MiroShark vs MiroFish : test en direct de simulation swarm agents
120 erreurs en une heure, des rounds qui sautent sans prévenir, et 2h40 de tournage jeté à la poubelle : voilà ce que MiroFish m'a infligé.
Le problème avec MiroFish, ce n'est pas le concept. Le concept est brillant : lancer des dizaines d'agents IA en simulation pour prédire des réactions humaines. Le problème, c'est ZepCloud qui sature, les erreurs 500 en rafale, et un code en chinois qui pollue les résultats. Après avoir perdu une matinée entière, j'ai creusé pour trouver une alternative. Et je suis tombé sur MiroShark : un fork avec seulement 838 stars sur GitHub, mais qui promet Neo4j en local, Open Router natif et zéro dépendance externe.
Dans cet article, tu vas découvrir :
- Pourquoi MiroFish m'a rendu fou (avec les logs à l'appui)
- Ce que MiroShark change concrètement dans l'architecture
- Le test complet en direct : 678 événements, 40 rounds, 0 erreur
- Comment un CEO peut utiliser ça pour simuler des décisions stratégiques
Ce n'est pas magique. Il y a eu des bugs aussi. Mais la différence de stabilité est tellement nette que MiroFish passe à la poubelle.
Communauté gratuite
Rejoins +4 000 membres qui apprennent l'automatisation IA
Ressources, entraide et challenges hebdomadaires. 100% gratuit.
Rejoindre gratuitement →Pourquoi MiroFish m'a fait perdre une matinée entière ?
Contexte rapide : je préparais une vidéo spéciale CEO sur la simulation multi-agents. 2h41 de tournage. Et MiroFish a décidé de tout saboter.
Voici ce qui s'est passé concrètement :
- 120 erreurs en 1 heure : des "request fail with error 500" en boucle, sans détail dans les logs
- Temporal engine figé : la simulation se bloquait sans explication
- Saut de 8 rounds : le système est passé du round 23 au round 31 directement, sans traiter les rounds intermédiaires
Et le pire : si tu ne vérifies pas manuellement chaque round, tu te retrouves avec un rapport final biaisé. Des données corrompues que tu prends pour argent comptant. Un CEO qui lance ça, part en réunion et revient deux heures plus tard ne verra jamais qu'il manque 8 rounds de données.
Le coupable : ZepCloud
ZepCloud, c'est le service externe que MiroFish utilise pour stocker les graphes mémoriels. Le problème :
- Des rate limits agressifs qui saturent rapidement
- Des erreurs 500 dès qu'on fait trop de requêtes
- Tes données stratégiques stockées chez un tiers
- Une couche technique supplémentaire chiante à configurer
En plus de ça, MiroFish est développé en chinois à la base. Résultat : des personas générés en chinois qui polluent la qualité des réponses, et des cassages aléatoires avec certains modèles API. C'est un bordel sans nom.
Qu'est-ce que MiroShark change par rapport à MiroFish ?
MiroShark, c'est un fork créé par Aaron J. Mars. Le principe : prendre le moteur de simulation de MiroFish (qui est excellent sur le papier) et corriger tout ce qui le rend inutilisable en production.
Les différences clés :
| Critère | MiroFish | MiroShark |
|---|---|---|
| Mémoire / Graphe | ZepCloud (externe) | Neo4j en local |
| LLM | Configuration manuelle | Open Router natif |
| Langue | Chinois (personas parfois en chinois) | Anglais natif |
| Données | Chez ZepCloud | 100% local |
| Starter templates | Non | Oui (crypto, crise, produit, etc.) |
| Pause / Resume | Non | Oui |
Concrètement, Neo4j en local signifie : graphes illimités, zéro rate limit, tes données qui ne sortent jamais de ta machine. Pour des simulations avec des informations stratégiques d'entreprise, c'est non-négociable.
Comment fonctionne une simulation MiroShark en pratique ?
Pour ce test, j'ai créé un scénario concret : un CEO d'une boîte de 100 personnes qui veut casser ses départements classiques (marketing, sales, produit, dev) pour créer 8 squads cross-fonctionnels par segment client. Il veut savoir ce qui va se passer sur 90 jours.
Étape 1 : préparation du contexte
J'ai demandé à Claude Code de préparer un document Markdown avec :
- Le contexte de l'entreprise (Solivar SAS)
- La raison de la décision
- La nouvelle organisation (8 squads : Alpha pour startups tech, Beta pour scale-up SaaS B2B, etc.)
- Les 4 personnes clés à observer
- Le calendrier et les risques identifiés
- Les questions précises du CEO
Le livrable demandé : un rapport de prédiction avec verdict de viabilité, score de confiance, top 5 des dynamiques émergentes, liste des départs potentiels, et trois scénarios (probable, optimiste, pessimiste).
Étape 2 : upload et configuration
L'interface de MiroShark permet d'uploader des fichiers PDF, Markdown ou TXT. Une fois le document chargé, l'outil propose un "Smart Setup" : il analyse ton contexte et génère automatiquement des scénarios bear, bull et neutral. Ce n'est pas présent dans MiroFish. Ça change l'expérience.
Étape 3 : génération ontologique et profils
La simulation démarre par la création de la structure de données :
- 33 noeuds d'entité (CEO, CTO, VP, managers, développeurs, etc.)
- 33 relations (travaille pour, gère, rapporte à)
- 10 types de schéma
Ensuite, chaque agent reçoit un profil unique : MBTI, âge, genre, background détaillé, niveau de scepticisme, centres d'intérêt. L'objectif : avoir des personas aux antipodes pour que la simulation ne soit pas un echo chamber biaisé.
Tutoriels vidéo
Apprends l'IA et l'automatisation en vidéo sur YouTube
Démos live, tutoriels pas à pas et cas d'usage concrets. +28K abonnés.
Voir les tutoriels →Quels résultats concrets avec le benchmark DeepSeek V4 vs Qwen 3 ?
J'ai testé deux modèles. Et la différence est brutale.
DeepSeek V4 Pro : qualité maximale, temps irréaliste
Premier lancement avec DeepSeek V4 Pro. Le modèle raisonne trop fort pour chaque micro-tâche. Résultat :
- La configuration estimait 72 heures de simulation
- Après 15 minutes : toujours 0 événement traité
- Le compteur de progression restait bloqué à 20%
Pour une vidéo, c'est inutilisable. Pour un run overnight en production, ça peut avoir du sens si tu veux la qualité maximale. Mais pour itérer rapidement, il faut autre chose.
Qwen 3-235B : le sweet spot
Changement de modèle via Claude Code. Relance de Flask. Et là :
- Génération ontologique : moins de 2 minutes
- 33 profils d'agents : quelques minutes
- 40 rounds complets en moins de 20 minutes
- 678 événements générés (197 sur X, 373 sur Reddit, 108 sur Polymarket)
- 0 erreur dans les logs
Zéro erreur. Contre 120 erreurs en une heure sur MiroFish. Le mécanisme de retry intégré à MiroShark fait son travail parfaitement. Pas un seul échec de requête dans la colonne "succès" du CSV exporté.
Quelles fonctionnalités MiroShark ajoute par rapport à MiroFish ?
Au-delà de la stabilité, MiroShark embarque des fonctionnalités que MiroFish n'a tout simplement pas.
Pause et Resume en temps réel
Tu peux stopper la simulation, aller faire autre chose, et la reprendre exactement où tu l'avais laissée. Sur MiroFish, si tu stoppes, tu recommences de zéro. Ça change tout quand tu lances des simulations longues.
Injection d'événements en cours de simulation
Le mode "Directeur" permet d'injecter un breaking event en pleine simulation. Exemple : "Le CTO a démissionné." L'événement crée du chaos dans le graphe et modifie complètement la trajectoire du résultat final. C'est terrifiant de puissance pour tester des scénarios de crise.
Intégration Polymarket native
Les agents peuvent passer des ordres d'achat et de vente sur un marché prédictif simulé. Les entités (personnes et sociétés) prennent des positions. Pour le trading et la crypto, c'est un outil de projection sérieux. Pour un cas business classique, l'intérêt reste à creuser.
What-If et branches contrefactuelles
Tu peux forker la simulation à n'importe quel round pour tester une narrative alternative. Et le système de "What If" permet de recomputer en cochant ou décochant certains agents. En gros : tu explores des réalités parallèles de ta décision stratégique.
Dashboard démographique et influence
En temps réel, tu vois :
- Quels agents ont le plus d'influence (taille des noeuds dans le network)
- Le drift de sentiment (bullish, neutre, bearish)
- La répartition démographique (âge, genre, pays)
- Les sous-groupes émergents avec leurs dynamiques propres
Comment le rapport final se structure pour un CEO ?
Une fois les 40 rounds terminés, un clic sur "Rapport" et l'agent commence à retriever 81 noeuds et 510 connexions pour construire son analyse.
Structure du rapport
Le rapport généré couvre :
- Résistance silencieuse des chapter leads : qui résiste et comment
- Récréation informelle des silos : les canaux Slack parallèles qui se créent
- Conflit opérationnel et départs clés : la cascade des démissions non annoncées
- Synthèse et implications
- Viabilité des scénarios (probable, optimiste, pessimiste)
- Recommandations actionnables
Le verdict de cette simulation : échec de la restructuration, score de confiance 87%. L'outil identifie que l'échec n'est pas dû à la résistance humaine, mais aux choix de conception organisationnelle "brutaux et aveugles au pouvoir réel".
Deep Interaction post-rapport
Le plus intéressant : après le rapport, tu peux chatter avec les agents individuellement ou en groupe. Tu sélectionnes Antoine, Catherine et Inès, tu leur poses une question directe, et chacun répond avec sa personnalité et son historique de simulation.
C'est comme interviewer tes employés fictifs après la crise. Sauf que tu as un dataset de 678 événements derrière chaque réponse.
Export des données
L'export se fait en JSON et CSV. Le CSV donne 679 lignes structurées par plateforme, timestamp, nom d'agent, type d'action, arguments et résultat. De quoi alimenter un Google Sheets, un dashboard ou une analyse plus poussée.
Pourquoi la simulation multi-agents va devenir un standard pour les CEO ?
Parler à un seul agent IA, c'est bien. Mais ça reste un seul point de vue, aussi sophistiqué soit-il. Lancer 33 agents avec des profils diversifiés qui interagissent pendant 40 rounds, c'est un dataset de réactions humaines simulées qu'il te faudrait des mois à collecter sur le terrain.
Les cas d'usage concrets
- Restructuration d'équipe : tester avant d'annoncer
- Nouveau pricing : simuler la réaction client et interne
- Pivot stratégique : identifier les résistances avant qu'elles n'arrivent
- Recrutement clé : tester l'impact d'un profil sur la dynamique d'équipe
- Lancement de produit : anticiper la réception marché
- Trading et crypto : analyse fondamentale avec simulation de réactions de marché
L'avantage concurrentiel
Ton concurrent, il prend les mêmes décisions que toi. Mais il les prend à la main, sans données. Il a les mêmes angles morts depuis des années. Toi, tu crées une base mémorielle de ton entreprise, tu enrichis tes process, et tu lances une simulation avant chaque décision lourde.
Le résultat : tu optimises ta structure, tu fais plus de marge, tu baisses tes prix ou tu montes en gamme. Tes clients viennent chez toi. La norme de mai 2026, ça va être de lancer une simulation par jour.
Ce n'est pas de la hype. C'est du calcul simple : 20 minutes de simulation contre des mois d'apprentissage par essai-erreur.
Passe à l'action avec un accompagnement concret
Rejoins LE LABO IA : formation premium Vibe Coding + Automatisation IA avec coaching personnalisé.
Découvrir l'accompagnement →Questions fréquentes
MiroShark est un fork de MiroFish qui remplace ZepCloud par Neo4j en local, intègre Open Router nativement et fonctionne entièrement en anglais. Le code est plus propre, l'interface plus fluide, et surtout il élimine les dépendances externes qui causaient des erreurs 500 sur MiroFish.
L'installation nécessite de savoir utiliser Git, Docker et un terminal. Neo4j tourne en local via Docker, et la configuration Open Router se fait avec une clé API. C'est plus simple que MiroFish grâce à l'absence de la couche ZepCloud, mais ce n'est pas un outil no-code non plus.
Le coût dépend du modèle LLM utilisé via Open Router. Avec Qwen 3-235B, une simulation de 40 rounds avec 33 agents prend environ 20 minutes et coûte quelques dollars. Avec DeepSeek V4 Pro, c'est plus qualitatif mais beaucoup plus lent et légèrement plus cher. Neo4j en local est gratuit.
Simuler une restructuration d'équipe, tester un nouveau pricing, anticiper la réaction à un pivot stratégique, évaluer un partenariat, ou préparer un recrutement clé. L'outil génère des datasets de réactions diversifiées qui révèlent des angles morts qu'un CEO ne verrait qu'après des mois sur le terrain.
Oui, c'est l'avantage majeur de MiroShark. Neo4j tourne en local sur ta machine, donc aucune donnée ne transite par un service tiers comme ZepCloud. Seules les requêtes LLM passent par Open Router, mais elles ne contiennent pas la totalité de ton graphe mémoriel.
Il fonctionne avec tous les modèles disponibles sur Open Router. DeepSeek V4 Pro offre la meilleure qualité de raisonnement mais est lent pour du swarm. Qwen 3-235B est un bon compromis rapidité et qualité. Tu peux changer de modèle entre les simulations, mais pas en cours de route pour l'instant.
+110 entrepreneurs formés au Vibe Coding et à l'automatisation IA. Fondateur du Labo IA, +28K abonnés YouTube.