1. 项目定位与用途
MiroThinker 是 MiroMind AI 开发的深度研究代理系统,定位为自动化研究与预测的 AI 助手。其核心用途是通过智能代理执行复杂研究任务,包括网络浏览、信息整合、多步推理和报告生成。系统提供开源模型系列(如 MiroThinker-1.7、v1.5)和专有模型(MiroThinker-H1),并在 BrowseComp 等权威基准上取得领先成绩(H1 版本 88.2 分)。同时,项目提供在线演示服务(https://dr.miromind.ai)和完整的本地部署工具链,支持从模型推理到轨迹分析的全流程。
2. 解决的问题
MiroThinker 主要解决传统研究流程中的自动化程度低、信息收集耗时、多源数据整合困难、分析片面等问题。它通过代理式工作流自动调用搜索、爬取、代码执行、多模态分析等工具,执行多步推理并生成深度报告,从而显著提升研究效率与质量。系统还支持长上下文(256K)和大量工具调用(每任务最多 600 次),以应对复杂任务需求。
3. 适用场景
适用场景涵盖:1)复杂网络研究与信息收集,如 BrowseComp 基准任务;2)金融预测与市场分析(v1.5 版本针对性优化);3)深度研究报告自动生成、预览与分享;4)多格式文档(PDF、DOC、PPT、XLS、JPG)上传与分析;5)AI 代理性能的基准测试与评估(支持 HLE、GAIA、XBench 等)。项目也适用于需要自动化研究助手的各类企业与研究机构。
4. 安装方式
安装需遵循以下步骤:首先,使用 uv 或 pip 安装各应用目录下的 Python 依赖,依赖定义于 pyproject.toml 文件(如 apps/miroflow-agent、apps/gradio-demo)。其次,配置环境变量,包括 SERPER_API_KEY(Google 搜索)、JINA_API_KEY(网页爬取)、E2B_API_KEY(Linux 沙箱)、OPENAI_API_KEY(LLM-as-Judge)等,可参考各应用下的 .env.example 模板。最后,根据具体应用进入对应目录阅读详细安装说明(如 apps/gradio-demo/README.md)。模型部署支持 SGLang、llama.cpp、Ollama、vLLM 等多种后端。
5. 使用方式
使用方式包括:1)在线体验:访问 https://dr.miromind.ai 直接使用核心研究代理功能,支持文档上传和报告生成;2)本地运行 Gradio 演示:配置 API 密钥后,执行 apps/gradio-demo/main.py 启动 Web UI;3)运行核心代理:在 apps/miroflow-agent 中配置环境,执行 main.py 处理单任务,或使用 scripts/ 下的评估脚本(如 run_evaluate_multiple_runs_browsecomp.sh)运行基准测试;4)收集训练轨迹:使用 apps/collect-trace 中的脚本工具(collect_trace_claude37.sh 等)收集代理交互数据;5)分析跟踪数据:启动 apps/visualize-trace 的 Web 服务(默认 http://127.0.0.1:5000)进行交互式 trace 分析。
6. 架构与实现特点
MiroThinker 采用模块化多应用架构:核心代理引擎(apps/miroflow-agent/src/core)实现多步推理与工具调用;工具集成层封装外部 API(搜索、爬取、沙箱、多模态);跟踪收集系统(apps/collect-trace)基于 RLVR 数据集运行评估,使用 LLM-as-a-Judge 验证答案并转换轨迹格式;跟踪可视化(apps/visualize-trace)提供 Web 界面分析执行流;Gradio 演示(apps/gradio-demo)集成模型并提供文档上传与报告分享;LobeHub 兼容适配器(apps/lobehub-compatibility)解决第三方集成中的推理内容保留问题。项目支持多种量化方案(FP8、GGUF)和开源/商业模型混合部署。