爆火！这款AI数字沙盘牛到离谱：既能零风险预演政策舆情，还能补全红楼梦失传结局

MiroFish 是一个基于Python的自动化网络爬虫工具。简单讲，它能自动抓取网页内容并提取有用信息，帮助用户高效收集数据。适用人群：数据分析师、爬虫开发者、需要批量获取公开网页信息的研究人员。

项目地址：https://github.com/666ghj/MiroFish

主要语言：Python

stars: 18.4k

主要内容

MiroFish 是一款基于多智能体技术的新一代 AI 预测引擎。它能提取现实世界的种子信息，如突发新闻、政策草案、金融信号等，自动构建高保真的平行数字世界。在这个数字世界里，成千上万个具有独立人格、长期记忆与行为逻辑的智能体自由交互、进行社会演化。用户可以通过「上帝视角」动态注入变量，精准推演未来走向。用户只需上传种子材料（如数据分析报告或小说故事），并用自然语言描述预测需求，MiroFish 就会返回详尽的预测报告和可深度交互的高保真数字世界。

优势

• 突破传统预测局限：致力于打造映射现实的群体智能镜像，通过捕捉个体互动引发的群体涌现现象，突破传统预测方法的限制。
• 适用范围广泛：在宏观层面，可作为决策者的预演实验室，让政策与公关在零风险的情况下进行试错；在微观层面，是个人用户的创意沙盘，可用于推演小说结局、探索脑洞等。
• 可视化与交互性强：提供在线 Demo 演示环境，用户能直观体验热点舆情事件的推演预测。还展示了系统截图和演示视频，方便用户了解其功能和使用方式。

应用场景

• 政策制定：政府部门或企业在制定政策或公关策略时，可利用 MiroFish 进行预演，评估不同政策方案可能产生的影响，从而做出更科学的决策。
• 舆情分析：对热点舆情事件进行推演预测，帮助相关部门提前了解舆情发展趋势，制定应对措施。
• 文学创作：作家可以借助 MiroFish 推演小说的结局，为创作提供更多的思路和可能性。
• 金融投资：分析金融信号，预测金融市场的走势，为投资者提供决策参考。

工作流程

• 图谱构建：提取现实种子信息，注入个体与群体记忆，构建 GraphRAG。
• 环境搭建：抽取实体关系，生成人设，配置环境并注入仿真参数。
• 开始模拟：双平台并行模拟，自动解析预测需求，动态更新时序记忆。
• 报告生成：ReportAgent 利用丰富的工具集与模拟后环境深度交互，生成预测报告。
• 深度互动：用户可以与模拟世界中的任意智能体进行对话，也能与 ReportAgent 交流。

部署方式

• 源码部署（推荐）
  • 前置要求：需要安装 Node.js（18+）、Python（≥3.11，≤3.12）和最新版的 uv 包管理器。
  • 配置环境变量：复制示例配置文件 .env.example 为 .env，并填入必要的 API 密钥，如 LLM API 密钥和 Zep Cloud 配置。
  • 安装依赖：可一键安装所有依赖，也可分步安装 Node 依赖和 Python 依赖。
  • 启动服务：在项目根目录执行 npm run dev 可同时启动前后端，也可单独启动后端或前端。
• Docker 部署
  • 配置环境变量：与源码部署相同，复制示例配置文件并填入必要的 API 密钥。
  • 拉取镜像并启动：使用 docker compose up -d 命令拉取镜像并启动服务，默认会读取根目录下的 .env 文件，并映射端口 3000（前端）/5001（后端）。

谷歌重磅发布LiteRT！TensorFlow Lite正统继任者，全平台NPU/GPU加速让边缘GenAI部署快到离谱！

项目地址：https://github.com/google-ai-edge/LiteRT

主要语言：C++

stars: 1.6k

仓库简介

LiteRT是Google推出的用于边缘平台上高性能机器学习（ML）和生成式人工智能（GenAI）部署的设备端框架，它延续了TensorFlow Lite的传统，是值得信赖的高性能设备端AI运行时。

核心功能

• 先进的加速技术：具备高级GPU/NPU加速功能，能够提供卓越的ML和GenAI性能，让设备端的ML推理变得更加轻松。
• 新的编译模型API：实现自动化加速器选择、真正的异步执行以及高效的I/O缓冲区处理，简化开发流程。
• 统一的NPU加速：为主要芯片组供应商的NPUs提供无缝访问，为开发者提供一致的体验。
• 一流的GPU性能：采用最先进的GPU加速技术进行设备端ML，新的缓冲区互操作性实现零拷贝，最大限度减少各种GPU缓冲区类型的延迟。
• 卓越的生成式AI推理：为GenAI模型提供最简单的集成方式和最佳性能。

支持的平台

LiteRT支持多种平台，包括Android、iOS、Linux、macOS、Windows、Web和IoT，并且在不同平台上提供了CPU、GPU和部分NPU的支持。

安装方法

可以从源代码构建LiteRT，具体步骤如下：

• 启动Docker守护进程。
• 运行docker_build/目录下的build_with_docker.sh脚本。该脚本会自动创建一个Linux Docker镜像，可用于构建Linux和Android的工件（通过交叉编译）。

使用指南

根据不同的目标，开发者可以选择不同的使用路径：

• 有PyTorch模型：经典模型可使用LiteRT Torch Converter将PyTorch模型转换为.tflite格式，并使用AI Edge Quantizer进行优化；大语言模型（LLMs）可使用LiteRT Generative Torch API将PyTorch LLMs转换为Apache格式，然后使用LiteRT LM进行部署。
• 新手开发者：初学者可通过Android Studio按照步骤创建实时分割应用；有经验的开发者可从入门指南开始，在Kaggle Models上找到预训练的.tflite模型，并使用标准的LiteRT运行时将其集成到Android或iOS应用中。
• 追求高性能：可探索LiteRT API以利用硬件加速；处理生成式AI时，可使用LiteRT LM。
• 从事生成式AI开发：可深入研究LiteRT LM，专注于模型量化和针对大型模型架构的优化。

路线图

• 扩展硬件加速：扩大对NPUs的支持，并提高所有主要硬件加速器的性能。
• 生成式AI优化：为下一代设备端生成式AI模型引入新的优化和功能。
• 改进开发者工具：构建更好的工具用于调试、分析和优化模型。
• 平台支持：增强对核心平台的支持，并探索新的平台。

原文：https://mp.weixin.qq.com/s/eyDo2kMb0udRpP_2A6iivA
欢迎关注公zh：AI Tech研习社