如何快速部署 MiroFish从 3 条命令到源码贡献的完整实战路径【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFish上传一份报告MiroFish 会自动构建人物图谱、让上百个 Agent 并行模拟并产出预测报告。而 MiroFish 部署这件事常常卡在新手的第一个环节——本文快速给出 3 条路线容器化一键启动、前后端分离手动部署、贡献者开发环境。读完你能在自己机器上跑通其中一条最快 3 条命令打开控制台。先选路3 条路线各管一段动手前花 30 秒对号入座无论走哪条目标都一样快速上手让浏览器能上传报告你是哪种读者推荐路线一句话理由零基础只想看效果路线 A · 容器一键3 条命令依赖全在镜像里开发者要改配置换模型路线 B · 前后端分离两端独立启动配置项一目了然想给项目提代码路线 C · 贡献者环境热更新加 debug改完即刷新三条路线共用同一份代码和同一个.env配置文件区别只在于你对系统的掌控深度。三条路线实操挑一条照着走路线 A容器化启动3 条命令打开控制台【给谁】给只想「先看效果」的零基础上手。完成后你拥有一个能用的 MiroFish 实例浏览器里直接上传报告就能开跑。前置检查Docker 是把应用装进隔离沙箱运行的工具Compose 是编排多容器的工具确认两者已安装docker --version docker compose version这句命令打印两个工具的版本。成功确认两行都输出版本号没有「command not found」。第 1 条命令拿代码git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish把仓库克隆到当前目录再进入项目。成功确认目录里能看到docker-compose.yml和.env.example。第 2 条命令备配置cp .env.example .env复制模板后打开.env填入你申请到的LLM_API_KEY和ZEP_API_KEY模板注释里写明了去哪里申请。成功确认ls能看到根目录下的.env且两个 key 已非空。第 3 条命令启动docker compose up -d拉取镜像并在后台启动全部服务首次拉镜像较慢属正常。成功确认docker compose ps显示 mirofish 容器为 Up访问 http://localhost:3000 出现上传页面。 30 秒原理镜像把 Python 和 Node 两套依赖封进同一个盒子容器的 namespace 隔离机制保证里面的依赖再乱也不影响你本机的系统整个环境随时可以推倒重建。⚠️ 常见坑3000 端口被占用 → 把docker-compose.yml的 ports 改成3001:3000重启后访问 localhost:3001。拉镜像极慢 →docker-compose.yml里注释了加速镜像地址替换 image 行再启动。容器反复重启 → 基本是.env的 key 没填全用docker compose logs -f看具体报错行。路线 B前后端分离后端手动部署步骤【给谁】给想「拆开看里面」的开发者。完成后你能改端口、换模型、加配置项前后端各自独立启动、独立排查。MiroFish 前端是 Vue 3 Vite 工程3000 端口后端是 Flask API5001 端口两边都读根目录的.env。克隆代码git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish拿仓库并进入根目录。成功确认目录下同时存在backend/和frontend/。cp .env.example .env填入两个 key后端的配置模块统一读这个文件启动时无需再传参数。成功确认.env存在且 key 已填好。后端先起建一个虚拟环境只装本项目依赖的独立 Python 小环境cd backend python -m venv venv source venv/bin/activateWindows 上激活命令是venv\Scripts\activate。成功确认终端行首出现(venv)前缀。pip install -r requirements.txt按清单安装 Python 依赖。成功确认输出以Successfully installed ...结束。python run.py启动 Flask 后端默认监听 5001。成功确认终端出现监听 0.0.0.0:5001 的日志访问 http://localhost:5001 不再拒绝连接。后端占着一个终端另开一个终端起前端cd frontend npm install下载 Node 依赖需要网络通畅。成功确认frontend/下生成了node_modules/目录。npm run dev启动 Vite 开发服务器所有/api请求会自动转发到 5001。成功确认浏览器打开 http://localhost:3000 页面正常且后端终端能看到 API 访问日志。 30 秒原理前后端分离的核心是前端只通过 HTTP 调后端接口Vite 开发服务器负责代理转发开发期不用关心跨域两端还能独立升级互不牵连。⚠️ 常见坑pip install失败 → 先升级 pip 再重试仍不行就给命令加上国内镜像源参数。提示 3000 端口被占用 → 杀掉旧进程或改frontend/vite.config.js里 server 的端口后重启。后端启动即报配置错误 →LLM_API_KEY或ZEP_API_KEY为空配置模块在启动时会做强制校验。路线 C贡献者开发环境搭出「改完即刷新」的循环【给谁】给准备提交 PR 的贡献者。完成后你拥有一个带热更新与 debug 能力的开发环境改任何代码都能立刻看到效果。git clone https://gitcode.com/GitHub_Trending/mi/MiroFish cd MiroFish与路线 A 相同的取码步骤。成功确认项目根目录就绪。cp .env.example .env填入两个 key想让后端随文件变化自动重启再加一行FLASK_DEBUGtrue它由backend/app/config.py读取。成功确认.env里 key 和 debug 行都在。npm run setup:all一条命令装齐根目录、前端、后端三处依赖后端会借助 uv 自动建 Python 虚拟环境要求版本 3.113.12。成功确认frontend/出现node_modules/backend/出现虚拟环境目录。两个终端分别启动npm run backend单独起后端debug 已生效。成功确认5001 可访问修改backend/app/下任意文件后终端出现自动重载日志。npm run frontend单独起前端。成功确认3000 可访问改一个.vue文件页面即时热更新。环境就绪后先认识核心代码地图backend/app/API 路由与全部 Agent 服务图谱构建、模拟调度、报告生成都在这层frontend/src/components/图谱、环境构建、模拟、报告、互动五步页面组件 30 秒原理FLASK_DEBUGtrue让 Flask 的文件监视器盯着代码变化自动重启Vite 又自带热模块替换两者叠加「改代码→看到效果」的间隔被压到一秒以内这就是开发循环的地基。⚠️ 常见坑改了.env不生效 → 环境变量只在进程启动时读取一次重启后端即可。重启后端口还被占用 → 旧进程没退干净用lsof -i:5001找到它再结束。Python 版本不符 → 需要 3.113.12setup:all里的 uv 会自动拉取正确版本无需手动装。跑起来之后验证与调优不管走哪条路线都用下面 3 步确认它真的通了打开 http://localhost:3000看到「上传任意报告 即刻推演未来」的起始页上传一份小报告md/txt/pdf50MB 以内走完图谱构建→环境构建→模拟→报告→互动五个环节模拟结束后在深度互动页向 ReportAgent 提问能得到正常回答调优只动这三处用不上就别碰先控成本模拟的 LLM 调用最费钱先用OASIS_DEFAULT_MAX_ROUNDS40 轮以内试跑流程通了再加量。切块大小config.py里的DEFAULT_CHUNK_SIZE影响图谱实体数量块大了节点少、建得快但别拉太粗细节会丢。记忆图谱Zep 图谱越用越厚定期清掉不用的图谱查询和更新都会更轻快。结尾抛一个问题给你你走了哪条路线、卡在了哪个坑把你看到的报错原文贴到评论区这份指南最需要的就是你们的真实排障记录。【免费下载链接】MiroFishA Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎预测万物项目地址: https://gitcode.com/GitHub_Trending/mi/MiroFish创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考