MiroFish 뜯어보기(1) - 이론편 : 문서 하나로 수천 명의 가상 인간을 시뮬레이션하는 집단 지능 엔진

안녕하세요! 갓대희 입니다.

오늘은 2026년 3월 GitHub 글로벌 트렌딩 1위를 찍으며 화제가 된 집단 지능 시뮬레이션 엔진, MiroFish를 살펴보려고 한다.

 

문서 하나를 넣으면 수천 명의 가상 인간을 만들어내고, 이 사람들이 서로 대화하고, 논쟁하고, 편을 바꾸면서 "앞으로 어떤 일이 벌어질지"를 시뮬레이션하는 도구다.

무엇보다 놀라운점은 대학생이 10일 만에 만들었다고 한다. NeurIPS 논문으로 검증된 CAMEL-AI/OASIS 오픈소스 생태계 위에 서 있었기에 가능한 속도였고, 이 가능성에 24시간 만에 약 60억 원의 투자가 결정되었다.

목차

1. MiroFish 소개
   • 프로젝트 개요
   • 핵심 수치
   • 왜 지금 MiroFish인가?
2. 만든 사람: 궈항장과 바이브코딩
   • BettaFish에서 MiroFish까지
   • 바이브코딩이란
3. 기술 아키텍처: 5단계 파이프라인
   • 1단계: 지식 그래프 구축
   • 2단계: 환경 설정
   • 3단계: 병렬 시뮬레이션
   • 4단계: 보고서 생성
   • 5단계: 심층 인터랙션
4. 학술적 기반: CAMEL-AI와 OASIS
   • CAMEL-AI 프레임워크
   • OASIS: 100만 에이전트 시뮬레이션
   • 기술 스택 정리
5. God's Eye View: 시뮬레이션 중 변수 주입
6. 실제 사용 사례
   • 홍루몽: 200년 된 문학 미스터리
   • 금융 시장 시뮬레이션
   • 여론 예측
7. 천톈차오와 "슈퍼 개인" 시대
   • 천톈차오는 누구인가
   • 슈퍼 개인 이론
   • 24시간 만에 결정된 투자
8. 한계점과 주의사항
   • 학술적으로 밝혀진 한계
   • 실무적 한계
9. 경쟁 프레임워크 비교
10. 커뮤니티 반응과 파생 프로젝트
    • 글로벌 반응
    • 한국어 포크
    • 오프라인 포크
11. 설치 및 시작하기
12. 결론

 

1. MiroFish 소개

프로젝트 개요

MiroFish는 "간결하고 범용적인 집단 지능 엔진으로, 세상의 모든 것을 예측한다"를 내세우는 오픈소스 프로젝트이다.

핵심 아이디어는 이렇다. 뉴스 기사, 정책 문서, 소설, 재무 보고서 같은 시드 자료를 입력하면, MiroFish가 자료 안의 인물·기관·관계를 추출해 수천 명의 가상 인간(AI 에이전트)을 생성한다. 이 에이전트들은 각각 고유한 성격, 의견 편향, 영향력, 장기 기억을 갖고 가상의 소셜 미디어에서 자유롭게 대화하고, 논쟁하고, 설득하고, 편을 바꾼다. 이 과정에서 나타나는 창발적 패턴(emergent patterns)을 분석해 미래 시나리오를 들여다본다.

한마디로, "미래를 미리 돌려보는 디지털 샌드박스"다.

 

핵심 수치

항목	내용
GitHub	github.com/666ghj/MiroFish
Stars / Forks	~32,700 / ~4,100 (2026년 3월 18일 기준)
라이선스	AGPL-3.0
언어	Python (백엔드) + Vue.js (프론트엔드)
현재 버전	v0.1.2 (2026-03-07)
시뮬레이션 엔진	OASIS (CAMEL-AI) — 최대 100만 에이전트 지원
GitHub 트렌딩 1위	2026년 3월 7일
투자	3,000만 위안 (~60억 원) — 성다그룹 천톈차오

 

왜 지금 MiroFish인가?

MiroFish가 2026년 3월에 폭발적으로 주목받은 것은 우연이 아니다. 여러 거시적 흐름이 동시에 맞물린 결과다.

 

 

1. 2026년 = "에이전트 시스템 원년"

LLM API 비용이 급격히 하락하고(GPT-4 대비 GPT-4o mini는 약 100배 저렴), CAMEL-AI·LangGraph·CrewAI 같은 멀티 에이전트 프레임워크가 성숙하면서, 수천 개의 에이전트를 동시에 돌리는 시뮬레이션이 처음으로 경제적으로 가능해진 해다. 1년 전에는 같은 시뮬레이션에 수백 달러가 들었을 작업이 이제 5~25달러로 가능하다.

 

2. 패러다임 전환: 모델 중심 → 시뮬레이션 중심

2023~2025년의 AI 트렌드는 "더 큰 모델, 더 긴 컨텍스트"였다. 2026년 들어 흐름이 바뀌고 있다. 단일 모델에 질문을 던지는 대신, 수천 개의 에이전트를 사회처럼 구성해서 창발적 결과를 관찰하는 접근이 부상하고 있다. MiroFish는 이 "시뮬레이션 중심 AI" 패러다임의 가장 눈에 띄는 사례다.

 

3. 프로토콜 표준화: A2A + MCP

Google이 2025년 발표한 A2A(Agent-to-Agent) 프로토콜과 Anthropic의 MCP(Model Context Protocol)가 산업 표준으로 수렴하면서, 에이전트 간 상호운용성 인프라가 갖춰지기 시작했다. MiroFish가 의존하는 CAMEL-AI 생태계도 이 표준들을 지원하며, 에이전트 시뮬레이션의 기반 인프라가 급속히 성숙하고 있다.

 

4. "슈퍼 개인" 패러다임의 현실 검증

천톈차오가 약 60억 원을 건 것은 단순히 소프트웨어에 대한 투자가 아니다. "1인이 AI를 지렛대 삼아 기업을 대체할 수 있다"는 테제에 대한 실증 베팅이다. 00후 대학생이 10일 만에 만든 도구가 GitHub 1위를 달성한 사건 자체가, 이 패러다임이 이론이 아니라 현실임을 보여주는 증거로 해석되고 있다.

 

2. 만든 사람: 궈항장과 바이브코딩

BettaFish에서 MiroFish까지

궈항장, 온라인 닉네임 BaiFu. 베이징우편전신대학교(BUPT) 4학년 학생이다. 중국 미디어에서 "00후"로 지칭되는 2000년 이후 출생 세대다.

 

그의 첫 프로젝트 BettaFish는 30개 이상 소셜 플랫폼의 수백만 댓글을 분석하는 멀티 에이전트 여론 분석 도구다. 2025년 말 GitHub 글로벌 트렌딩에 올라 일주일 만에 스타 2만 개를 돌파했고, 현재 약 39,300 스타를 기록 중이다.

(출처: BettaFish GitHub)

 

이 프로젝트가 성다그룹 창업자 천톈차오의 눈에 띄었고, 궈항장은 인턴으로 합류하게 된다. 그리고 인턴 기간 중 10일 만에 MiroFish를 만들었다. 본인 표현으로는 "바이브코딩(Vibe Coding)" — 빠르게, 직관적으로, AI 코딩 도구의 도움을 받아 개발하는 방식이다.

기여자 분석

GitHub 기여 기록을 보면, 전체 219개 커밋 중 218개가 궈항장(666ghj) 본인의 커밋이다. 나머지 1개는 cursoragent — AI 코딩 도구 Cursor의 자동 커밋이다. 말 그대로 한 명이 만든 프로젝트다.

 

바이브코딩이란

바이브코딩(Vibe Coding)은 OpenAI 공동창업자이자 전 Tesla AI 리더인 안드레이 카르파시(Andrej Karpathy)가 2025년 2월 2일 X(트위터)에서 처음 사용한 용어다.

"There's a new kind of coding I call 'vibe coding', where you fully give in to the vibes, embrace exponentials, and forget that the code even exists."

— Andrej Karpathy, 2025년 2월 2일 (원문, 조회수 450만+)

LLM 기반 코딩 도구(Cursor, Claude Code 등)에 의존하며, 코드를 직접 읽거나 디프를 확인하지 않고, AI가 생성한 코드를 "Accept All"하는 방식으로 빠르게 프로토타입을 만드는 개발 스타일이다. Collins Dictionary는 이 용어를 2025년 올해의 단어로 선정했다.

(출처: Collins Dictionary WOTY 2025 공식 페이지, Wikipedia - Vibe coding)

바이브코딩에 대한 반론도 있다

PSPDFKit 창업자이자 iOS 개발자인 Peter Steinberger는 "바이브코딩은 AI 기반 개발에 대한 비하 표현(slur)"이라고 반박했다(조회수 16만+). 그는 "에이전틱 엔지니어링(agentic engineering)"이라는 표현을 선호하며, AI 도움을 받더라도 아키텍처 설계, 디버깅, 품질 관리는 여전히 개발자의 역량이 필요하다고 주장한다. 궈항장의 경우도 단순히 "Accept All"만 한 것이 아니라, BettaFish에서 쌓은 멀티 에이전트 아키텍처 경험과 CAMEL-AI/OASIS 생태계에 대한 깊은 이해가 바탕이 되었다.

 

3. 기술 아키텍처: 5단계 파이프라인

MiroFish는 5단계 순차 파이프라인으로 돌아간다. 각 단계가 이전 단계 결과를 받아 변환하고 다음으로 넘긴다.

 

1단계: 지식 그래프 구축 (Graph Construction)

사용자가 업로드한 시드 자료(뉴스 기사, 정책 문서, 소설 등)에서 GraphRAG를 사용해 인물, 기관, 관계를 추출한다. 단순한 텍스트 처리가 아니라 구조화된 지식 그래프를 만들어 각 주체의 연결, 이해관계, 압력 구조를 매핑한다. 장기 기억은 Zep Cloud에 저장된다.

 

2단계: 환경 설정 (Environment Setup)

환경 에이전트가 지식 그래프를 바탕으로 수백~수천 개의 에이전트 페르소나를 자동 생성한다. 각 에이전트는 다음을 갖는다:

• 고유한 배경 스토리: 원본 자료에서 추출한 캐릭터 설정
• 성격 유형과 행동 규칙: 낙관적/비관적, 공격적/신중한 등
• 사회적 관계: 지식 그래프에서 매핑된 관계망
• 독립된 장기 기억: Zep Cloud를 통해 지속
• 의견 편향과 반응 속도: 에이전트마다 다르게 설정
• 영향력 수준: 오피니언 리더부터 일반 참여자까지

Stanford Generative Agents와의 차이

2023년 Stanford의 Generative Agents(UIST 2023 Best Paper)가 25명의 에이전트로 "기억-반성-계획" 루프를 증명했다면, OASIS/MiroFish는 같은 개념을 100만 에이전트 규모로 확장하고, 문서에서 자동으로 에이전트를 생성하며, 듀얼 소셜 플랫폼 시뮬레이션을 추가한 것으로 볼 수 있다.

 

3단계: 시뮬레이션 시작 (Begin Simulation)

핵심 단계다. OASIS 프레임워크를 사용해 두 개의 소셜 미디어 플랫폼에서 동시에 병렬 시뮬레이션을 수행한다:

• 트위터형 플랫폼: 짧은 메시지, 방송형 상호작용
• 레딧형 플랫폼: 스레드 기반 토론, 커뮤니티 구조

에이전트들은 포스팅, 댓글, 리포스트, 좋아요, 팔로우, 뮤트, 검색 등 23가지 소셜 액션을 자유롭게 수행한다. 추천 알고리즘(관심사 기반, 인기도 기반)이 적용되어 콘텐츠 발견 방식도 현실과 유사하게 시뮬레이션된다.

왜 두 개의 플랫폼인가?

트위터형은 정보 확산 패턴(바이럴, 인플루언서 영향력)을, 레딧형은 깊은 토론과 합의 형성 패턴(쓰레드 토론, 투표, 커뮤니티 편향)을 포착한다. 두 플랫폼의 결과를 교차 분석하면 단일 플랫폼보다 더 다양한 사회적 역학을 관찰할 수 있다.

 

4단계: 보고서 생성 (Report Generation)

전용 ReportAgent가 ReACT(Reasoning + Acting) 패턴을 사용해 시뮬레이션 결과를 분석한다. 지식 그래프를 쿼리하고, 시뮬레이션 속 에이전트들을 인터뷰하고, 인사이트를 종합해 구조화된 마크다운 보고서를 생성한다.

 

5단계: 심층 인터랙션 (Deep Interaction)

시뮬레이션이 끝난 후, 사용자가 시뮬레이션 안의 어떤 에이전트와도 1:1로 대화할 수 있다. "너는 왜 그때 의견을 바꿨어?"라고 물으면, 에이전트가 자기 기억을 바탕으로 답한다. ReportAgent에게 추가 질문을 하는 것도 가능하다.

 

4. 학술적 기반: CAMEL-AI와 OASIS

MiroFish는 독립적으로 시뮬레이션 엔진을 만든 것이 아니다. CAMEL-AI → OASIS → MiroFish라는 학술-오픈소스 체인 위에 구축되어 있다.

 

CAMEL-AI 프레임워크

CAMEL(Communicative Agents for "Mind" Exploration of Large Language Model Society)은 멀티 에이전트 프레임워크로, NeurIPS 2023에서 발표되었다.

• 핵심 기법 — Inception Prompting: AI 어시스턴트와 AI 사용자가 서로에게 프롬프트를 주고받으며 자동으로 작업을 완수하는 역할극(Role-Playing) 메커니즘
• 설계 원칙 (GitHub README 기준): 진화 가능성(Evolvability), 확장성(Scalability), 상태 유지(Statefulness), 코드를 프롬프트로(Code-as-Prompt)
• GitHub: camel-ai/camel — 16,400 스타 (2026년 3월 18일 기준), Apache 2.0

(출처: arXiv:2303.17760, NeurIPS 2023 Proceedings, GitHub README)

 

OASIS: 100만 에이전트 시뮬레이션

OASIS(Open Agent Social Interaction Simulations)는 CAMEL-AI 커뮤니티가 개발한 소셜 미디어 시뮬레이터다.

• 규모: 최대 100만 에이전트 동시 시뮬레이션 지원
• 소셜 액션: 23가지 (팔로우, 댓글, 리포스트, 좋아요, 뮤트, 검색 등)
• 5가지 핵심 컴포넌트: Environment Server, RecSys(추천 알고리즘), Agent Module, Time Engine, Scalable Inferencer
• 재현된 사회 현상: 정보 확산, 집단 극화(group polarization), 군중 효과(herd effects)
• GitHub: camel-ai/oasis — 3,400 스타 (2026년 3월 18일 기준), Apache 2.0

(출처: arXiv:2411.11581, "OASIS: Open Agent Social Interaction Simulations with One Million Agents", 2024년 11월)

 

기술 스택 정리

컴포넌트	기술
백엔드	Python 3.11-3.12, Flask Blueprints
프론트엔드	Vue.js, Node.js 18+
시뮬레이션 엔진	OASIS (CAMEL-AI)
지식 그래프	GraphRAG 기반 엔터티-관계 추출
에이전트 메모리	Zep Cloud (장기 기억 관리)
LLM	OpenAI SDK 호환 API (Qwen-Plus 권장)
인프라	Docker, Docker Compose
패키지 관리	uv (Python), npm (Node)

 

5. God's Eye View: 시뮬레이션 중 변수 주입

MiroFish의 가장 흥미로운 기능은 "신의 눈(God's Eye View)"이다. 시뮬레이션이 돌아가는 중간에 새로운 변수를 주입할 수 있다.

예를 들어:

• "만약 미국이 관세를 올리면?"
• "만약 CEO가 갑자기 사임하면?"
• "만약 경쟁사가 먼저 제품을 출시하면?"
• "만약 금리를 0.5%p 인상하면?"

변수를 주입하면 수천 명의 가상 인간이 실시간으로 반응한다. 여론이 바뀌고, 새로운 연합이 생기고, 예상 못 한 패턴이 나타난다. 현실에서는 "미리 실험해볼 수 없는" What-if 시나리오를 디지털 세계에서 반복 실행할 수 있다는 것이 핵심 가치이다.

주의: 예측이 아니라 시나리오 탐색

MiroFish 팀에서도 강조하는 부분이다. 이 도구는 "정확한 답을 주는 예측기"가 아니라, "놓칠 수 있는 가능성을 표면화해주는 시나리오 탐색 도구"로 보는 것이 적절하다. 시뮬레이션 결과를 실제 결과와 비교한 벤치마크는 아직 공개되지 않았다.

 

6. 실제 사용 사례

홍루몽: 200년 된 문학 미스터리

중국 4대 고전소설 홍루몽의 원작자 조설근이 쓴 것은 80회까지다. 나머지 40회는 다른 사람이 이어 썼으며, "진짜 결말은 뭐였을까"가 200년 넘게 논쟁거리다.

MiroFish에 앞 80회를 통째로 입력했다. 등장인물마다 원작의 성격을 반영한 가상 인간을 생성하고 시뮬레이션을 돌려, 잃어버린 결말의 여러 가능성을 도출했다. 해당 빌리빌리 데모 영상은 21만 뷰 이상(2026년 3월 기준)을 기록했다.

(출처: Bilibili 홍루몽 데모)

 

금융 시장 시뮬레이션

부정적 뉴스 + 애널리스트 리포트를 시드로 입력하면, 개인 투자자·기관 투자자·금융 미디어 등 각 주체가 30일간 어떻게 차별적으로 반응하는지를 시뮬레이션한다. 합병, 금융 정책 변경, 기업 실적 발표 같은 이벤트에 따른 시장 연쇄 반응을 탐색할 수 있다.

가상 시나리오 예시: "연준이 금리를 인상한다"는 시드를 넣으면, 개인 투자자 에이전트 중 상당수가 매도 반응을 보이고, 기관 투자자 에이전트는 섹터별로 다른 반응을 보이며, 금융 미디어 에이전트가 이를 증폭하는 패턴이 관찰될 수 있다. 이런 역학 구조를 사전에 파악하는 것이 시뮬레이션의 가치다. (이는 가상의 예시이며, 실제 시뮬레이션 결과는 시드 자료와 에이전트 설정에 따라 달라진다.)

검증되지 않은 트레이딩 주장에 대해

한 X(트위터) 사용자가 MiroFish를 Polymarket 트레이딩 봇에 연결해 338건의 거래에서 $4,266의 수익을 올렸다고 주장했다. 그러나 이는 단일 사용자의 미검증 주장이며, MiroFish 팀이 공식적으로 확인하거나 재현한 결과가 아니다. 금융 투자에 MiroFish를 직접 활용하는 것은 상당한 위험이 수반된다.

 

여론 예측

기업의 PR 위기 대응, 마케팅 캠페인 사전 테스트, 정책 발표 전 여론 예측 등에도 활용 가능하다. 예를 들어 새로운 정책을 발표하기 전, 수천 명의 가상 시민이 어떻게 반응하는지를 미리 시뮬레이션해서 메시지 전략을 조정할 수 있다.

누가 써야 하나?

MiroFish는 다음과 같은 사람에게 유용하다: 정책 분석가(정책 발표 전 여론 시뮬레이션), PR/마케팅 팀(캠페인 사전 테스트, 위기 대응 연습), 시나리오 플래너(전략 기획의 What-if 분석), 연구자(사회 현상 시뮬레이션), 창작자(소설/시나리오의 캐릭터 역학 탐색). 정확한 예측이 필요한 트레이더보다는, 놓친 시나리오가 있는지 확인하고 싶은 의사결정자에게 맞는 도구다.

 

이런 가능성에 가장 먼저 베팅한 사람이 있다. 중국 인터넷 산업의 전설적인 인물, 천톈차오다.

 

7. 천톈차오와 "슈퍼 개인" 시대

천톈차오는 누구인가

천톈차오는 1999년 상하이에서 $60,000로 성다(Shanda)를 창업했다. 2001년 한국 게임 '미르의 전설 2' 중국 판권을 마지막 $300,000으로 구매한 것이 대박을 쳐서, 2004년 31세에 후룬 부호 리스트 2위에 올랐다. 당시 성다는 시가총액 기준 중국 최대 인터넷 기업이었다.

2012년 성다를 비공개 기업으로 전환한 뒤, 글로벌 투자 회사로 변신시켰다. 미국 실리콘밸리(멘로파크)에 거주하며, 뇌과학 연구에 10억 달러를 기부하고, 2025년에는 AI 연구에도 대규모 투자를 확대하고 있다.

(출처: Wikipedia, Shanda 공식 프로필)

 

슈퍼 개인 이론

천톈차오는 2025~2026년 사이 "관리학의 황혼과 지능의 여명 — 기업의 생물학적 유전자를 다시 쓰다"라는 에세이를 발표해 큰 반향을 일으켰다. 이 글의 핵심 주제가 바로 "슈퍼 개인"이다.

핵심 주장:

• 전통 경영학은 인간의 인지적 한계를 보정하는 "교정 시스템"이다. AI 에이전트가 실행을 대신하면 이 시스템의 근거가 무너진다.
• 슈퍼 개인은 만능인이 아니다. "의지(Will)"와 "신용(Credit)"으로 세계 최고의 외부 두뇌를 집결시키는 "궁극의 지렛대 사용자"다. 쉽게 말해, 한 사람이 AI 에이전트 수천 개를 지휘해서 기업 하나 분량의 일을 해내는 것이다.
• 슈퍼 개인이 하는 일은 두 가지뿐: (1) 대담한 전략적 선택(Prompt), (2) 전적인 책임(Ownership)
• 공식: 책임 = 지렛대 받침점, AI 실행 = 팔 길이, 인간의 선택 = 가해지는 힘

궈항장이 혼자서 MiroFish를 만들 수 있었던 것은 CAMEL-AI/OASIS라는 "외부 두뇌"를 지렛대로 사용했기 때문이다. 이것이 바로 천톈차오가 말하는 슈퍼 개인의 구조다.

(출처: EET-China 원문, 타이미디어(TMTPost))

 

24시간 만에 결정된 투자

천톈차오는 BettaFish가 GitHub 트렌딩에 오른 것을 보고 궈항장을 인턴으로 초빙했다. "하고 싶은 거 해봐"라고 자유를 줬고, 궈항장은 10일 만에 MiroFish를 완성했다.

완성한 그날 밤, 데모 영상을 촬영해서 천톈차오에게 보여줬다. 24시간 안에 3,000만 위안(약 60억 원) 투자가 결정되었다. 인턴이 하룻밤 만에 CEO가 된 것이다. MiroFish 프로젝트는 현재 성다그룹의 전략적 지원과 인큐베이션 아래 운영되고 있다.

(출처: 36kr, PANews, TMTPost)

궈항장을 보는 천톈차오의 시각

"이 새로운 AI 시대에, 이런 젊은 AI 인재들의 성공을 내 자신의 재도약의 가장 중요한 지표로 삼겠다."
천톈차오가 약 60억 원(3,000만 위안)을 건 건 소프트웨어가 아니라, "슈퍼 개인의 시대가 이미 시작됐다"는 믿음에 건 것이다.

 

8. 한계점과 주의사항

MiroFish의 가능성을 제대로 보려면 한계도 같이 봐야 한다. 학술 논문에서 밝혀진 구조적 문제와 실무적 제약을 정리한다.

 

학술적으로 밝혀진 한계

1. LLM 편향의 유전

EMNLP 2024에서 발표된 "Systematic Biases in LLM Simulations of Debates" 논문에 따르면, LLM 에이전트는 어떤 정치적 입장을 부여받든 모델 자체의 내재된 사회적 편향에 수렴한다. Mistral 7B, Solar 10.7B, Instruct-GPT를 테스트한 결과, 테스트한 4개 주제 중 3개에서 민주당(진보적) 관점으로 수렴하는 경향이 관찰되었다. 즉, 에이전트의 다양성이 충분하지 않을 수 있다.

(출처: ACL Anthology - EMNLP 2024)

 

2. 군중 행동과 다수결의 횡포

멀티 에이전트 토론의 실패 모드를 분석한 여러 연구들에 따르면:

• 사고의 퇴화(Degeneration of Thought): 에이전트들이 초기의 그럴듯하지만 틀린 추론 경로에 집단적으로 갇힘
• 다수결의 횡포(Tyranny of the Majority): 다수가 같은 답을 제시하면 소수 에이전트도 동조하여 에코 챔버가 형성됨
• 과잉 확신 합의(Overconfident Consensus): 비슷한 능력의 모델을 사용하면 정적인 토론으로 다수 의견에 수렴
• 약한 에이전트의 오염(Weaker Agent Contamination): 성능 낮은 에이전트가 올바른 답을 오염시킬 수 있음

(출처: arXiv:2503.13657 "Why Do Multi-Agent LLM Systems Fail?", arXiv 2025; arXiv:2305.19118 "Encouraging Divergent Thinking in Large Language Models through Multi-Agent Debate", EMNLP 2024 등 다수 논문)

 

3. 분포의 협소함과 취약 집단 과소대표

2024년 12월 발표된 서베이 논문 "From Individual to Society"에 따르면, LLM은 부유하고, 젊고, 정치적으로 진보적인 WEIRD 국가 개인의 의견을 과잉 대표한다. 고령자, 소수민족, 비서구권 문화는 훈련 데이터에 과소 대표되어 해당 집단의 시뮬레이션이 신뢰하기 어렵다.

(출처: arXiv:2412.03563)

 

실무적 한계

한계	설명
벤치마크 부재	시뮬레이션 결과를 실제 결과와 비교한 검증 데이터가 공개되지 않았다. 데모는 "이런 게 된다"는 시연이지, "이게 맞다"는 증거가 아니다.
API 비용	소규모(200 에이전트, 15라운드): ~$5. 일반적(800-1,200 에이전트, 30-50라운드): $5-25. 대규모 시뮬레이션은 상당한 비용이 발생한다. README에서도 "소모가 크니 주의하라"고 경고하고, 첫 시도는 40라운드 미만을 권장한다.
솔로 개발	219개 커밋 중 218개가 1인 기여. 32,700 스타에 비해 장기 유지보수성과 코드 품질에 대한 물음이 있다. 다만 최근 보안 강화 PR(#228-232)을 통해 XSS 방지, path traversal 차단, Docker 보안 강화, traceback 노출 제거 등이 이루어지며 성숙도가 개선되고 있다. 현재 v0.1.2의 초기 단계다.
학술 논문 부재	기반 기술인 CAMEL-AI(NeurIPS 2023)와 OASIS(arXiv 2024)는 학술적으로 검증되었으나, MiroFish 자체의 피어리뷰 논문은 없다.

 

9. 경쟁 프레임워크 비교

MiroFish가 속한 멀티 에이전트 시뮬레이션 생태계는 지금 꽤 붐비다.

프레임워크	초점	GitHub 스타	학술 검증
CAMEL-AI	에이전트 스케일링 법칙, 역할극	16.4K	NeurIPS 2023
Generative Agents (Stanford)	가상 타운 시뮬레이션 (25 에이전트)	~21K	UIST 2023 (Best Paper)
MetaGPT	소프트웨어 개발 팀 시뮬레이션	65K+	ICLR 2024 (Oral)
AutoGen (Microsoft)*	대화형 멀티 에이전트	55K+	COLM 2024
CrewAI	프로덕션 워크플로우	46K+	-
AgentSociety (칭화대)	사회 시뮬레이션 (감정/인지)	-	arXiv 2025/02
OWL (CAMEL-AI)	멀티 에이전트 협업, GAIA 벤치마크 오픈소스 1위	19.2K	NeurIPS 2025
OpenAI Agents SDK	프로덕션 에이전트 (Handoff 기반)	-	-
Google ADK	A2A 네이티브 멀티모달 에이전트	-	-
MiroFish	집단 지능 예측 (OASIS 기반)	~32.7K	없음 (기반 OASIS는 검증됨)

* Microsoft는 2026년 2월 AutoGen과 Semantic Kernel을 통합한 Microsoft Agent Framework RC 1.0을 발표했다. 엔터프라이즈 에이전트 시장의 통합 움직임을 보여주는 신호다.

스타 수는 2026년 3월 18일 GitHub API 기준. OpenAI Agents SDK와 Google ADK는 공식 SDK 내 포함으로 별도 스타 수 미집계.

카테고리를 구분해서 봐야 한다

위 표의 프레임워크들은 크게 두 카테고리로 나뉜다:

• 작업 자동화 프레임워크 (MetaGPT, AutoGen, CrewAI, OpenAI Agents SDK, Google ADK): 에이전트가 실제 작업을 수행한다. 코드를 짜고, API를 호출하고, 워크플로우를 실행한다.
• 사회 시뮬레이션 엔진 (OASIS, Generative Agents, AgentSociety, MiroFish): 에이전트가 사회적 역학을 재현한다. 대화하고, 논쟁하고, 여론을 형성한다.

MiroFish는 후자에 속하면서, "문서 → 에이전트 자동 생성 → 듀얼 플랫폼 시뮬레이션 → God's Eye View 변수 주입"이라는 End-to-End 파이프라인을 갖춘 유일한 도구다. 같은 CAMEL-AI 생태계에서 나온 OWL(작업 자동화 1위)과 MiroFish(사회 시뮬레이션)가 시너지를 이루는 구조도 주목할 만하다.

 

10. 커뮤니티 반응과 파생 프로젝트

글로벌 반응

2026년 3월 7일 GitHub 글로벌 트렌딩 1위를 달성한 이후, 출시 며칠 만에 18,000 스타를 돌파한 뒤 현재 32,700+까지 성장했다. OpenAI, Google, Microsoft의 리포지토리를 제치고 1위를 차지했다.

• 중국 미디어(36kr, 타이미디어, 시나, 펑황왕, 왕이 등)에서 대규모 보도
• 영어권 미디어(Medium Agent Native, DEV Community, ByteIota, Apidog, NewsBytesApp 등)에서도 확산
• X(트위터)에서 Brian Roemmele 등 테크 커뮤니티 인플루언서들이 확산. Brian Roemmele는 "Zero-Human Company"라는 비전 아래 실제 비즈니스 예측에 MiroFish를 도입, 50만 에이전트 시뮬레이션을 실행했다고 보고
• X Community가 생성되어 초기 바이럴 이후 지속적인 커뮤니티 형성이 진행 중
• Substack에서 "MiroFish, or the Mirror That Thinks"라는 비평 에세이가 발표되어, 비결정론적 LLM 시뮬레이션의 근본적 모순(같은 시드로 같은 결과가 나오지 않는 문제)을 지적 — 균형 잡힌 비판적 시각도 형성 중

 

활발한 개발 동향

초기 바이럴에 그치지 않고 실질적인 기능 확장이 이어지고 있다 (2026년 3월 기준 122개 오픈 이슈):

• Mem0 메모리 프로바이더 (#227): Zep Cloud 외에 대체 메모리 제공자 지원
• OpenRouter 폴백 (#222): 다양한 LLM 백엔드 간 자동 전환
• Neo4j/Graphiti 그래프 지원 (#235): 지식 그래프 백엔드 다변화
• 보안 강화 (#228-232): XSS 방지, path traversal 차단, Docker 보안, traceback 노출 제거

 

한국어 포크: MiroFish-Ko

ByeongkiJeong이 만든 MiroFish-Ko는 MiroFish의 비공식 한국어 버전이다. 한국어 UI와 문서를 제공하여, 한국어권 사용자가 더 쉽게 접근할 수 있다.

 

오프라인 포크: MiroFish-Offline

MiroFish-Offline(301 스타, 76 포크)은 클라우드 API 없이 완전히 로컬에서 실행되는 포크다. Zep Cloud 대신 Neo4j를, LLM API 대신 Ollama를 사용한다. 영어 UI를 제공하여 글로벌 사용자가 로컬 환경에서 쉽게 시작할 수 있다.

 

11. 설치 및 시작하기

필수 요구사항

• Python 3.11-3.12
• Node.js 18+
• Docker & Docker Compose
• OpenAI SDK 호환 LLM API 키 (Alibaba DashScope의 Qwen-Plus 권장)
• Zep Cloud API 키 (에이전트 장기 기억용)

 

환경 변수 설정

# .env 파일 설정
LLM_API_KEY=your_api_key_here
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus
ZEP_API_KEY=your_zep_api_key_here

 

Docker로 시작하기

# 리포지토리 클론
git clone https://github.com/666ghj/MiroFish.git
cd MiroFish

# Docker Compose로 실행
docker-compose up -d

비용 관리 팁

• 첫 시뮬레이션은 40라운드 미만으로 시작한다 (README 공식 권장)
• 에이전트 수를 200~500으로 설정해 비용을 관리한다
• 비용이 부담되면 MiroFish-Offline 포크를 사용해 Ollama로 로컬 실행할 수 있다

 

12. 결론

MiroFish는 "2026년에 혼자서 이런 걸 만들 수 있다"는 걸 증명한 프로젝트다. NeurIPS에서 검증된 CAMEL-AI/OASIS 학술 기반 위에, 직관적인 UX와 5단계 파이프라인을 얹어 "누구나 집단 지능 시뮬레이션을 돌릴 수 있는" 도구를 만들었다.

핵심 요약

• 무엇인가: 문서에서 수천 명의 가상 인간을 생성하고, 듀얼 소셜 플랫폼에서 시뮬레이션하여 시나리오를 탐색하는 집단 지능 엔진
• 기술 기반: CAMEL-AI(NeurIPS 2023) → OASIS(100만 에이전트) → MiroFish
• 차별화: God's Eye View(변수 주입), 듀얼 플랫폼 시뮬레이션, 에이전트와의 1:1 대화
• 주의: 예측 정확도 벤치마크 미공개, LLM 편향 유전, API 비용, 초기 버전(v0.1.2)
• 의미: "슈퍼 개인" 시대의 상징 — 00후 대학생이 10일 만에, 학술 오픈소스 위에 서서 세계적 도구를 만들었다

 

MiroFish가 "정확한 예측기"인지는 아직 증명되지 않았다. 하지만 "혼자서는 생각 못 했을 시나리오를 표면화해주는 도구"로서의 가치는 이미 증명 중이다. 정확한 답을 기대하기보다, 놓쳤을 가능성을 건져내는 도구로 쓰는 게 지금 단계에서는 맞는 방식이다.

참고 자료

• MiroFish GitHub: github.com/666ghj/MiroFish
• 라이브 데모: 666ghj.github.io/mirofish-demo
• 한국어 포크: ByeongkiJeong/MiroFish-Ko
• OASIS 논문: arXiv:2411.11581
• CAMEL-AI 논문: arXiv:2303.17760
• 홍루몽 데모: Bilibili
• 36kr 기사: 00후 청년 개발자의 10일 AI 프로그래밍
• 천톈차오 슈퍼 개인 에세이: 관리학의 황혼이 왔다 (원문)