MiroFish とは？料金・機能・代替

MiroFish は自らを「シンプルで汎用的な群知能エンジン」と説明していますが、正直に読むならこれは予言機械ではなくシナリオ生成器です。ニュースや出来事を渡すと、異なる役割を持つエージェントの群れを作り、起こりうる連鎖反応を示します。2025 年 11 月に AGPL-3.0 で公開され、2026 年 9 月下旬にはスターが 75,000 を超えました。これは最も人気のあるオープンソースのマルチエージェントプロジェクトの 1 つである証拠であり、同時にスター数と成熟度は別物だという好例でもあります。中国語圏の技術者がすぐに示したように、MiroFish が補うのはステークホルダー、二次影響、直感に反する経路であり、未来の予測ではありません。

主な機能

ペルソナの群れ: 多数のエージェントが異なる役割を担うため、出力は平均化された 1 つの意見ではなく、対立する利害を反映します。
出来事ベースの入力: ニュースや出来事の記述を渡すと、その周辺のシナリオ空間を生成します。
連鎖反応のマッピング: 価値は、単独の分析者なら飛ばしてしまう二次・三次の影響にあります。
Python 実装: エンジンは Python で書かれており、ペルソナや評価ループを変更したいチームが手を入れられます。
ローカル優先のフォーク: nikmcfly/MiroFish-Offline や tt-a1i/MiroFish-local は有料のグラフバックエンドを Neo4j と Ollama に置き換え、自分のマシンで全体を動かせます。
複数の入口: リポジトリのほかに、CLI フォークと mirofish.ai のホスト版があります。

使用シナリオ

このツールを使うべき人は？

すでに暫定判断を持つアナリスト: 最初の答えが見落とした反論や依存関係を引き出すストレステストとして最も有用です。
マルチエージェント手法を評価する研究者: コードベースは、研究・拡張できるペルソナ型シミュレーションの具体的な実装です。
シナリオプランニングを行うチーム: 方針を決める前に、異なる利害集団がどう反応しうるかをモデル化できます。

解決する問題

単一視点: 1 つのモデルは 1 つの答えを返します。役割の群れは、単一の語りが平板化してしまう利害を浮かび上がらせます。
二次影響の見落とし: 出来事の本当に興味深い帰結は一次のものではないことが多く、そこを可視化するのがこのシミュレーションの目的です。
高価なシミュレーション基盤: オープンソースで、多くのフォークがローカル基盤で動くため、企業向けシミュレーション製品ほどのコスト障壁がありません。

料金プラン

エンジンは AGPL-3.0 で無料のオープンソースで、公式のホスト版は mirofish.ai です。実際のコストは、群れが消費するトークンと計算量で、ペルソナ数とシミュレーションの長さに比例します。加えて接続するグラフやベクトルストアの費用です。有料グラフ層を Neo4j と Ollama に置き換えるフォークはまさにこの請求額を下げるためにあり、改変版をネットワークサービスとして提供する場合は AGPL の条件を真剣に確認してください。

優位性と独自の価値提案

競合との比較:

単発ではなく群れ: 30 のペルソナに尋ねることと、1 つのモデルに 30 回尋ねることは別の操作であり、意見の不一致そのものが成果物です。
改造可能な基盤: 検証したいのが手法そのものである場合、Python と成熟したフォーク群はクローズドなシミュレーション製品に勝ります。
オフライン経路: オフライン版とローカル版は、サードパーティのグラフサービスに依存しない経路を提供します。

際立つポイント:

予測エンジンではなくシナリオ生成器という位置づけは正確で有用です。
活発なフォーク群は、制約の強い環境への適応が進んでいる証拠です。
AGPL-3.0 は現実の制約ですが、改善がオープン側に残ることも意味します。

ユーザーレビュー

MiroFish について最も有用な評価は、中国語圏の技術評論家によるものでした。未来を予測する道具ではなく「シナリオ生成器」と定義すべきで、出力の品質はペルソナ設計、初期情報、評価方法に依存するという指摘です。これはコードベースと一致します。エンジンはフレームワークであり、厳密さは使う側が用意するものです。もう 1 つの共通した反応は規模への懐疑です。群れはもっともらしい物語を簡単に生みますが、真実はほとんど与えません。計画に使うチームは、出力を報告できる結論ではなく検証すべき仮説一覧として扱ってください。

はじめに

クイックスタート

まずリポジトリを読む: README とオフラインフォークの文書で、どの部品が有料でどれが置換可能かを確認します。
構成を決める: ホスト版で試し、データを外に出せないならローカルフォークから始めます。
配役を意図的に設計: 利害が衝突し、情報アクセスが異なるペルソナを書きます。汎用アナリストのコピーを 10 体作らないことです。
小規模に走らせる: よく知る出来事に少数のペルソナを割り当て、出力への自分の判断を較正します。
確認してから調査: 生成されたシナリオを検証項目のチェックリストに変換し、1 つずつ確かめます。

統合

オフラインフォークの構成に沿った Neo4j などのグラフストア。
ローカル変体向けの Ollama とローカルモデルランタイム。
自前の評価スクリプト。プロジェクトが公開するのはエンジンであり、採点の権威ではありません。
ペルソナを別のランタイムで実行したい場合のエージェントフレームワーク。

よくある質問

MiroFish は未来を予測しますか？

いいえ、シナリオ生成器と表現するのが適切です。ステークホルダー、二次影響、直感に反する経路を補いますが、出力品質はペルソナ設計、入力情報、評価方法に依存します。

無料ですか？

エンジンは AGPL-3.0 で無料です。コストはシミュレーションが消費するトークンと計算量、ホスト構成を使う場合は有料バックエンド部品です。

完全にオフラインで動かせますか？

可能です。nikmcfly/MiroFish-Offline や tt-a1i/MiroFish-local が有料グラフ層を Neo4j と Ollama に置き換えており、機密データを扱う際の標準的な方法です。

社内利用でもライセンスは関係しますか？

AGPL-3.0 が主に効くのは、改変版をネットワークサービスとして提供する場合です。社内利用は一般的な使い方ですが、製品として出す前に法務へ確認してください。

最大の制約は何ですか？

検証です。もっともらしいシナリオの生成は容易ですが、どれが真実かはツールの外で確かめる必要があります。

代替案

MiroFish が合わない場合は、次の代替案を検討してください:

Jeff: シナリオの群れではなく、選択肢ごとに較正された 1 つの判断が必要な場合のローカル意思決定モデル。
Buzz: エージェントによるシミュレーションではなく、エージェントとの協働が目的のとき。
Dots: 具体的な成果物がある作業向けの OpenAI の常駐エージェント。
LangGraph: 独自の編成セマンティクスで明示的なエージェントグラフを定義したいとき。

ヒントとベストプラクティス

対立を配役に組み込む: 互いに同意するペルソナは要約を生み、対立するペルソナはシナリオを生みます。
入力を固定して役割を変える: 一度に 1 つの変数だけ変えないと、何が出力を動かしたか分かりません。
ペルソナを増やす前にトークンを試算: コストは群れの規模に比例し、最初の実行結果はたいてい残す版ではありません。
出力は仮説として扱う: シミュレーションで報告に値する内容は、外でも検証に値します。

まとめ

MiroFish は、過大評価されやすいアイデアを堅実に実装した例です。多様な視点を走らせれば、単独の分析者では見落とす帰結が見えてきます。人気は本物で、シナリオ生成器という位置づけは正直であり、フォーク群のおかげでデータを社外に出せない環境でも使えます。評価方法は自分で用意し、興味深いシナリオは外部で検証する前提であれば、計画のワークフローに十分居場所があります。