简洁通用的群体智能引擎，预测黄金、石油等价格走势
A Simple and Universal Swarm Intelligence Engine — Predicting Anything
GoldTo 是一款基于多智能体技术的新一代 AI 预测引擎。
你只需输入种子材料（突发新闻、政策草案、金融信号、财报数据，甚至一段小说故事），系统将自动：
- 构建知识图谱 — 从种子文本中提取实体与关系，形成 GraphRAG 知识网络
- 生成智能体群组 — 创建具备独立人格、长期记忆与行为逻辑的角色（机构投资者、央行官员、散户、分析师…）
- 运行平行仿真 — 在数字沙盘中让智能体自由博弈、相互影响、产生涌现
- 输出预测报告 — 由 ReportAgent 综合所有仿真数据，生成带置信区间的预测结论
- 支持深度对话 — 与任意智能体或 ReportAgent 展开对话，深入追问
让未来在数字沙盘中预演，助决策在百战模拟后胜出。
界面采用 Retro-Futuristic 指挥台风格，深空黑 + 黄金信号 + 青色轨迹配色。
| 区域 | 内容 |
|---|---|
| 左侧面板 | 仿真配置、情绪实况仪表盘、进度条 |
| 中央主区 | 实时推演流 / 知识图谱 / 预测报告 / 深度对话（Tab 切换） |
| 右侧面板 | 智能体群组列表，点击任意角色进入对话 |
种子材料（新闻/报告/故事）
│
▼
┌─────────────────────┐
│ 1. 图谱构建 │ GraphRAG 抽取实体关系，注入个体记忆
│ KnowledgeGraph │
└────────┬────────────┘
│
▼
┌─────────────────────┐
│ 2. 智能体生成 │ 8 种原型角色，按影响力权重分配
│ AgentFactory │ 每个智能体有独立人格、短期+长期记忆
└────────┬────────────┘
│
▼
┌─────────────────────┐
│ 3. 多轮仿真 │ 每轮：世界事件注入 → 智能体感知反应
│ SimulationLoop │ → 情绪传染（社会涌现）→ 状态更新
└────────┬────────────┘
│
▼
┌─────────────────────┐
│ 4. 报告生成 │ ReportAgent 全知视角分析涌现行为
│ ReportAgent │ 输出带概率区间的预测结论
└────────┬────────────┘
│
▼
┌─────────────────────┐
│ 5. 深度互动 │ 与任意智能体 / ReportAgent 对话
│ ChatInterface │ 「上帝视角」动态注入变量
└─────────────────────┘
| 原型 | 影响力 | 核心特征 |
|---|---|---|
| 央行官员 | 95% | 稳定优先、货币工具、信号博弈 |
| 政策制定者 | 90% | 保守、系统性思维、信息滞后 |
| 机构投资者 | 85% | 理性、数据驱动、长线思维 |
| 对冲基金经理 | 80% | 逆向思维、高杠杆、短期博弈 |
| 地缘政治分析师 | 65% | 风险感知、历史类比 |
| 媒体分析师 | 60% | 叙事驱动、放大效应 |
| 大宗商品交易员 | 55% | 技术分析、供需敏感 |
| 散户交易者 | 30% | 情绪化、跟风、贪婪/恐惧 |
| 工具 | 版本 | 检查命令 |
|---|---|---|
| Node.js | ≥ 18 | node -v |
| Python | 3.11 ~ 3.12 | python3 --version |
| uv | 最新版 | uv --version |
安装 uv：
curl -LsSf https://astral.sh/uv/install.sh | sh
第 1 步：克隆项目
git clone https://github.com/kemomi/GoldTo.git
cd GoldTo第 2 步：配置环境变量
cp .env.example .env编辑 .env，填入你的 API Keys（不填则自动进入 Mock 模式）：
# LLM API（支持任意 OpenAI 兼容接口）
LLM_API_KEY=your_api_key_here
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus
# Zep Cloud 长期记忆（可选）
ZEP_API_KEY=第 3 步：安装依赖
npm run setup:all这条命令会自动安装：前端 npm 依赖 + 后端 Python 依赖（通过 uv 创建虚拟环境）。
第 4 步：启动
npm run dev| 服务 | 地址 |
|---|---|
| 前端界面 | http://localhost:3000 |
| 后端 API | http://localhost:5001 |
也可单独启动：
npm run backend # 仅后端
npm run frontend # 仅前端# 1. 配置环境变量
cp .env.example .env # 编辑填入 Keys
# 2. 一键启动
docker compose up -d- 前端映射端口：
3000 - 后端映射端口：
5001
cd ~/GoldTo
# 解压覆盖修复文件
tar -xzf GoldTo-fix.tar.gz
# 安装前端依赖（只需做一次）
cd frontend && npm install --legacy-peer-deps && cd ..
# 启动（无需任何 API Key）
bash dev.sh不填写 API Key 也可以完整体验所有功能。
当 LLM_API_KEY 为空或为占位符时，系统自动切换到 Mock 模式：
- 知识图谱返回预置的财经实体网络
- 智能体根据角色类型返回差异化的模拟反应
- ReportAgent 生成含情景概率表的完整报告
- 所有对话接口正常响应
健康检查接口会标注当前模式：
{ "ok": true, "llm_mode": "mock", "model": "qwen-plus" }选项 A：阿里百炼（推荐，国内稳定）
- 注册：https://bailian.console.aliyun.com/
- 推荐模型：
qwen-plus（成本低、效果好） - BASE_URL：
https://dashscope.aliyuncs.com/compatible-mode/v1 - 注意：单次完整仿真（50 智能体 × 40 轮）约消耗 5-10 元额度，建议先用 20 智能体 × 10 轮试跑
选项 B：其他兼容接口
| 平台 | BASE_URL |
|---|---|
| OpenAI | https://api.openai.com/v1 |
| DeepSeek | https://api.deepseek.com/v1 |
| Moonshot | https://api.moonshot.cn/v1 |
| Groq | https://api.groq.com/openai/v1 |
用于智能体的持久化长期记忆，未配置时退化为进程内内存存储。
- 注册：https://app.getzep.com/
- 免费额度足够日常使用
GoldTo/
├── package.json # 根 npm 脚本（dev / setup / build）
├── .env.example # 环境变量模板
├── docker-compose.yml # Docker 编排配置
│
├── frontend/ # 前端（纯 HTML + Vanilla JS）
│ └── index.html # 单文件 SPA，Retro-Futuristic 风格
│ ├── 仿真配置面板
│ ├── 实时推演流（Round Feed + 涌现检测）
│ ├── SVG 知识图谱可视化
│ ├── Markdown 报告渲染
│ └── 多目标对话界面
│
└── backend/ # 后端（Flask REST API）
├── app.py # 主入口，11 个 API 路由
├── agents/
│ ├── agent.py # 智能体核心：人格、记忆、感知-反应循环
│ └── simulation.py # 仿真引擎：5 阶段流水线 + 涌现检测
├── graph/
│ └── knowledge_graph.py # GraphRAG：实体抽取 + NetworkX 图构建
├── memory/
│ └── zep_memory.py # 记忆管理：Zep Cloud / 内存双模式
└── utils/
└── llm_client.py # LLM 客户端：真实调用 + Mock 模式
检查服务状态与 LLM 模式。
{ "ok": true, "llm_mode": "real", "model": "qwen-plus" }启动一次仿真。返回 sim_id 用于后续轮询。
请求体：
{
"seed_text": "美联储3月FOMC维持利率不变，黄金现货突破2380美元...",
"prediction_target": "预测未来6周国际黄金价格走势",
"agent_count": 20,
"num_rounds": 10
}| 字段 | 类型 | 默认 | 限制 |
|---|---|---|---|
seed_text |
string | 必填 | — |
prediction_target |
string | "预测黄金价格走势" |
— |
agent_count |
int | 20 | 最大 50 |
num_rounds |
int | 10 | 最大 40 |
响应：
{ "sim_id": "cf252b12", "message": "仿真已启动" }获取仿真状态（轮询直到 status == "done"）。
{
"id": "cf252b12",
"status": "simulating",
"progress": 68,
"current_round": 6,
"total_rounds": 10,
"agent_count": 20,
"rounds": [...],
"sentiment_trend": [
{ "round": 5, "breakdown": {"看涨": 55, "中性": 25, "看跌": 20}, "dominant": "看涨" }
],
"report": "## GoldTo 预测报告\n..."
}status 枚举：idle → building → simulating → done / error
获取所有智能体当前状态。
[
{
"id": "agent_000",
"name": "杨娜",
"label": "机构投资者",
"sentiment": "看涨",
"confidence": 0.78,
"influence": 0.85,
"latest_message": "央行购金信号明确，机构已低调建仓..."
}
]获取知识图谱节点与边，用于前端 SVG 可视化。
{
"nodes": [
{ "id": "e1", "label": "美联储", "type": "org", "description": "..." }
],
"edges": [
{ "source": "e1", "target": "e2", "label": "负相关", "weight": 0.85 }
]
}节点类型：person · org · concept · event · price
与 ReportAgent 对话（全知视角，可追问任何预测细节）。
// 请求
{ "message": "这次模拟中最关键的涌现行为是什么？" }
// 响应
{ "response": "本次模拟最显著的涌现现象发生在第4轮..." }与指定智能体对话（以其角色身份回答）。
// 请求
{ "message": "你对当前黄金市场怎么看？" }
// 响应
{ "response": "作为机构投资者，我认为当前央行购金信号明确..." }| 场景 | agent_count | num_rounds | 预计耗时（真实 LLM） |
|---|---|---|---|
| 快速试跑 | 10 | 5 | ~1 分钟 |
| 标准预测 | 20 | 15 | ~5 分钟 |
| 深度分析 | 40 | 30 | ~15 分钟 |
| 全量仿真 | 50 | 40 | ~30 分钟 |
Mock 模式下所有配置均秒级完成。
| 层级 | 技术 |
|---|---|
| 前端 | 原生 HTML5 + CSS3 + Vanilla JS（零构建依赖） |
| 后端 | Python 3.11 · Flask · NetworkX · threading |
| LLM 接入 | 任意 OpenAI 兼容接口（requests 直调） |
| 知识图谱 | GraphRAG + NetworkX 有向图 |
| 智能体记忆 | 短期（滑动窗口）+ 长期（Zep Cloud / 内存） |
| 容器化 | Docker Compose（前端 nginx + 后端 Python） |
| 包管理 | uv（Python）· npm（Node）· concurrently |
- 核心多智能体仿真引擎
- GraphRAG 知识图谱构建
- ReportAgent 预测报告生成
- 智能体 / ReportAgent 深度对话
- Mock 模式（无 Key 完整体验）
- Docker 一键部署
- 文件上传（PDF / Word 种子材料）
- 实时 SSE 推流（无需前端轮询）
- 多仿真对比视图
- 智能体网络图（力导向布局）
- 预测结果历史存档
- Fork 本仓库
- 创建特性分支：
git checkout -b feature/your-feature - 提交更改：
git commit -m 'feat: add your feature' - 推送分支：
git push origin feature/your-feature - 发起 Pull Request
MIT License © 2025 GoldTo Contributors
如果这个项目对你有帮助，欢迎 Star ⭐