│ EntityReader GraphToolsService │
│ GraphMemoryUpdater ReportAgent │
└──────────────┬──────────────────────────┘
│ storage: GraphStorage
┌──────────────▼──────────────────────────┐
│ GraphStorage (abstrakt) │
│ │ │
│ ┌─────────▼─────────┐ │
│ │ Neo4jStorage │ │
│ │ ┌───────────────┐ │ │
│ │ │ EmbeddingService│ ← Ollama │
│ │ │ NERExtractor │ ← Ollama LLM │
│ │ │ SearchService │ ← Hybridsuche │
│ │ └───────────────┘ │ │
│ └───────────────────┘ │
└─────────────────────────────────────────┘
│
┌──────▼──────┐
│ Neo4j CE │
│ 5.18 │
└─────────────┘
Wichtige Design-Entscheidungen:
GraphStorageist ein abstraktes Interface — Neo4j kann durch jede andere Graph-DB ersetzt werden- Dependency Injection über Flask
app.extensions— keine globalen Singletons - Hybridsuche: 0,7 × Vektor-Ähnlichkeit + 0,3 × BM25-Schlüsselwortsuche
- Synchrone NER/RE-Extraktion über lokales LLM
- Alle Original-Tools (InsightForge, Panorama, Agenten-Befragungen) erhalten
| Komponente | Minimum | Empfohlen |
|---|---|---|
| RAM | 16 GB | 32 GB |
| VRAM (GPU) | 6 GB (7b Modell) | 16+ GB (14b Modell) |
| Festplatte | 20 GB | 50 GB |
| CPU | 4 Kerne | 8+ Kerne |
CPU-Modus funktioniert, ist aber deutlich langsamer für LLM-Inferenz. Für leichtere Setups verwende qwen2.5:7b.
- PR-Krisentests — Simuliere die öffentliche Reaktion auf eine Pressemitteilung vor der Veröffentlichung
- Marktstimmungsanalyse — Füttere Finanznachrichten ein und beobachte die simulierte Marktstimmung
- Politikfolgenabschätzung — Teste Gesetzesentwürfe gegen simulierte öffentliche Reaktionen
- KMU-Marktanalyse — Teste die Positionierung deines Unternehmens in einem simulierten Marktumfeld
AGPL-3.0 — siehe LICENSE.
- Komplette UI-Übersetzung auf Deutsch (14 Vue-Dateien, 400+ Strings)
- Alle LLM-Prompts auf Deutsch (Ontologie, NER, Simulation, Report-Generierung)
- Alle Backend-Fehlermeldungen und Log-Nachrichten auf Deutsch
- Zeitzonen von Peking auf MEZ (Mitteleuropäische Zeit) umgestellt
- Datumsformate auf de-DE angepasst
- Standard-Land auf Deutschland geändert