¿Qué es Mirofish?
Mirofish es un sistema de simulación open-source que usa un enjambre de agentes de IA para predecir cómo reaccionaría la gente ante un evento, una noticia, o un cambio de mercado. Le das un input (un titular, un brief de producto, un anuncio) y genera miles de agentes con personalidades distintas que interactúan entre sí para simular qué pasaría en la vida real.
Por debajo usa un motor llamado OASIS — Open Agent Social Interaction Simulations que soporta hasta 1 millón de agentes simultáneos. Es open-source (repo en GitHub) y se construyó en solo 10 días. Para crear tu propio agente de IA autónomo, leé la guía completa de OpenClaw. Y para entender el stack de modelos que potencia estos sistemas, revisá las mejores herramientas de IA para tu negocio en 2026.
¿Querés un agente de IA que atienda a tus clientes 24/7?
Sin scripts. Sin contratar humanos. Sin perder leads.
¿Cómo funciona Mirofish paso a paso?
1. Subís material semilla y GrafRAG lee el contexto
El input puede ser una noticia, un artículo periodístico, un comunicado, un brief de marketing o un evento real. Mirofish usa GrafRAG (graph retrieval-augmented generation) para leer el material y construir un grafo de conceptos, actores y relaciones que va a alimentar a los agentes. Este paso es lo que diferencia a Mirofish de un chatbot común: en vez de procesar texto plano, arma una representación estructurada del contexto para que cada agente entienda el escenario.
2. Se generan agentes con personalidad propia
El sistema crea miles (o millones) de agentes sintéticos, cada uno con su propio perfil demográfico, opiniones políticas, memoria, sesgos y patrones de comportamiento. Los perfiles se inicializan con distribuciones estadísticas realistas: si simulás reacciones de público estadounidense, la distribución de edad, ingreso y educación matchea la de censos públicos. Cada agente actúa de forma independiente, no coordinada.
3. Simulación multi-agente con OASIS
Los agentes interactúan entre sí usando OASIS — el motor publica posts, replies y likes en una "red social sintética", aplica algoritmos de propagación social y dispara cascadas de información. Los agentes debaten, se influencian mutuamente, forman opiniones, cambian de postura. Las relaciones evolucionan en el tiempo con dinámicas de Bayesian Belief Networks — cada agente actualiza sus creencias en función de lo que dicen los demás.
4. Reporte de resultados con patrones y predicciones
Cuando la simulación termina, un agente "reporter" agrega todo y genera un resumen ejecutivo: tendencias de adopción, segmentos que se polarizan, framings que ganan vs los que pierden, predicciones cuantitativas (% de likelihood de cada outcome). El reporte es accionable: te dice qué mensaje resonaría con qué público y qué riesgos hay.
¿Para qué sirve Mirofish en marketing y comunicación?
| Caso de uso | Escala de agentes | Tiempo de simulación |
|---|---|---|
| Predecir reacción a un lanzamiento de producto | 10k - 100k | 1-3 horas |
| Simular cascadas virales en redes sociales | 100k - 1M | 4-12 horas |
| Testear A/B framings de mensaje político o brand | 5k - 50k | 30-90 minutos |
| Anticipar crisis de PR antes de soltar un comunicado | 10k - 100k | 1-3 horas |
| Validar moderación en comunidades online | 1k - 10k | 15-60 minutos |
Es la versión IA del focus group — solo que en vez de 8 personas en una sala, son 100.000 agentes corriendo en paralelo durante 3 horas.
Specs técnicas
- Motor: OASIS — hasta 1 millón de agentes
- Input: GrafRAG (graph retrieval-augmented generation)
- Topología social: Bayesian Belief Networks
- Desarrollo: 10 días, equipo de camel-ai
- Licencia: Open-source
- Lenguaje: Python
Cómo instalar Mirofish en tu máquina
- Clonar el repositorio oficial de OASIS desde GitHub
- Instalar las dependencias de Python (
pip install -r requirements.txt) - Configurar API keys de los modelos (Claude, GPT, o un modelo local vía Ollama)
- Correr el servidor y subir tu material semilla
Por qué construir agentes multi-actor es más accesible de lo que parece
La fricción para armar sistemas multi-agente desapareció. Mirofish prueba que un equipo chico puede construir en 10 días lo que hace 2 años requería un PhD y un cluster de GPUs. La estructura está documentada en el paper de OASIS y el repo es público — cualquiera con Python y una API key puede replicarlo. La diferencia entre quien usa esto y quien no va a definir las próximas estrategias de marketing y producto.
¿Querés un agente de IA que atienda a tus clientes 24/7?
Sin scripts. Sin contratar humanos. Sin perder leads.
Preguntas frecuentes sobre Mirofish agentes IA
Podés simular cinco categorías principales. Reacción a lanzamientos de producto (10k-100k agentes, 1-3 horas de simulación), cascadas virales en redes sociales (100k-1M agentes, 4-12 horas), A/B test de framings de mensaje político o brand (5k-50k agentes, 30-90 minutos), anticipar crisis de PR antes de soltar un comunicado (10k-100k agentes, 1-3 horas) y validar moderación en comunidades online (1k-10k agentes, 15-60 minutos). Es la versión IA del focus group: en vez de 8 personas en una sala, son 100.000 agentes corriendo en paralelo con personalidades distintas (demografía, opiniones, sesgos). El paper de OASIS en arxiv documenta la arquitectura técnica que soporta esta escala. Para herramientas de marketing que complementan este análisis, mirá las mejores herramientas de IA para tu negocio en 2026 y la guía de OpenClaw para armar tu propio agente.
Mirofish puede soportar hasta 1 millón de agentes simultáneos gracias a su motor OASIS (Open Agent Social Interaction Simulations), publicado en arxiv y mantenido por el equipo de camel-ai. La escala depende del caso de uso: para A/B test de mensaje, 5.000-50.000 agentes son suficientes y la simulación corre en 30-90 minutos en un servidor con GPU. Para cascadas virales realistas en redes sociales, conviene escalar a 100k-1M agentes y la simulación tarda 4-12 horas. Cada agente tiene perfil demográfico, opiniones, memoria, sesgos y patrones de comportamiento independientes, y las interacciones se modelan con redes Bayesianas. El motor es open-source, está documentado en el repo de OASIS en GitHub, y cualquiera con Python y API keys puede correrlo. Para armar tu propio agente autónomo, leé la guía de OpenClaw.
Los agentes se generan con personalidades sintéticas distintas, cada uno con su propio perfil demográfico (edad, ingreso, educación, geografía), opiniones políticas, memoria histórica, sesgos cognitivos y patrones de comportamiento. La inicialización usa distribuciones estadísticas realistas: si simulás reacciones de público estadounidense, la distribución de demografía matchea censos públicos del U.S. Census Bureau. Cada agente actúa de forma independiente, no coordinada — toma decisiones basadas en su perfil interno y en lo que ven los otros agentes a su alrededor. Las creencias se actualizan dinámicamente con Bayesian Belief Networks, lo que permite modelar cómo cambian las opiniones a medida que se propaga información en la red social sintética. El motor que coordina todo es OASIS y el código está público en GitHub. Para ver cómo armar tu propio agente de IA, leé la guía completa de OpenClaw.
Sí, Mirofish (que corre sobre OASIS) es 100% open-source, lo que significa que podés acceder al código, leerlo, modificarlo y usarlo en proyectos comerciales según tus necesidades. El repositorio está disponible en GitHub bajo licencia permisiva, mantenido por el equipo de camel-ai. La arquitectura técnica está documentada en el paper publicado en arxiv. Esto baja la barrera de entrada drásticamente: hace 2 años, armar un sistema multi-agente de esta escala requería un PhD y un cluster de GPUs; hoy un equipo chico lo construye en 10 días con un repo público y una API key. Cualquiera con Python intermedio puede correr el motor localmente o en un servidor cloud (AWS, GCP, Azure). El paradigma de sistemas multi-agente está documentado en Wikipedia. Para armar tu propio agente, leé la guía completa de OpenClaw.
Cuatro pasos. Primero, clonar el repositorio oficial de OASIS desde GitHub (git clone toma menos de 1 minuto). Segundo, instalar las dependencias de Python con pip install -r requirements.txt (Python 3.10+ recomendado, tarda 5-10 minutos según tu conexión). Tercero, configurar API keys de los modelos LLM que vas a usar para los agentes — podés combinar Claude (Anthropic), GPT (OpenAI) o un modelo local vía Ollama para bajar costos en simulaciones masivas. Cuarto, correr el servidor y subir tu material semilla (un brief, artículo o comunicado). En hardware: una sim de 5k agentes corre en una laptop con 16GB RAM; para 1M agentes necesitás un servidor con 64GB+ y GPU (AWS p3.2xlarge cuesta USD 3/hora aprox). La arquitectura está explicada en el paper de OASIS. Para más contexto sobre agentes de IA, leé la guía completa de OpenClaw.
Fuentes e inspiración
Mirá los posts originales donde desarrollamos estas ideas en redes.
