DeepMiro

Un motor de inteligencia de enjambre que ensaya el futuro.

Dale un documento. Describe un escenario. Observa cómo cientos de agentes de IA con personalidades, recuerdos e instintos sociales distintos interactúan, y obtén una predicción.

Qué hace

DeepMiro extrae entidades y relaciones de cualquier documento (un borrador de política, un informe de mercado, un capítulo de una novela) y construye un mundo digital paralelo. Dentro de él, cientos de agentes autónomos forman opiniones, discuten en plataformas sociales simuladas, cambian de lealtades y producen un comportamiento emergente que ningún prompt individual podría predecir.

Recibes un informe de predicción estructurado y un mundo vivo que puedes interrogar, agente por agente.

Entrada: Un PDF y una pregunta en lenguaje sencillo. Salida: Un informe de predicción detallado + una simulación interactiva que puedes explorar.

Cómo funciona

Document ──► Entity Extraction ──► Agent Generation ──► Dual-Platform Simulation ──► Prediction Report
              (NER + GraphRAG)    (personas, memory,     (Twitter-like + Reddit-like     (ReportAgent with
                                   social networks)       parallel interaction)            deep analysis tools)

Inicio rápido

1. Obtén una clave API

Regístrate en deepmiro.org → Dashboard → API Keys. Tu clave se verá como dm_xxxxxxxxx.

2. Instalación

Claude Code (plugin — recomendado): un comando te da la habilidad /predict + el servidor MCP configurado:

claude plugin marketplace add kakarot-dev/deepmiro
claude plugin install deepmiro@deepmiro-marketplace
export DEEPMIRO_API_KEY=dm_your_key   # or set it in ~/.claude/settings.json

Luego reinicia Claude Code y di /predict o predict how people will react to [scenario].

Otros clientes:

Autoalojamiento

No se necesita clave API. Ejecuta el motor localmente y apunta el servidor MCP hacia él:

git clone https://github.com/kakarot-dev/deepmiro.git
cd deepmiro
cp .env.example .env    # add your LLM API key
docker compose -f docker/docker-compose.yml up -d

# Connect your AI client to the local engine
claude mcp add deepmiro -e MIROFISH_URL=http://localhost:5001 -- npx -y deepmiro-mcp

# Required in .env
LLM_API_KEY=your_key
LLM_BASE_URL=https://api.openai.com/v1
LLM_MODEL_NAME=gpt-4o-mini

SURREALDB_URL=ws://localhost:8000/rpc
SURREALDB_USER=root
SURREALDB_PASS=root

Servidor MCP

DeepMiro es un servidor MCP. MCP es el estándar universal adoptado por Claude, ChatGPT, Gemini, Cursor, VS Code y todos los clientes de IA importantes: un servidor, funciona en todas partes.

npx deepmiro-mcp

Herramientas disponibles: create_simulation, quick_predict, simulation_status, get_report, interview_agent, upload_document, list_simulations, search_simulations.

Qué es diferente

DeepMiro es una bifurcación (fork) centrada en el rendimiento del motor original MiroFish. Mismo núcleo de simulación OASIS, infraestructura reconstruida:

Fidelidad de la personalidad: Cómo mantiene DeepMiro a los agentes en su papel

Las simulaciones de LLM multi-agente tienen un secreto sucio: las personalidades se desvían. En la ronda 20, Tucker Carlson empieza a citar a la ACLU. En la ronda 45, Marco Rubio suena como Bernie Sanders. Cada voz distinta colapsa en el mismo registro insípido de "asistente útil".

Esto no es un problema de prompts, es un problema de decaimiento de la atención. Kim et al. (COLM 2024) demostraron que la atención del LLM a los tokens del system-prompt decae geométricamente con los turnos. LLaMA2-70B se desvía significativamente en 8 turnos. Los modelos más grandes se desvían más, no menos. Una personalidad de 2KB no puede competir con 50KB de historial de conversación acumulado.

Cada simulación multi-agente ingenua choca contra este muro. DeepMiro no, porque copiamos lo que hizo Stanford's Generative Agents (Park et al. 2023) para su simulación de 25 agentes en Smallville, con algunos atajos prácticos.

Qué hacemos

1. Personalidades estructuradas con ejemplos negativos explícitos. Cada agente obtiene un perfil estructurado junto con la biografía en prosa:

• ideology_anchor — una etiqueta partidista de 2-5 palabras ("populista conservador", "laborista progresista")

• core_beliefs — 3-5 declaraciones declarativas en primera persona, sin rodeos

• verbal_tics — 3-5 frases literales que la persona realmente usa

• never_say — 3-5 frases que la persona se negaría a decir

• speaking_style — registro + hábitos retóricos

El bloque never_say es el asesino de la desviación. Los modelos se desvían hacia el centroide de lo que dicen. Los ejemplos negativos explícitos ("Tucker Carlson nunca diría 'Apoyo a la ACLU'") anclan al LLM contra ese colapso.

2. Regeneración dinámica de personalidad por ronda. En lugar de bloquear la personalidad al nivel del system-prompt y ver cómo la atención decae desde la ronda 1, reconstruimos system_message.content antes de que cada agente actúe. Cada ronda, el agente ve un resumen de personaje fresco en tercera persona:

# Character Brief: Tucker Carlson

The agent in this conversation is Tucker Carlson.
You are simulating how Tucker Carlson would respond.

## What Tucker Carlson Would NEVER Say
- "I stand with the ACLU"
- "We need to find common ground with progressives"
...

## What Tucker Carlson Has Said Recently
- "Permanent Washington wants you to believe..."
- "Let's pause for a moment — they're not even hiding it"
...

## Task
What would Tucker Carlson actually do? React in his authentic voice.
Do not become a neutral assistant. Do not seek balance.

La personalidad nunca se vuelve obsoleta porque se construye fresca a partir de los mismos campos estructurados en cada turno.

3. Encuadre en tercera persona. "Eres Tucker Carlson" activa la sicofancia de asistente útil del RLHF: el modelo intenta ser educado y equilibrado porque así fue entrenado para responder a las instrucciones de "eres X". El encuadre en tercera persona ("el agente es Tucker Carlson", "¿qué haría Tucker Carlson?") evita ese disparador por completo. Este cambio único es fundamental.

4. Ancla de autoconsistencia. Cada ronda inyecta las 3 publicaciones más recientes del propio agente como material de referencia. Tucker Carlson ve lo que acaba de decir, lo que lo hace más propenso a decir algo consistente con ello. Esto es una resistencia a la desviación barata: sin llamadas adicionales al LLM, solo leyendo el registro de acciones.

5. Sin historial de chat acumulado. A diferencia de las configuraciones multi-agente ingenuas, DeepMiro NO alimenta a cada agente con el historial de conversación continuo de rondas anteriores. Los agentes obtienen su personalidad fresca + las observaciones del feed actual. La atención se mantiene enfocada en el personaje + el contexto presente, no en 50KB de ruido obsoleto.

Qué no hacemos

• No guionizamos reacciones. A los agentes no se les dice "búrlate del contenido liberal" o "apoya el contenido conservador"; eso guionizaría el resultado y destruiría el valor predictivo de la simulación. El comportamiento emergente es el objetivo principal.

• No filtramos feeds por ideología. Tucker Carlson ve las publicaciones de AOC. Así es como tiene algo contra lo que reaccionar. Las cámaras de eco no son simulaciones.

• No hacemos fork de OASIS. Toda la solución es un envoltorio de tiempo de ejecución alrededor del paginador de agentes de CAMEL. Sin desviación ascendente, sin mantenimiento de fork.

Fundamentos de investigación

Benchmarks

Simulación rápida de 15 agentes, prompt enriquecido, medido de extremo a extremo:

La mayor victoria es el sistema de recomendación: los embeddings de TWHIN-BERT se calculan una vez por usuario en la configuración, luego solo las nuevas publicaciones se incrustan incrementalmente en cada ronda. La similitud de coseno vía numpy reemplaza lo que anteriormente era una llamada de inferencia LLM completa: 13,000 veces más rápido por ronda.

Estructura del monorepo

deepmiro/
├── engine/              # Python Flask simulation backend
│   ├── app/
│   │   ├── api/         # REST endpoints (simulation, graph, documents, report)
│   │   ├── services/    # Graph builder, simulation runner, report agent
│   │   ├── storage/     # SurrealDB adapter, embedding service, NER
│   │   └── utils/       # LLM client, retry logic, logging
│   └── pyproject.toml
├── mcp-server/          # TypeScript MCP server (npm: deepmiro-mcp)
│   └── src/
├── .claude-plugin/      # Claude Code plugin + marketplace manifests
├── .codex-plugin/       # OpenAI Codex plugin manifest
├── .agents/             # Codex marketplace catalog
├── .mcp.json            # MCP config (auto-loaded when running `claude` here)
├── skills/predict/      # /predict skill (auto-setup, narration, interviews)
├── helm-chart/          # Kubernetes (k3s) deployment
├── docker/              # Dockerfiles + compose
├── docs/                # Landing page
└── locales/             # i18n (en, zh)

Casos de uso

Agradecimientos

DeepMiro es un fork de MiroFish, creado originalmente por Guo Hangjiang y apoyado por Shanda Group. La capa de simulación está impulsada por OASIS del equipo de CAMEL-AI.

Licencia

AGPL-3.0

deepmiro.org · Creado por Joel Libni