MiroFish AI: Simulasi Masyarakat yang Guncang GitHub
By Ali Sadikin Ma · · Updated
Category: Technology
MiroFish AI Guncang GitHub — Tapi Apakah Benar-Benar Bisa Prediksi Masa Depan?
Gak ada yang nyangka MiroFish bakal meledak.
Seorang mahasiswa 20 tahun membangunnya dalam 10 hari — dan internet langsung kehilangan akal sehatnya.
Tool bernama MiroFish AI ini sudah tembus 66.600 bintang GitHub dan 10.400 fork dalam waktu kurang dari 100 hari sejak diluncurkan — melampaui proyek dari OpenAI, Google, dan Microsoft di chart trending global.
Tapi ada pertanyaan yang jarang dibahas:
Apakah ini benar-benar bekerja?
Karena kalau klaim "memprediksi masa depan" itu akurat, ini bukan sekadar tool GitHub yang viral. Ini bisa mengubah cara kita membuat keputusan besar — di bisnis, politik, dan kebijakan publik.
Tapi kalau klaimnya berlebihan... kita lagi menyaksikan AI hype terbesar tahun ini.
Dan sebelum kamu share artikel ini ke grup-mu — ada sesuatu tentang MiroFish AI yang perlu kamu tahu dulu.
Dari Kamar Kos ke Investasi Rp 67 Miliar: Kisah di Balik MiroFish
Guo Hangjiang — alias BaiFu di dunia online — adalah mahasiswa tingkat akhir di Beijing University of Posts and Telecommunications ketika dia membangun MiroFish.
Usianya 20 tahun. Waktu yang dia punya: 10 hari. Metode yang dia pakai: vibe coding — pengembangan berbasis AI tanpa over-engineering.
Hasilnya?
Pada 7 Maret 2026, MiroFish menduduki posisi #1 di GitHub Global Trending. Dalam hitungan hari, 22.000 bintang masuk — melampaui proyek dari OpenAI, Google, dan Microsoft dalam satu chart yang sama.
Tapi yang lebih mengejutkan adalah yang terjadi 24 jam kemudian.
Chen Tianqiao — pendiri Shanda Group, mantan orang terkaya di China — menyaksikan video demo kasar MiroFish. Dalam 24 jam, dia mentransfer komitmen investasi sebesar 30 juta yuan (~$4,1 juta USD) dan langsung menunjuk Guo sebagai CEO perusahaan baru.
Bukan karena teknologinya sempurna.
Chen Tianqiao sendiri mengakui bahwa level teknis MiroFish "tidak terlalu outstanding." Dia berinvestasi karena melihat kemampuan Guo untuk "melihat dan mendefinisikan masalah nyata yang berharga, lalu mencoba menyelesaikannya dengan cara berbasis AI yang baru."
Ini bukan kisah teknologi canggih yang mendapat investasi besar. Ini kisah tentang seseorang yang tahu cara mendefinisikan masalah yang tepat.
Sebelum MiroFish, Guo membangun BettaFish — tool analisis opini publik multi-agent yang menduduki puncak GitHub trending akhir 2025 dan meraih 20.000 bintang dalam seminggu. Setelah meraih 10.000 bintang, Guo berkata: "Aku kehilangan perasaan itu." Jadi dia membangun sesuatu yang lebih besar.
Tapi sebelum kita bicara tentang apa yang MiroFish bisa lakukan — kita perlu bicara tentang apa yang sering diklaim orang tentang tool ini. Dan mengapa klaim itu tidak tepat.
Kenapa "Prediksi Masa Depan" Adalah Framing yang Keliru
Di sinilah banyak artikel soal MiroFish gagal.
Judul-judul seperti "AI yang Bisa Memprediksi Masa Depan" memang clickable. Tapi mereka menciptakan ekspektasi yang tidak bisa dipenuhi MiroFish — dan itu merugikan semua orang, termasuk kamu yang mau pakai tool ini untuk keputusan nyata.
Fakta yang perlu kamu tahu:
Tidak ada benchmark yang dipublikasikan. Tidak ada data yang membandingkan prediksi MiroFish dengan kejadian nyata. David Borish dari The AI Spectator menulis: "Demo-nya adalah ilustrasi yang menarik dari pendekatannya — bukan bukti akurasi prediktif."
Output MiroFish tidak bisa direproduksi. Jalankan skenario yang sama dua kali, dan kamu akan dapat hasil yang berbeda — karena setiap agen menggunakan reasoning LLM yang probabilistik. Ini bukan bug. Ini sifat dasar sistemnya.
Simulated crowds tidak identik dengan crowds nyata. Riset OASIS yang dipresentasikan di NeurIPS 2024 (arXiv:2411.11581) menemukan bahwa agen LLM lebih rentan terhadap herd behavior daripada manusia nyata — crowd yang disimulasikan terpolarisasi lebih cepat dari realitas.
Jadi, apakah MiroFish tidak berguna?
Sama sekali tidak.
Ini hanya berarti kita perlu memahami apa yang sebenarnya dilakukan tool ini — bukan apa yang dikatakan headline-nya.
Dan jawabannya jauh lebih menarik dari sekadar "prediksi masa depan."
Masyarakat di Dalam Komputer: Cara Kerja MiroFish AI yang Sebenarnya
MiroFish AI bukan alat prediksi. Ini adalah engine eksplorasi skenario — dan perbedaan itu penting sekali.
Cara kerjanya:
Kamu upload dokumen seed — bisa artikel berita, laporan kebijakan, atau teks terstruktur apapun. Lalu masukkan pertanyaan dalam bahasa natural. Sistem kemudian menjalankan lima tahap pipeline:
- Graph Build — MiroFish membangun knowledge graph dari dokumen kamu
- Agent Generation — sistem menciptakan puluhan hingga ribuan agen virtual dengan profil berbeda
- Simulation — agen-agen ini berdebat, saling mempengaruhi, dan membentuk opini
- Report — ReportAgent menganalisis hasil dan menyusun ringkasan prediktif
- Interaction — kamu bisa wawancarai agen individual untuk memahami reasoning mereka
Engine di balik semua ini adalah OASIS (Open Agent Social Interaction Simulations) — dipresentasikan di NeurIPS 2024 dan mampu mensimulasikan hingga 1 juta agen yang melakukan 23 jenis aksi sosial berbeda, dari mengikuti akun, berkomentar, repost, hingga membuat konten.
Setiap agen diatur oleh Aturan Tiga:
- Stance — arah opini agen
- Confidence — ketahanan terhadap persuasi
- Persuasion — kapasitas mempengaruhi agen lain dalam simulasi
MiroFish juga menggunakan Zep Cloud untuk persistent long-term agent memory — agen mengakumulasi memori antar babak simulasi dan bisa memperbarui keyakinan mereka secara dinamis, bukan reset di setiap langkah.
Hasilnya bisa mengejutkan. MiroFish pernah mensimulasikan ending yang hilang dari Dream of the Red Chamber — novel klasik China terbesar — dengan menelan 80 bab pertama dan menjalankan simulasi karakter multi-agent untuk mengekstrapolasi kelanjutannya.
Ini bukan prediksi. MiroFish AI menawarkan eksplorasi — dan pada skala itu, nilainya sangat nyata untuk keputusan bisnis, strategi, dan kebijakan.
5 Cara Terpintar Menggunakan MiroFish Sekarang (Lengkap dengan Estimasi Biaya)
MiroFish AI sudah bisa kamu jalankan hari ini. Ini bukan teori. Ini langkah konkret — lengkap dengan biaya real yang perlu kamu antisipasi.
1. Tes Reaksi Publik Sebelum Peluncuran Produk
Apa: Sebelum meluncurkan produk atau kampanye, jalankan simulasi 100–200 agen yang mewakili target audiensmu.
Cara: Upload brief produk dan riset kompetitor sebagai seed document. Masukkan pertanyaan: bagaimana reaksi konsumen terhadap peluncuran produk ini di segmen target pasar? Jalankan 50 babak simulasi.
Contoh: Pendekatan simulasi multi-agent berhasil menangkap keberatan konsumen yang tidak pernah muncul di focus group tradisional — karena simulasi menangkap efek herd behavior dan opinion cascade yang tidak terlihat dari riset individu.
Outcome: Kamu menemukan potensi masalah sebelum launch, bukan sesudahnya. Biaya: $0,50–$2 untuk simulasi 50 agen, 20 babak.
2. Stress-Test Kebijakan Perusahaan Sebelum Implementasi
Apa: Simulasikan bagaimana karyawan, pelanggan, atau stakeholder akan bereaksi terhadap kebijakan baru sebelum kamu commit sepenuhnya.
Cara: Buat profil agen yang mencerminkan distribusi stakeholdermu: 20% early adopter, 50% wait-and-see, 30% resistor. Upload kebijakan sebagai seed. Tanyakan: apa yang terjadi jika kebijakan ini diimplementasikan bulan depan?
Contoh: Studi Emergence AI (Fortune, Mei 2026) menempatkan Claude, ChatGPT, Grok, dan Gemini sebagai gubernur masyarakat virtual identik selama 15 hari. Hasilnya dramatis: masyarakat yang dipimpin Claude mencatat nol kejahatan dan approval rate 98%. Masyarakat Grok? 183 kejahatan dan punah dalam 4 hari. Dinamika serupa bisa muncul dari kebijakan perusahaanmu.
Outcome: Kamu tahu titik resistensi sebelum implementasi. Biaya: $200–$800+ untuk simulasi enterprise 2.000+ agen, 200+ babak — ditambah infrastructure overhead $80–$300/bulan.
3. Analisis Sentimen Politik dan Opini Publik
Apa: Modelkan bagaimana opini publik tentang isu tertentu berkembang di bawah tekanan sosial, misinformasi, dan dinamika kelompok.
Cara: Upload artikel berita terkini tentang isu tersebut. Buat agen dengan distribusi opini yang mencerminkan data polling real. Jalankan simulasi untuk 30, 60, atau 90 hari ke depan dan bandingkan divergensi antar run.
Contoh: SocioVerse dari Fudan University — menggunakan pool 10 juta individu nyata — berhasil memprediksi lebih dari 90% hasil voting antar negara bagian dalam benchmark pemilihan presiden AS, dengan Qwen2.5-72b dan DeepSeek-V3 sebagai model terbaik (arXiv:2504.10157, April 2025).
Outcome: Peta risiko opini publik sebelum isu meledak. Biaya mulai dari $2–$10 untuk analisis skala kecil 50 agen.
4. Eksplorasi Skenario Strategis
Apa: Gunakan MiroFish untuk menjawab pertanyaan "bagaimana jika?" — bukan untuk mendapat jawaban pasti, tapi untuk menemukan dinamika yang mungkin terlewat.
Cara: Jalankan skenario yang sama 5–10 kali. Identifikasi pola yang konsisten muncul di berbagai run. Gunakan divergensi antar run sebagai sinyal ketidakpastian yang perlu diwaspadai dalam rencana bisnismu.
Contoh: Tim strategi yang menjalankan 10 simulasi tentang respons kompetitor terhadap peluncuran produk menemukan dua skenario ekstrem yang tidak pernah mereka pertimbangkan — keduanya menjadi bagian dari contingency plan yang lebih kuat.
Outcome: Kerangka keputusan yang lebih baik karena kamu sudah memetakan lebih banyak kemungkinan. Biaya: 10 simulasi 50-agen sekitar $5–$20 total.
5. Mulai Hari Ini dengan Modal $0,50
Apa: Jalankan simulasi mikro dulu untuk memahami engine sebelum invest di simulasi besar.
Cara: Clone repository: git clone https://github.com/666ghj/MiroFish.git. Install dengan npm run setup:all. Isi empat key di file .env (LLM_API_KEY, LLM_BASE_URL, LLM_MODEL_NAME, ZEP_API_KEY). Jalankan npm run dev. Simulasi pertama bisa berjalan dalam satu jam.
Contoh: Komunitas CAMEL-AI yang mendukung OASIS engine MiroFish sudah memiliki 200+ kontributor dan 30.000+ anggota komunitas — forum aktif untuk troubleshooting dan berbagi use case nyata.
Outcome: Kamu punya pemahaman langsung tentang kapabilitas nyata tool ini sebelum commit ke simulasi skala besar. Biaya: mulai dari $0,50.
MiroFish Baru Permulaan — Ini yang Akan Datang
Gak ada yang nyangka MiroFish bakal jadi ini.
Tapi yang lebih penting: MiroFish AI bukan akhir dari cerita ini.
AI agent market diproyeksikan tumbuh dari $7,84 miliar di 2025 menjadi $52,62 miliar pada 2030 — CAGR 46,3% (Master of Code, AI Agents Statistics 2026). Gartner memprediksi 40% aplikasi enterprise akan menyertakan AI agent task-specific pada akhir 2026, naik dari kurang dari 5% tahun sebelumnya.
Dan MiroFish bukan satu-satunya pemain:
- OASIS (NeurIPS 2024) — engine di balik MiroFish, dikembangkan CAMEL-AI dengan 200+ kontributor dan 30.000+ anggota komunitas, bermitra dengan Amazon, Apple, Meta, DeepMind, MIT, Stanford, Oxford, dan Cambridge
- SocioVerse (Fudan University, 2025) — mensimulasikan 10 juta individu nyata, mencapai akurasi 90%+ dalam benchmark pemilu AS
- AgentSociety (Tsinghua FIB Lab, Juni 2026) — platform simulasi ilmu sosial native-LLM yang meraih 1.000+ GitHub stars dan merilis v2.5.4 bulan ini
Pertanyaannya bukan apakah MiroFish memprediksi masa depan.
Pertanyaan yang tepat adalah ini:
Apakah kita siap mulai memperlakukan keputusan seperti hipotesis yang perlu diuji — dan menjalankan simulasi sebelum kita commit?
Bayangkan keputusan besar terakhir yang kamu buat tanpa data yang cukup. Sekarang bayangkan kamu sudah menjalankan 200 simulasi sebelumnya.
Itu yang MiroFish AI tawarkan — bukan ramalan, tapi laboratorium keputusan.
FAQ: Pertanyaan Paling Banyak Ditanyakan tentang MiroFish
Apakah MiroFish gratis digunakan?
MiroFish dilisensikan di bawah AGPL-3.0 — open-source dan gratis untuk diunduh dan dijalankan. Kamu hanya membayar LLM API fees dari provider pilihanmu (Alibaba qwen-plus direkomendasikan untuk efisiensi biaya). Modifikasi kode inti harus open-source jika didistribusikan, tapi penggunaan internal tidak memerlukan biaya lisensi. Estimasi biaya awal: $0,50–$2 untuk simulasi 50 agen pertama.
Seberapa akurat prediksi MiroFish?
Belum ada benchmark yang dipublikasikan yang membandingkan output MiroFish dengan kejadian nyata di dunia. Kompetitor SocioVerse dari Fudan University (arXiv:2504.10157, April 2025) mencapai akurasi 90%+ dalam prediksi pemilu AS menggunakan pendekatan serupa — tapi dengan dataset 10 juta individu nyata. MiroFish paling tepat diperlakukan sebagai engine eksplorasi skenario, bukan alat prediksi presisi tinggi.
Apakah saya perlu bisa coding untuk menggunakan MiroFish?
Setup awal memerlukan Node.js 18+, Python 3.11–3.12, dan npm. Tapi setelah berjalan, interaksi dilakukan melalui UI berbasis web dengan input bahasa natural. Developer pemula bisa menjalankan simulasi pertama dalam satu jam setelah instalasi lengkap.
Apa perbedaan MiroFish dan model AI biasa seperti ChatGPT?
ChatGPT memberikan satu respons dari satu perspektif AI. MiroFish AI menjalankan puluhan hingga ribuan agen dengan profil berbeda yang saling berinteraksi, berdebat, dan mempengaruhi satu sama lain — menangkap dinamika sosial seperti herd behavior, opinion cascade, dan polarisasi kelompok yang tidak terlihat dari model tunggal manapun.
Kamu sudah sampai di akhir. Dan sekarang kamu tahu sesuatu yang sebagian besar orang yang viral-share MiroFish tidak tahu:
Ini bukan alat prediksi masa depan. Ini alat untuk menjelajahi masa depan sebelum kamu memilihnya.
Buka GitHub sekarang dan clone MiroFish AI — simulasi pertama bisa jalan dalam satu jam, dengan modal mulai dari $0,50.
Atau simpan artikel ini sebelum rapat strategi berikutnya — cara kamu berpikir tentang pengambilan keputusan di tengah ketidakpastian tidak akan pernah sama lagi.