MiroFish

MiroFish puede entenderse como un mundo digital paralelo construido con AI Agents.

El usuario proporciona información inicial, o Seed, procedente de noticias, políticas, informes, novelas u otros documentos. El sistema utiliza GraphRAG para construir un grafo de conocimiento y extraer entidades, relaciones y contexto.

A partir de esa información genera distintas Personas para los Agents y utiliza Memory a largo plazo para proporcionarles contexto durante la simulación.

Después, estos Agents entran en el entorno de simulación social OASIS, donde pueden publicar, responder, interactuar, establecer relaciones y difundir información en entornos similares a Twitter o Reddit.

Cuando termina la simulación, ReportAgent analiza el proceso completo y genera un informe.

Por eso la diferencia con un Chatbot tradicional es fundamental:

Un Chatbot es una IA que responde a tus preguntas. MiroFish crea muchos participantes con diferentes características y observa qué ocurre cuando esos participantes interactúan.

¿Cómo intenta “predecir” algo?

El proceso puede resumirse así:

Información real → grafo de conocimiento → Persona de los Agents → Memory → interacción social → múltiples rondas de simulación → análisis de ReportAgent → resultados de escenarios.

Imaginemos, por ejemplo, un nuevo proyecto de política pública.

Un LLM convencional podría responder:

“La población podría apoyarlo o podría rechazarlo.”

MiroFish intenta construir un entorno virtual con usuarios comunes, expertos, medios de comunicación y líderes de opinión. Cada grupo recibe la información, reacciona de forma diferente e interactúa con los demás.

Después observa cómo se propagan las opiniones, cómo cambian las conversaciones y cómo evoluciona el comportamiento colectivo.

Por eso MiroFish está mucho más cerca de Scenario Analysis + Agent-Based Modeling que de la predicción tradicional.

La propia documentación del proyecto también establece límites importantes. En contextos financieros, puede utilizarse para explorar acontecimientos y posibles reacciones de grupos, pero no debe considerarse un modelo de predicción de precios validado mediante Backtesting o Calibration.

Del mismo modo, en investigación académica, sus resultados deben interpretarse como hipótesis obtenidas mediante simulación y no como evidencia empírica o evidencia causal.

¿Por qué necesita cientos o incluso miles de Agents?

Esta es probablemente una de las partes más interesantes y, al mismo tiempo, más cuestionables de MiroFish.

En teoría, el valor de un sistema Multi-Agent procede de la heterogeneidad y de las interacciones.

Cada Agent puede tener un contexto, personalidad, información y posición diferentes.

Una persona publica una opinión, otra la contradice, una tercera la comparte y una cuarta cambia de postura después de observar la discusión.

Por tanto, la pregunta deja de ser simplemente:

“¿Qué piensa la gente?”

Y pasa a ser:

“¿Qué puede ocurrir cuando diferentes personas se influyen entre sí?”

OASIS está diseñado precisamente para simular este tipo de interacciones sociales, incluyendo entornos similares a Twitter y Reddit y acciones como seguir cuentas, publicar, comentar y compartir contenido.

Pero aquí aparece la pregunta más importante:

¿Más Agents significan automáticamente mejores predicciones?

No necesariamente.

Si mil Agents están impulsados por modelos similares, Prompts similares y exactamente la misma información, puede existir una fuerte correlación entre sus comportamientos.

En ese caso, la supuesta “inteligencia colectiva” podría ser simplemente:

el juicio de un mismo modelo reproducido en mil formas aparentemente diferentes.

Aumentar el número de Agents incrementa la complejidad de las interacciones, pero no introduce automáticamente más información sobre el mundo real.

Por eso, una variable posiblemente más importante que el número de Agents es:

¿Son realistas las Personas? ¿Tienen información suficientemente diferente? ¿Son razonables las reglas de comportamiento? ¿El mecanismo de interacción se parece realmente al de una sociedad?

¿Ha construido realmente una sociedad digital fiable?

Desde el punto de vista de la ingeniería, la arquitectura de MiroFish resulta especialmente interesante.

GraphRAG transforma los documentos originales en entidades y relaciones estructuradas, de modo que los Agents no dependen simplemente de una gran cantidad de texto.

Memory permite que la información generada durante la simulación siga influyendo en las decisiones posteriores.

OASIS proporciona el entorno social y los mecanismos de interacción necesarios para que los Agents puedan relacionarse de forma continuada.

Y ReportAgent vuelve a analizar los datos generados durante la simulación para extraer tendencias, acontecimientos y relaciones, en lugar de limitarse a juntar miles de conversaciones.

Pero existe una diferencia fundamental:

que una simulación se parezca a una sociedad no significa que sea estadísticamente equivalente a una sociedad real.

Un Agent puede representar una personalidad determinada sin que la probabilidad de que actúe de una determinada manera corresponda realmente a la de una persona real.

Además, las simulaciones largas pueden producir comportamientos propios de los LLM, como expresiones repetitivas, cambios progresivos de opinión o acciones que parecen destinadas simplemente a mantener la narrativa en movimiento.

Por eso existe una paradoja importante:

cuanto más convincente parece una simulación, más cuidado debemos tener al interpretar sus resultados.

Una narrativa plausible no equivale a una predicción verdadera.

El mayor problema: todavía falta una validación predictiva sólida

Este es probablemente el punto más importante a la hora de evaluar MiroFish.

La información pública demuestra que el proyecto puede ejecutar simulaciones Multi-Agent complejas y que existen demostraciones relacionadas con opinión pública, novelas y otros escenarios.

Pero eso no demuestra que pueda predecir de forma estable acontecimientos del mundo real.

La documentación oficial recomienda que, para obtener conclusiones serias, se ejecuten múltiples simulaciones con diferentes Random Seeds y que antes del experimento se definan un Baseline, una ventana temporal y métricas de evaluación. También recomienda una revisión independiente por parte de expertos del dominio.

Esto revela algo importante:

MiroFish se encuentra actualmente más cerca de una plataforma de investigación de predicción que de un modelo predictivo completamente calibrado y validado mediante Backtesting.

Para demostrar una verdadera capacidad predictiva habría que realizar un experimento mucho más exigente.

Por ejemplo, seleccionar acontecimientos históricos ya ocurridos y ejecutar MiroFish utilizando únicamente la información que estaba disponible en aquel momento. Después habría que comparar sus resultados con los acontecimientos reales y con otros enfoques:

• LLM convencional
• Agent-Based Model tradicional
• expertos humanos
• modelos estadísticos

Si ese proceso produjera durante un periodo prolongado métricas estables de Precision, Recall, Calibration y otras medidas relevantes, entonces sí tendría sentido hablar de capacidad predictiva demostrada.

Una simulación que consigue explicar correctamente un acontecimiento después de que haya ocurrido no demuestra, por sí misma, que hubiera sido capaz de predecirlo antes.

¿Para qué resulta más útil MiroFish?

En mi opinión, su aplicación más interesante no consiste en intentar predecir con precisión el precio de una acción, el resultado de una política o unas elecciones.

Su mayor valor está en poder realizar análisis What-if de bajo coste.

Por ejemplo:

• ¿Cómo podrían reaccionar distintos grupos después de anunciarse una nueva política?
• ¿Qué podrían hacer consumidores y competidores si una empresa cambia sus precios?
• ¿Qué rutas de propagación podría seguir una crisis de reputación?
• ¿Cómo podría dividirse la opinión pública alrededor de una noticia?
• ¿Qué efectos de segundo y tercer orden podría provocar una campaña de marketing?

Todos estos problemas tienen algo en común:

el resultado no depende de una única fórmula, sino de la interacción entre múltiples participantes.

Ahí es donde una Multi-Agent Simulation puede aportar algo que un único LLM no representa de la misma manera.

En cambio, preguntas como “¿cuánto subirá mañana una acción?” o “¿cuál será el PIB del próximo año?” requieren una elevada precisión numérica, Calibration probabilística y modelos causales mucho más sólidos.

Para este tipo de tareas, MiroFish todavía no es la herramienta ideal.

El coste es más complejo de lo que parece

MiroFish utiliza la licencia open source AGPL-3.0, pero open source no significa que ejecutar el sistema sea gratis.

El despliegue actual requiere al menos una API de LLM y Zep Cloud. La documentación del proyecto incluso recomienda comenzar con menos de 40 rondas de simulación cuando se utilizan modelos de alto consumo.

El coste real depende de numerosos factores:

• longitud del Seed
• número de entidades
• cantidad de Agents
• número de rondas
• modelo utilizado
• generación del informe
• llamadas a herramientas

Por tanto, no existe un precio fijo del tipo “cada simulación cuesta X”.

La documentación también señala que todavía no existe una estadística completa del consumo total de Tokens de extremo a extremo.

Zep puede generar además consumo adicional relacionado con Graph y Memory. Las cuotas gratuitas también pueden convertirse en una limitación; en los Issues de la comunidad se han registrado casos en los que el plan gratuito alcanzó sus Rate Limits.

Por tanto, un experimento pequeño puede ser perfectamente razonable, pero ejecutar simulaciones grandes, con muchas rondas y varios escenarios simultáneos puede resultar considerablemente más caro que una consulta convencional a un LLM.

¿Cómo es la experiencia de uso?

MiroFish no tiene una curva de aprendizaje especialmente baja.

El despliegue oficial requiere actualmente Node.js 18+, Python 3.11/3.12, uv, una API de LLM y Zep Cloud. También existe una opción de despliegue mediante Docker.

Además, el proyecto continúa evolucionando rápidamente.

Los Issues de GitHub incluyen problemas relacionados con simulaciones que se quedan bloqueadas, conexiones con el backend, compatibilidad con Zep y el ciclo de vida de las simulaciones.

Esto no significa que el proyecto sea poco fiable en términos generales, pero sí indica que actualmente encaja mejor con perfiles como:

desarrolladores, investigadores de AI Agents, usuarios de proyectos open source y personas interesadas en la simulación social.

Para un usuario que simplemente quiera preguntar a una IA “¿qué impacto podría tener esta política?”, utilizar directamente un LLM generalista potente probablemente será más rápido y económico.

¿Cuál es realmente la innovación más interesante de MiroFish?

No son los “1.000 AI Agents”.

Tampoco es simplemente “predecir el futuro”.

La idea más interesante es que MiroFish intenta convertir un LLM de analista en participante.

Un LLM convencional funciona aproximadamente así:

Analiza la información disponible y formula una hipótesis sobre el futuro.

MiroFish intenta hacer algo diferente:

Construye un entorno virtual con diferentes participantes y observa qué ocurre cuando esos participantes interactúan.

Esto permite estudiar fenómenos que un Chatbot tradicional tiene más dificultades para representar directamente:

bucles de retroalimentación, propagación de información, polarización colectiva y efectos de segundo orden.

Pero hay que aceptar una limitación fundamental:

el resultado de cualquier simulador está condicionado por el propio simulador.

Si las Personas, las reglas, los datos o el comportamiento del LLM no representan adecuadamente la realidad, aumentar la complejidad de la simulación puede producir simplemente una versión más sofisticada del error.

¿Merece la pena utilizar MiroFish?

Mi valoración es bastante clara:

Como proyecto de Multi-Agent Simulation, merece la pena estudiarlo. Como herramienta de predicción fiable, todavía hay que utilizarlo con mucha cautela.

Criterio	Puntuación
---	---:
Simulación Multi-Agent	4,8/5
Realismo del comportamiento de los Agents	3,8/5
Memory	4,5/5
Interacción social	4,6/5
Valor predictivo	3,0/5
Explicabilidad	3,8/5
Facilidad de uso	3,2/5
Coste	3,0/5
Puntuación global	3,8/5

Una puntuación de 3,8/5 puede parecer moderada, pero refleja precisamente la posición actual de MiroFish.

Innovación técnica no significa automáticamente precisión predictiva.

El mayor valor de MiroFish no consiste en decirte qué ocurrirá con seguridad, sino en permitirte convertir un problema del mundo real en múltiples sociedades digitales posibles y ejecutar rápidamente diferentes escenarios What-if.

Si lo tratas como una “bola de cristal de IA”, es fácil terminar decepcionado.

Si lo entiendes como un laboratorio de simulación social impulsado por AI Agents, MiroFish se convierte en uno de los proyectos Multi-Agent más interesantes que merece la pena seguir.

En una frase:

MiroFish todavía no puede demostrar que haya visto el futuro, pero sí propone una forma diferente de estudiarlo: en lugar de intentar adivinar directamente qué ocurrirá, simula primero cómo podrían desarrollarse las interacciones que conducen a distintos futuros posibles.