2026.03.19 기준 / MiroFish v0.1.x 기준
GitHub 트렌딩 1위
MiroFish, 직접 돌려봤더니 이게 문제였습니다
중국 20살 대학생이 10일 만에 만든 AI 예측 엔진이 GitHub 글로벌 트렌딩 1위를 찍었습니다. “오픈소스니까 무료”라고 생각하면 막상 써보고 당황하는 지점이 생깁니다. 구조부터 실제 비용, 한국어 버전 존재 여부까지 공식 문서 기반으로 정리했습니다.
MiroFish가 뭔데 이렇게 난리일까요?
MiroFish는 중국 대학생 궈항장(Guo Hangjiang)이 10일 만에 만든 오픈소스 AI 예측 엔진입니다. 뉴스 기사, 정책 문서, 심지어 소설 원고 같은 텍스트를 입력하면, 수천 명의 AI 에이전트가 각자 다른 성격과 기억을 가지고 가상 세계에서 상호작용하면서 “그 다음에 어떤 일이 벌어질지”를 시뮬레이션합니다.
2026년 3월, GitHub 글로벌 트렌딩 1위에 오르며 하루 만에 별(star) 4,504개를 받았고 (출처: MiroFish GitHub 공식 페이지, 2026.03), 중국 최대 게임사 창업자 천톈차오(Shanda Group)로부터 약 41억 원(약 $4.1M) 투자를 유치했습니다 (출처: agentnativedev.medium.com, 2026.03.16). 이 숫자가 의미하는 건 하나입니다 — 기술 커뮤니티가 이 아이디어에 뭔가 다른 걸 봤다는 겁니다.
기존 AI 예측 도구들은 데이터를 수식으로 처리합니다. 숫자를 넣으면 숫자가 나오는 구조죠. MiroFish는 방향이 다릅니다. 사람들이 서로에게 영향을 주는 복잡한 사회 역학을 AI 에이전트로 모사해서 숫자 대신 “집단 행동의 흐름”을 예측하는 방식입니다 (출처: MiroFish README-EN.md, github.com/666ghj/MiroFish).
5단계 파이프라인, 실제로는 어떻게 돌아가나요?
MiroFish의 처리 흐름은 공식 README 기준으로 정확히 5단계입니다 (출처: github.com/666ghj/MiroFish/README-EN.md).
| 단계 | 작동 방식 | 핵심 기술 |
|---|---|---|
| ① 그래프 구축 | 시드 문서에서 개체·관계 추출 | GraphRAG + Zep Cloud KG |
| ② 환경 설정 | 에이전트 페르소나 자동 생성 | MBTI·직업·성향 자동 부여 |
| ③ 시뮬레이션 | 에이전트들이 트위터·레딧 형식 환경에서 상호작용 | OASIS 엔진 (CAMEL-AI) |
| ④ 보고서 생성 | ReportAgent가 결과 분석 | ReACT 패턴 |
| ⑤ 심층 대화 | 시뮬레이션 속 에이전트와 직접 채팅 | 지속 메모리 (Zep) |
흥미로운 부분은 ③단계입니다. 시뮬레이션이 트위터 형식과 레딧 형식, 두 플랫폼에서 동시에 병렬로 돌아갑니다. 같은 이슈를 두 가지 다른 소셜 환경에 넣었을 때 반응이 어떻게 갈리는지 교차로 확인할 수 있다는 얘기입니다. 에이전트의 장기 기억은 Zep Cloud가 담당하고, LLM은 OpenAI SDK 호환 API면 뭐든 연결할 수 있습니다. 공식 추천 모델은 알리바바 Qwen-plus입니다 (출처: .env.example 공식 설정 파일).
“오픈소스=무료”인데, 돈이 나가는 구조입니다
MiroFish 자체 코드는 AGPL-3.0 라이선스로 무료입니다. 그런데 실제로 돌리면 비용이 발생합니다. 이게 가장 많은 사람이 초반에 놓치는 부분입니다.
“High consumption — try simulations with fewer than 40 rounds first”
(출처: MiroFish README-EN.md, github.com/666ghj/MiroFish, 2026.03 기준)
이게 왜 중요한가를 수치로 풀면 이렇습니다. 에이전트 1명이 1라운드 시뮬레이션을 하면 LLM API를 여러 번 호출합니다. 에이전트 100명 × 40라운드면 최소 수백 ~ 수천 건의 API 호출이 발생합니다. Qwen-plus 기준 입력 토큰 $0.0008/1K, 출력 토큰 $0.002/1K 수준이지만 (출처: Alibaba Bailian Platform 공개 요금, 2026.03 기준), 에이전트 수와 라운드 수를 키울수록 비용은 곱셈 구조로 늘어납니다.
실제 사용자 Brian Roemmele는 단일 시뮬레이션에서 에이전트 50만 개를 구동했다고 알려졌습니다 (출처: agentnativedev.medium.com, 2026.03.16). 이 규모에서 LLM API 비용이 얼마나 나왔는지는 공개되지 않았고, MiroFish 팀도 이 규모의 비용 가이드를 공식 문서에 명시하지 않고 있습니다 — 확인 필요 사항입니다.
추가로 에이전트 기억 저장에 쓰이는 Zep Cloud도 무료 티어가 있지만, 장기 시뮬레이션에서 메모리 용량이 초과되면 유료 전환이 필요합니다. 기술적으로 Neo4j 자체 설치로 Zep을 대체할 수 있다는 분석도 있지만 (출처: passeth, gist.github.com, 2026.03.11), 대체 구성에는 Cypher 작성과 임시 인덱스 세팅 등 상당한 추가 작업이 필요합니다.
에이전트 1만 개, 그게 곧 정확한 예측은 아닙니다
숫자가 커보이면 정확도도 올라갈 것 같습니다. 그런데 MiroFish의 시뮬레이션 엔진 OASIS 연구팀이 직접 발표한 논문에는 불편한 데이터가 들어 있습니다.
“agents being more susceptible to the herd effect compared to humans”
— AI 에이전트는 실제 인간보다 집단 쏠림 현상(herd effect)에 더 취약하다는 실험 결과
(출처: OASIS: Open Agent Social Interaction Simulations with One Million Agents, arXiv 2411.11581v5, Shanghai AI Laboratory 외)
이 말의 의미를 풀면 이렇습니다. 실제 인간 집단에서는 어느 정도 반론자·이탈자·회의론자가 자연스럽게 생깁니다. AI 에이전트로 구성된 시뮬레이션에서는 LLM의 훈련 데이터에 내재된 편향이 그대로 반영돼, 다수 의견에 동조하는 속도가 실제 인간보다 빠릅니다. 즉, 시뮬레이션된 군중이 실제 군중보다 더 빨리 극단화될 수 있다는 뜻입니다.
게다가 MiroFish는 현재까지 예측 결과를 실제 사건과 비교한 공개 벤치마크 수치를 발표하지 않았습니다 (출처: dev.to/arshtechpro, MiroFish 분석 아티클, 2026.03.15). 데모에서 보여주는 결과물은 접근 방식의 시연이지, 정확도 검증이 아닙니다. v0.1.0이 2025년 12월에 처음 출시된 것을 고려하면, 아직 초기 단계입니다.
OASIS 논문은 동시에 긍정적인 결론도 냅니다 — “에이전트 수를 늘릴수록 집단 행동 시뮬레이션의 다양성과 의견의 유용성이 높아진다”는 것입니다 (출처: 동일 arXiv 논문). 에이전트 수가 많을수록 더 다양한 관점이 나온다는 건 사실이지만, 그것이 현실 예측 정확도로 직결된다고 보기엔 아직 근거가 부족합니다.
실제로 이렇게 쓴 사람이 있습니다
트위터(X)에서 한 개발자(@k1rallik, 2026.03.15)가 MiroFish를 Polymarket 예측 거래 봇에 연결한 사례를 공유했습니다. 매 거래 전에 2,847명의 가상 인간을 시뮬레이션해 군중 반응을 예측하고, 실제 시장과 반대 방향으로 베팅하는 방식입니다. 338회 거래 결과 수익은 $4,266(약 620만 원)으로 보고됐습니다 (출처: x.com/k1rallik, 2026.03.15).
이 수치를 그대로 따라 할 수 있는가는 완전히 다른 문제입니다. 해당 트윗은 검증된 결과물이 아니며, Polymarket 거래 자체의 리스크가 존재합니다. 다만 이 사례가 보여주는 것은 명확합니다 — MiroFish의 실용적 쓰임새는 단순 예측 보고서를 넘어서 실시간 의사결정 지원 도구로 확장될 수 있다는 가능성입니다.
또 다른 연구자는 200명의 에이전트로 특정 사건의 발생 확률을 시뮬레이션한 결과, 에이전트 집단의 평균 확률은 47.9%였고 동일 사건에 대한 Polymarket 시장 가격은 31%였다고 보고했습니다 (출처: weex.com, 2026.03.18). 16.9%포인트 차이가 무엇을 의미하는지는 추가 검증이 필요하지만, 시뮬레이션 결과와 실제 시장 가격이 꽤 다를 수 있다는 점은 확인됩니다.
한국어 버전이 따로 있습니다
이 부분이 한국어 사용자에게 실질적으로 중요합니다. 원본 MiroFish는 기본 UI와 백엔드 프롬프트 대부분이 중국어로 작성돼 있습니다. 기술적으로 동작은 하지만 프롬프트가 중국어 기반이면 한국어 시드 문서 처리 결과가 달라질 수 있습니다.
2026년 3월 11일, 한국인 연구자 정병기(Byeongki Jeong)가 백엔드·프론트엔드·프롬프트를 전부 한국어로 수정한 MiroFish-Ko를 GitHub에 공개했습니다 (출처: LinkedIn, kr.linkedin.com/in/byeongki-jeong-456838154, 2026.03.11). 박사과정 중 Social Simulation 연구를 해온 연구자가 직접 로컬라이징한 버전이라는 점에서 단순 번역 이상의 의미가 있습니다.
- GitHub: github.com/ByeongkiJeong/MiroFish-Ko
- 원본과 설치 구조 동일 (Node.js 18+, Python 3.11~3.12, uv 필요)
- LLM API 연결 필요 (qwen-plus 또는 OpenAI SDK 호환 모델)
- Zep Cloud API 키 별도 필요 (무료 티어 존재)
- 라이선스: AGPL-3.0 (원본과 동일)
MiroFish-Ko가 원본보다 한국어 시드 문서를 더 잘 처리하는지에 대한 성능 비교 데이터는 아직 공개되지 않았습니다 — 확인 필요입니다. 단, 프롬프트와 UI가 한국어로 통일돼 있다는 점만으로도 한국어 환경에서 실험하려는 경우 시작 장벽이 낮아집니다.
Q&A — 자주 걸리는 질문 5가지
마치며 — 이걸 어떻게 봐야 할까요?
MiroFish는 분명히 흥미롭습니다. 기술 커뮤니티가 하루 만에 별 4,500개를 준 데는 이유가 있습니다. GraphRAG로 지식 그래프를 구성하고, 수천 개의 에이전트가 기억을 유지하면서 상호작용하며, 그 결과로 예측 보고서가 나오는 파이프라인은 기존에 없던 접근법입니다.
다만 “AI가 미래를 예측한다”는 프레임으로 접근하면 실망할 가능성이 높습니다. 현재 MiroFish는 공개된 정확도 벤치마크가 없고, 에이전트 기반 시뮬레이션에서 LLM이 집단 쏠림에 더 취약하다는 연구 결과도 존재합니다. 비용 구조도 “오픈소스=무료”가 아닙니다.
제가 보기에 MiroFish의 가장 실용적인 가치는 예측 정확도보다 시나리오 탐색 도구로서의 측면입니다. “이 정책이 실행되면 어떤 집단이 어떻게 반응할까?”를 미리 시뮬레이션하고, 그 결과물을 보며 의사결정에 참고하는 방식이라면 충분히 써볼 만합니다. 한국어 버전(MiroFish-Ko)이 이미 공개된 만큼, 한국어 데이터를 갖고 있는 연구자·기획자에게는 지금 당장 실험해볼 수 있는 현실적인 도구입니다.
📚 본 포스팅 참고 자료
- MiroFish 공식 GitHub 저장소 — github.com/666ghj/MiroFish
- MiroFish README-EN.md (공식 영문 문서)
- OASIS 논문 — Open Agent Social Interaction Simulations with One Million Agents, arXiv 2411.11581 (Shanghai AI Laboratory 외)
- MiroFish: Swarm-Intelligence with 1M Agents — agentnativedev.medium.com (2026.03.16)
- MiroFish: The Open-Source AI Engine — dev.to/arshtechpro (2026.03.15)
- MiroFish-Ko 한국어 버전 공개 발표 — Byeongki Jeong LinkedIn (2026.03.11)
- MiroFish 기술 분석 (GraphRAG + 멀티에이전트) — gist.github.com/passeth (2026.03.11)
본 포스팅은 2026년 3월 19일 기준으로 작성됐으며, MiroFish v0.1.x 기준입니다.
본 포스팅 작성 이후 서비스 정책·UI·기능이 변경될 수 있습니다.
시뮬레이션 결과는 참고 자료이며, 투자·정책 결정의 근거로 단독 사용 시 주의가 필요합니다.
댓글 남기기