MiroFish

2026년 3월 초, 중국의 한 대학생이 만든 오픈소스 프로젝트가 GitHub 전 세계 인기 순위 1위에 올랐습니다. 이름은 MiroFish. “간결하고 보편적인 군집지능 엔진, 무엇이든 예측한다”는 문구를 내걸었습니다.¹ 한국에서도 ‘미로피시’라는 이름으로 소개되며 화제가 되었습니다.¹¹

하지만 화제성과 실체는 다른 문제입니다. 어떤 글은 “사회 전체를 시뮬레이션해 미래를 맞힌다”고 쓰고, 어떤 글은 “과학적 근거 없는 거품”이라고 비판합니다.⁷ 이 문서는 그 사이에서 확인할 수 있는 사실만을 정리하는 것을 목표로 합니다.

구성은 다음과 같습니다.

• 1~3장은 개념, 등장 배경, 학술적 계보입니다. 처음 접하는 분은 여기까지만 읽어도 대화에 참여할 수 있습니다.
• 4~5장은 내부 구조입니다. MiroFish의 다섯 단계 파이프라인과, 그 밑에서 실제로 에이전트를 움직이는 OASIS 엔진을 다룹니다.
• 6장은 공식 사이트와 저장소가 제시한 활용 시나리오와 데모입니다.
• 7장은 한계와 논쟁입니다. 이 문서에서 가장 중요한 장입니다.
• 8~10장은 직접 운영할 때의 비용과 라이선스, 콘텐츠 제작 관점의 해석, 앞으로 볼 지표입니다. 부록에는 용어집, 단계별 필독 목록, 참고문헌이 있습니다.

한 문장 정의

공식 저장소는 MiroFish를 “뉴스 속보, 정책 초안, 금융 신호 같은 현실의 씨앗 정보를 추출해, 독립된 성격·장기 기억·행동 논리를 가진 수천 개의 지능형 에이전트가 자유롭게 상호작용하며 사회적으로 진화하는, 고충실도의 평행 디지털 세계를 자동으로 구축하는 차세대 AI 예측 엔진”이라고 소개합니다.¹ 소개 사이트는 이를 “뉴스, 정책 초안, 분석 보고서, 소설 같은 현실의 씨앗을, 기억과 동기와 사회적 행동을 가진 에이전트들이 사는 평행 세계로 바꾼다”고 풀어 씁니다.²

이 정의에서 세 가지 요소를 뽑을 수 있습니다. ① 씨앗(seed): 현실의 문서에서 출발합니다. ② 세계(world): 에이전트들이 서로 반응하며 시간에 따라 변하는 사회를 만듭니다. ③ 보고서(report): 그 사회에서 일어난 일을 사람이 읽을 수 있게 정리합니다.

세 가지 비유

① 정책을 시행하기 전의 ‘모의 사회’

새 정책을 발표하기 전에 비슷한 성향의 사람 수천 명이 모인 가상의 도시에서 먼저 반응을 지켜볼 수 있다면 어떨까요. 어떤 집단이 먼저 반발하고, 어떤 소문이 퍼지고, 어느 시점에 여론이 갈리는지를 미리 보는 것입니다. MiroFish가 노리는 위치가 바로 이 ‘모의 사회’입니다. 한국 언론도 이 점을 짚어 “정책 도입 전에 다양한 사회적 반응을 미리 실험할 수 있다”고 소개했습니다.¹¹

② 소설가의 인물 노트

소설가는 인물마다 성격·욕망·관계를 적어 두고, 사건이 터졌을 때 “이 인물이라면 어떻게 할까”를 따라가며 이야기를 씁니다. MiroFish는 이 작업을 에이전트로 자동화한 도구에 가깝습니다. 개발팀이 시연으로 『홍루몽』 앞 80회를 넣고 사라진 결말을 시뮬레이션하게 한 것도 같은 맥락입니다.¹⁴

③ 소셜 미디어 속 ‘작은 지구’

MiroFish의 에이전트들은 트위터형·레딧형 두 개의 소셜 미디어 위에서 글을 쓰고, 댓글을 달고, 좋아요를 누르고, 서로를 팔로우합니다.² 소셜 미디어를 통째로 축소해 놓은 실험실이라고 생각하면 이해가 쉽습니다.

헷갈리기 쉬운 이웃 개념

만든 사람과 배경

중국 매체 36Kr에 따르면 MiroFish를 만든 궈항장은 베이징우전대학 4학년 학부생이며, GitHub 이름은 BaiFu입니다. 성다 그룹에 인턴으로 합류한 뒤 약 10일 만에 프로젝트를 완성했고, 그 전에도 다른 인기 오픈소스 BettaFish를 휴일 열흘 동안 만든 이력이 있다고 합니다.¹² 공식 저장소는 성다 그룹이 “전략적 지원과 인큐베이팅”을 제공했다고 적고 있습니다.¹

투자 규모는 보도마다 표현이 다릅니다. 36Kr은 성다 그룹의 천톈차오(陈天桥)가 데모 영상을 받은 뒤 24시간 안에 3,000만 위안(약 410만 달러 규모로 소개되기도 합니다)을 투자했다고 전하고, 한국 언론은 “수십억 원 규모의 투자를 유치했다”고 보도했습니다.¹²¹¹ 모두 보도 기준이며, 이 문서가 독립적으로 확인한 숫자는 아닙니다.

인기 지표

공식 저장소 페이지에서 확인한 지표는 GitHub 별 약 7.7만 개, 포크 약 1.2만 개이고 라이선스는 AGPL-3.0입니다(2026년 10월 열람 시점).¹ 한국 언론은 공개 직후 GitHub 인기 순위 1위를 기록했다고 전했습니다.¹¹ 이후 한국어 커뮤니티 포크(MiroFish-Ko)도 등장했습니다.¹⁵

화제가 된 이유

세 가지 이유가 겹쳤습니다. 첫째, “문서를 넣으면 사회가 시뮬레이션된다”는 직관적이고 시각적인 약속입니다. 둘째, 에이전트가 수천~수십만 명이라는 규모감입니다. 소개 사이트는 한 번 실행에 “100만 이상의 병렬 에이전트”를 내세웁니다.² 셋째, 학생 개발자와 대기업 투자라는 서사입니다. 다만 이 중 어느 것도 예측이 맞았다는 증거는 아닙니다.

MiroFish는 갑자기 나타난 아이디어가 아닙니다. 사회를 컴퓨터 안에서 ‘길러’ 보려는 시도는 반세기가 넘는 역사를 갖고 있고, MiroFish는 그 최신 갈래 위에 서 있습니다. 아래 연표는 이 문서가 정리한 맥락입니다.

1단계 — 그래프 구축: 씨앗을 구조로

입력 문서에서 GraphRAG로 개체와 관계를 뽑아 지식 그래프를 만듭니다. 소개 사이트는 이 단계를 온톨로지 생성과 그래프 구축으로 나누어, “구조화된 개체·동기·사실의 닻”을 만들고 “행위자, 긴장 관계, 기억 구조를 드러내는 살아 있는 관계 그래프”를 만든다고 설명합니다.² 개발자용 해설은 이를 “누가 핵심 인물이고, 어떻게 연결되어 있고, 어떤 압력이 있는가”를 구조화하는 과정이라고 풀이합니다.¹⁴

2단계 — 환경 설정과 에이전트 생성: 인물에 성격을 주기

그래프의 개체마다 배경·관점·성향을 가진 에이전트 페르소나를 만들고, 장기 기억은 Zep Cloud에 저장합니다. 이어서 ‘환경 설정 에이전트’가 시뮬레이션의 규칙 파라미터를 정합니다.¹⁴ 이 단계에서 에이전트 수가 자동으로 정해지는 경우가 있어, 한 독립 시험에서는 100명을 요청했지만 25명이 만들어졌다고 보고됐습니다.⁶

3단계 — 병렬 시뮬레이션: 사회가 돌아가는 구간

트위터형과 레딧형 두 플랫폼에서 에이전트들이 여러 라운드에 걸쳐 상호작용합니다. 에이전트의 기억은 사건이 전개될 때마다 갱신됩니다.¹ 실제 구동은 OASIS 엔진이 맡습니다(5장). 사용자는 ‘신의 시점’에서 전개를 관찰하고, 도중에 변수를 주입할 수 있습니다.¹³

4단계 — 보고서 생성: 로그를 이야기로

전용 ReportAgent가 시뮬레이션 결과를 도구를 써서 분석해, 여론의 변화·연합의 형성·창발적 패턴을 읽을 수 있는 보고서로 정리합니다. 소개 사이트는 이 보고서에 “핵심 전환점, 위험, 신뢰 신호”가 담긴다고 설명합니다.²

5단계 — 심층 상호작용: 에이전트에게 직접 묻기

사용자는 ReportAgent에게 후속 질문을 하거나, 개별 에이전트와 직접 대화(인터뷰)하며 그들이 왜 그렇게 행동했는지 물을 수 있습니다. 새 변수를 넣고 시나리오를 다시 돌리는 것도 이 단계입니다.²¹⁴ 다만 이 ‘대답’은 실제 사람의 속마음이 아니라 LLM이 만든 응답이라는 점을 잊지 말아야 합니다.

기술 스택 한눈에 보기

다섯 개의 모듈

OASIS는 실제 소셜 미디어의 구조를 본떠 다섯 모듈로 이루어져 있습니다.³

에이전트의 행동

논문은 가입, 새로고침, 트렌드·게시물·사용자 검색, 게시물 작성, 리포스트, 팔로우·언팔로우, 뮤트, 좋아요·싫어요, 댓글 작성과 댓글 반응 등 21종의 행동을 정의합니다.³ 소개 사이트와 일부 해설은 “23종의 사회적 행동”이라고 적고 있어, 문서마다 수치가 다릅니다.¹⁴ 이 문서는 논문의 수치를 기준으로 하되, 이후 버전에서 행동이 추가되었을 가능성을 열어 둡니다.

논문이 재현했다고 보고한 사회 현상

• 정보 확산: 실제 트위터 데이터와의 정규화 RMSE 약 30% 수준으로 일치(198개 사례).³ 이는 ‘완벽한 일치’가 아니라 ‘경향이 비슷하다’ 수준으로 읽는 것이 안전합니다. (이 문서의 해석)
• 집단 극화: 토론이 진행될수록 의견이 극단으로 치우치는 현상. 검열이 없는 모델에서 더 뚜렷했습니다.
• 쏠림 효과: 에이전트가 사람보다 더 강하게 다수를 따랐고, 특히 부정적 신호에서 그랬습니다. 쏠림 효과는 에이전트가 1만 명 이상일 때 나타났습니다.

규모와 비용

논문은 196명부터 10만 명 이상까지 다양한 규모를 시험했고, 최대 100만 에이전트를 시연했습니다. 이때 A100 GPU 27장으로 한 타임스텝에 약 18시간이 걸렸습니다.³ 집단이 클수록 에이전트의 의견이 더 다양하고 도움이 되는 쪽으로 나타났다는 관찰도 있습니다.

논문이 밝힌 한계

저자들은 추천 시스템의 정밀도가 전파 깊이에 영향을 주는 점, 사용자 프로필 표현이 단순한 점, 사회 규범이나 복잡한 행동의 창발은 아직 충분히 탐구하지 못한 점을 스스로 한계로 꼽았습니다.³

소개 사이트는 여섯 가지 활용 시나리오를 제시합니다.² 표의 ‘성숙도’는 공개된 근거를 바탕으로 한 이 문서의 판단입니다.

시연 1 — 우한대 여론 시뮬레이션

팀이 공개한 첫 번째 시연은 우한대학 관련 여론입니다. 자매 프로젝트 BettaFish가 만든 여론 분석 보고서를 MiroFish에 넣고, 감정이 어떻게 진화할지 시뮬레이션하게 했습니다.¹⁴

시연 2 — 『홍루몽』의 사라진 결말

두 번째 시연은 더 이색적입니다. 18세기 중국 소설 『홍루몽』의 앞 80회를 넣고, 원작에서 사라진 결말이 어떻게 이어졌을지 시뮬레이션하게 했습니다.¹⁴ 이는 ‘예측’이라기보다 ‘인물 논리에 기반한 이야기 전개’에 가깝습니다. (이 문서의 해석)

금융 예측은 공식적으로 지원되지 않는다

저장소의 한 토론 글에서 유지 관리자는 MiroFish가 “보정되거나 백테스트된 주식·암호화폐 가격 예측기가 아니다”라고 분명히 밝혔습니다. 실시간 시장 데이터 연동, 정량 요인 모델링, 안정적인 신뢰도 지표가 없고, 보정된 가격 예측 제품은 핵심 저장소에서 계획하지 않는다고 합니다. 금융 예측은 ‘coming soon’으로 표시된 예정 기능이며, 결과를 투자 조언이나 입증된 예측 정확도로 제시해서는 안 된다고 못 박았습니다.⁸

쟁점 1 — 검증의 부재

가장 큰 문제는 단순합니다. 시뮬레이션이 그럴듯한 사회적 흐름을 만들어 낸다고 해서, 그 흐름이 실제 사람들의 행동을 맞힌다는 뜻은 아닙니다. 팀은 예측을 과거 결과와 비교한 벤치마크를 공개하지 않았고, 시연은 정확도의 증거가 아니라 방법론의 소개입니다.¹⁴ 소개 사이트 자신도 결과가 “탐색적 산출물”이며 운영·금융·정책 결정 전에 검토해야 한다고 적고 있습니다.²

쟁점 2 — 학계의 비판: LLM은 에이전트 기반 모델링의 문제를 풀지 못했다

암스테르담대학의 라루이와 퇴른베리는 LLM 기반 생성형 사회 시뮬레이션 연구를 검토한 뒤, 그것이 에이전트 기반 모델링의 오래된 검증·보정 문제를 해결하기는커녕 악화시킨다고 주장합니다.⁵ 핵심 지적은 다음과 같습니다.

• 검증 부실: 많은 연구가 엄밀한 실증 비교 없이 ‘그럴듯해 보이는가(believability)’라는 주관적 판단에 의존합니다.
• 사람과 다른 말투: 정량 비교를 하면 LLM의 응답은 실제 사람보다 “더 길고, 더 정중하고, 더 논리 정연하고, 더 예의 바릅니다.”
• 블랙박스: “LLM은 블랙박스 모델이고, 왜 특정 출력이 나왔는지 이해하기가 사실상 불가능하다.”
• 계산 부담과 재현성: 훨씬 많은 연산이 필요한데도 대부분의 연구가 민감도 분석이나 반복 실행을 하지 않습니다.

쟁점 3 — ‘MiroFish 신기루’ 논쟁

다니엘레 프로베르비오는 “무엇이든 예측한다”는 문구가 과학적 토대 없는 과장이라고 비판합니다. 그의 논지는 세 가지입니다. 첫째, AI 다중 에이전트 시스템은 아직 연구 단계에서 실패·편향·인식론적 문제가 속속 관찰되고 있습니다. 둘째, AI의 행동은 어떤 LLM을 쓰느냐에 따라 달라지며 단순한 상황에서조차 사람의 선택과 완전히 일치하지 않습니다. 셋째, 개별 LLM이 사람의 의사결정을 충실히 대표한다는 가정과, 에이전트 사회가 사람 사회를 거울처럼 비춘다는 가정은 모두 입증되지 않았습니다. 그는 한때 유망했으나 결국 제대로 작동하지 않았던 구글 독감 트렌드를 경계해야 할 선례로 듭니다.⁷

쟁점 4 — 직접 써 본 보고

WPP 리서치는 2026년 5월 14일에 MiroFish를 직접 설치해 S&P 500의 방향과 상위 5개 종목 예측을 시험했습니다. 사용 비용은 모든 실행을 합쳐 약 1달러였습니다(gemini-2.5-flash-lite 사용).⁶

이 시험은 금융이라는 MiroFish의 비주력 영역을 한 번 시험한 단일 사례입니다. 이 문서는 이를 MiroFish 전체에 대한 판결로 읽지 않고, “기대를 낮추고 검증을 먼저 하라”는 신호로 읽습니다. 보고서는 프레임워크가 여전히 ‘취약하다’고 평가했습니다.⁶

쟁점 5 — 쏠림 편향

OASIS 논문이 스스로 밝힌 것처럼 LLM 에이전트는 사람보다 쏠림에 더 취약합니다.³ 따라서 시뮬레이션된 군중은 실제보다 더 빨리 극화될 가능성이 있고, 이는 기반 모델과 구조에서 비롯된 체계적 편향이어서 결과를 일관되게 더 극단적인 쪽으로 기울일 수 있습니다. (이 문서의 해석)

AGPL-3.0이 의미하는 것

AGPL-3.0은 소스 코드를 수정해 네트워크 서비스로 제공할 때도 수정한 소스를 사용자에게 공개하도록 요구하는 강한 카피레프트 라이선스입니다. 사내 도구로만 쓸 때는 부담이 적지만, 이를 바탕으로 외부에 서비스를 제공할 계획이라면 법무 검토가 필요합니다. (일반적인 라이선스 해설이며 법률 자문이 아닙니다.)

데이터와 개인정보

입력 문서가 외부 LLM API와 Zep Cloud로 전송되므로, 기밀 문서·개인정보가 포함된 자료는 그대로 올리지 않는 것이 안전합니다. 일부 포크는 로컬 모드를 내세우지만 공식 프로젝트의 기능은 아니므로 별도 검토가 필요합니다. (이 문서의 제안)

이 장은 공개된 자료를 바탕으로 한 이 문서의 해석과 제안입니다. MiroFish가 소설을 입력으로 받는 점, 출시 반응을 시나리오로 내세우는 점은 콘텐츠 기획 단계에서 흥미로운 지점입니다.

잘 맞을 수 있는 쓰임

• 세계관·인물 관계의 점검: 시놉시스·설정 자료를 씨앗으로 넣고, 인물들이 사건에 어떻게 반응하는지 살펴 서사의 허점을 찾는 용도. 『홍루몽』 시연과 같은 방식입니다.
• 공개 전 반응 가설 만들기: 예고편·트위스트·공개 주기 같은 선택지에 대해 “어떤 커뮤니티에서 어떤 반응이 나올 수 있는가”라는 가설을 빠르게 여러 개 만들어 보는 용도.
• 위기 시나리오 리허설: 논란이 터졌을 때 소문이 어떻게 번지는지를 토론의 재료로 쓰는 용도.

기대하면 안 되는 것

• 흥행 수치의 직접 예측: 관객 수·시청률·매출 같은 숫자를 맞히도록 보정되어 있지 않습니다. 금융 예측이 공식적으로 지원되지 않는 것과 같은 이유입니다.⁸
• 실제 관객 반응의 대체: LLM 에이전트는 사람보다 더 정중하고 일관되며 쉽게 쏠립니다.⁵³ 팬덤의 감정 같은 비정형 반응을 그대로 재현한다고 믿기는 어렵습니다.
• 한국어 환경의 즉시 사용: 공식 프로젝트는 중국어·영어 중심이며, 한국 커뮤니티의 말투와 문화를 얼마나 반영하는지는 검증되지 않았습니다.

이 장은 앞의 자료를 바탕으로 한 이 문서의 종합 판단입니다. 예측이 아니라, 관련 뉴스를 읽을 때 무엇을 봐야 하는지에 대한 체크리스트로 활용하시기 바랍니다.

맺으며

MiroFish는 “사회를 문서 한 편에서 길러 낸다”는 강력한 상상을, 누구나 내려받아 돌려 볼 수 있는 도구로 만들었다는 점에서 의미가 있습니다. 동시에 지금의 근거는 ‘이런 시뮬레이션이 가능하다’는 시연에 머물러 있고, ‘이 시뮬레이션이 맞다’는 증명은 아직 없습니다.

그래서 이 도구를 대하는 가장 좋은 자세는 열광도 냉소도 아닙니다. 결과를 예언으로 읽지 않고 토론을 위한 가설로 읽는 것, 그리고 같은 질문을 실제 데이터로 한 번 더 확인하는 것. 군집지능 시뮬레이션이 신뢰받는 도구가 되려면 그 검증이 먼저 쌓여야 합니다.

1단계 — 입문 (무엇인지 잡기)

• MiroFish 공식 저장소 README¹
• 아시아경제 〈‘미로피시’ AI 에이전트 인기 몰이〉 — 한국어 보도¹¹
• MiroFish 소개 사이트 — 다섯 단계와 활용 시나리오²

2단계 — 뿌리 (기반 기술)

• Park 외 〈Generative Agents: Interactive Simulacra of Human Behavior〉(2023)⁹
• OASIS 논문(2024)³
• Park 외 〈Generative Agent Simulations of 1,000 People〉(2024)¹⁰

3단계 — 비판과 검증

• Larooij & Törnberg 〈Do Large Language Models Solve the Problems of Agent-Based Modeling?〉⁵
• House of Ethics 〈The MiroFish Mirage?〉⁷ · WPP 〈MiroFish: Is swarm intelligence worth the cloud bill?〉⁶
• 저장소 토론 #280 〈Stock & Crypto Market Prediction Capability〉⁸

4단계 — 직접 실습

• 개발자 해설 글 두 편¹³¹⁴ · 한국어 포크¹⁵