MarketFish：用 128 个 AI 消费者模拟市场反应

MarketFish 是一个由独立开发者开源的多智能体市场模拟引擎，核心思路是在产品正式推出之前，让大量「AI 消费者」在沙盒环境中进行多轮购买互动，从而推测真实用户的反应与流失模式。项目以 MIT 协议发布，代码与文档托管在 GitHub 上，附带 Streamlit 可视化界面。

核心机制

MarketFish 将市场模拟拆成一条 5 步流水线：先从原始数据中抽取「本体」（ontology），构建实体关系与痛点知识图谱；接着通过 Agent Factory 生成 128 个异构 AI 消费者，分别绑定到 6 家不同的 LLM 供应商；随后运行 30 轮模拟，每轮包含决策、耦合、强化学习与记忆更新；最后输出可解释的存活分数、买家画像与最优定价区间。

为模拟人类行为偏差，V6 版本宣称实现了 6 个学术模块，覆盖记忆（参考 Generative Agents, UIST 2023）、24 小时活跃节律与个性化推荐（OASIS）、6 步认知循环与行为偏差（TwinMarket）、财务/社交压力下的支付意愿（EconSimulacra）、以及 RAG + 规则约束的决策接地（SMIF）。需要注意的是，其中部分引用的论文发表年份为「2026」，尚难独立核实其真实性。

三种使用模式

• Explore（探索）：仅输入种子数据，由 AI 自动发掘潜在产品方向并排序。
• Validate（验证）：输入具体产品创意，输出存活分数、买家画像与建议价格。
• Hybrid（混合）：将用户创意与 AI 提出的竞品放入同一沙盒对比。

模型覆盖与部署

项目宣称支持 11 家 LLM 提供商，覆盖国内（DeepSeek、Qwen、Doubao、Zhipu、Baidu、Hunyuan）与国际（OpenAI、Anthropic、Google、Mistral、Meta）厂商，只需填入至少一个 API Key 即可启动。部署方式相对轻量：克隆仓库、复制环境模板、安装依赖并运行 Streamlit 应用即可在本地 8501 端口打开界面；同时也提供 CLI 入口，支持复用已有 Agent 以节省成本。

与同类项目的定位

开发者将 MarketFish 与同类多智能体社会模拟项目 MiroFish（5.5k Star）做了对比，宣称差异化集中在三点：聚焦产品市场预测而非通用社会模拟；采用单应用 Streamlit 架构而非 Flask + Node + Docker；使用本地 JSON 记忆而非依赖外部 Zep Cloud 服务；并支持更多 LLM 供应商与多源数据接入。

小结

作为一款个人主导的开源实验性工具，MarketFish 把近年学术界的「生成式智能体」研究组合成了一条相对完整的产品形态工作流，为希望低成本预估市场反应的团队提供了一种可尝试的方案。但整体影响力仍局限于较小的开发者社区，其所引用的若干论文与基准也尚待独立验证。