Drehbuch-Assistent▸ 
AI Apps 
AI Nachrichten 
MiroFlow: ein leistungsstarkes Multi-Agent-Framework des MiroMind-Teams
MiroFlow: ein leistungsstarkes Multi-Agent-Framework des MiroMind-TeamsEinführung
MiroFlow ist ein leistungsstarkes Multi-Agenten-Framework, das vom MiroMind-Team veröffentlicht wurde. Es ermöglicht verschiedenen großen Modellen, zu KI-Assistenten für tiefgehende Recherche zu werden, ähnlich wie Openai Deep Research. Einfach ausgedrückt lässt es Modelle wie einen Menschen bei der Recherche vorgehen – selbstständig Schritte planen, Werkzeuge einsetzen und Ergebnisse überprüfen, um mehrstufige, komplexe Aufgaben zu erledigen.
Kernfunktionen von MiroFlow
Zusammenarbeit mehrerer Werkzeuge: Kann Websuche, Python-Ausführung, Dateien lesen, Code aufrufen, Diagramme zeichnen und mehr kombinieren – der gesamte Ablauf wird abgedeckt.
Aufgabenteilung zwischen Haupt- und Sub-Agenten: Der Haupt-Agent zerlegt die Aufgabe und verteilt sie an spezialisierte Sub-Agenten zum Browsen, Coden und Rechnen, und führt anschließend die Ergebnisse zusammen. So können verschiedene Aufgaben parallel ausgeführt werden, und die Arbeit ist spezialisierter.
Hohe Parallelität und Fehlertoleranz: Durch asynchrone Warteschlangen sowie Wiederholungsversuche, Timeouts und Rollbacks lässt sich die Aufgabe selbst dann erfolgreich abschließen, wenn Schnittstellen hängen oder das Netzwerk instabil ist.
Transparent und nachvollziehbar: Es gibt ein Web-Panel – links sieht man in Echtzeit die Gedankengänge des Modells und welche Werkzeuge eingesetzt wurden, rechts sieht man die endgültige Antwort. Das erleichtert die Fehlersuche und schafft Vertrauen.
Streaming-Ausgabe: Die Überlegungen des Modells, der Fortschritt der Werkzeuge und Zwischenergebnisse sind sofort sichtbar, sodass die Nutzung eher dem erweiterten Modus von ChatGPT ähnelt.
Wichtige Kennzahlen
Im GAIA-Deep-Research-Test liegt die Erfolgsquote bei 72,2 %–82,4 %, was derzeit die beste reproduzierbare Leistung unter den Open-Source-Agenten-Frameworks darstellt.
Geringe Bereitstellungskosten: Mit dem Open-Source-Modell MiroThinker lässt sich der gesamte Dienst auf einer einzigen RTX 4090 betreiben, ohne kostenpflichtige Closed-Source-Modelle kaufen zu müssen.
Anwendungsszenarien von MiroFlow
Wissenschaftliche Recherche: Findet automatisch Literatur, extrahiert Schwerpunkte, verfasst Übersichtsarbeiten und hilft bei Experimenten.
Geschäftsanalyse: Führt Finanzberichte, Nachrichten und Social-Media-Daten zusammen, um Investitionsberichte oder Wettbewerbsanalysen zu erstellen.
Bildung oder Programmierung: Hilft bei Hausaufgaben, beim Schreiben und Korrigieren von Code sowie beim Erstellen von Datenvisualisierungen.
Das MiroFlow-Ökosystem
MiroFlow ist Teil des MiroMind-AI-Ökosystems, zu dem auch weitere Komponenten gehören:
MiroThinker: Ein Open-Source-Basismodell, das bereits nativ mit Werkzeugen schlussfolgern kann.
MiroVerse: Enthält 147.000 qualitativ hochwertige Open-Source-Trainingsdaten für die Erforschung des Agenten-Trainings.
MiroTrain / MiroRL: Werkzeuge, die beim Training und der Stabilisierung von Agenten-Modellen helfen.
Schnellstart mit MiroFlow
1. Repository klonen und Umgebung einrichten:
git clone https://github.com/MiroMindAI/MiroFlow && cd MiroFlow uv sync
2. API-Schlüssel konfigurieren:
cp .env.template .env # .env bearbeiten und OPENROUTER_API_KEY hinzufügen
3. Ersten Agenten ausführen:
uv run main.py trace --config_file_name=agent_quickstart_reading --task="What is the first country listed in the XLSX file that have names starting with Co?" --task_file_name="data/FSI-2023-DOWNLOAD.xlsx"
GitHub-Repository: https://github.com/MiroMindAI/Miroflow
Demo: https://miromindai.github.io/MiroFlow/
