Swarm-Intelligence-Simulation nach dem MiroFish-Paradigma
Aus Seed-Informationen (Nachrichten, Policy-Entwürfe, Finanzsignale, Romanfragmente, Strategiedokumente) wird ein hochauflösendes digitales Paralleluniversum konstruiert. Tausende autonome Agenten mit individueller Persönlichkeit, Langzeitgedächtnis und Verhaltenslogik interagieren frei. Durch gezielte Variablen-Injektion lassen sich Zukunftsverläufe präzise durchspielen.
Nicht Daten extrapolieren, sondern emergentes Verhalten aus Agenteninteraktionen ableiten — Schwarmintelligenz statt statistischer Regression.
- Graphkonstruktion — Seed-Material wird in einen Knowledge Graph überführt (Entitäten, Beziehungen, Kontext-Layer)
- Umgebungsaufbau — Agenten-Personas mit Persönlichkeit, Gedächtnis, Verhaltensregeln und sozialer Position
- Simulation — Multi-Runden-Interaktion mit Variablen-Injektion und Emergenz-Erkennung
- Berichterstellung — Drei Szenarien (Basis/Optimistisch/Pessimistisch) mit Tipping Points und Handlungsempfehlungen
- Deep Interaction — Dialog mit einzelnen Agenten, Variablen nachinjizieren, Zeitachse verschieben
- Enterprise / KRITIS — Policy-Impact, Krisenreaktion, Stakeholder-Verhalten, M&A-Szenarien
- Public Opinion — Medienreaktionen, Social-Media-Stürme, Wahlkampf-Szenarien
- Kreativ / Narrativ — Romanenden vorhersagen, Charakter-Interaktionen, historische Was-wäre-wenn
- Finanz / Markt — Regulatorische Änderungen, Investor-Sentiment, Wettbewerbsdynamik
Die Datei mirofish-skill/SKILL.md in das Skills-Verzeichnis einer Claude Cowork Session kopieren.
- Emergenz vor Extrapolation
- Transparente Unsicherheit
- Falsifizierbare Szenarien
- Adversariales Denken
- Gedächtniskonsistenz
- Keine Pseudo-Präzision
Inspiriert durch das MiroFish-Projekt (AGPL-3.0). Kein Code übernommen — eigenständige Methodik-Implementierung.
MIT