跳到主要内容
项目档案应用项目

MiroMindAI/MiroThinker 是什么?用途、安装与使用指南

MiroThinker 是 MiroMind AI 开发的深度研究代理,专为自动化复杂研究与预测设计,在 BrowseComp 基准达 88.2 分。本页面详解其功能特性、安装配置步骤、本地运行方法、适用场景(金融预测、多文档分析等)及工具链使用,助你快速部署这一 AI 研究助手。

8,410PythonStar 于 2026年1月7日2026年9月19日 更新

AI 总结

MiroThinker 是 MiroMind AI 开发的深度研究代理系统,通过代理式网络浏览与多工具调用,在 BrowseComp 基准达 88.2 分,专为自动化复杂研究与预测任务设计。

中文项目介绍

MiroThinker 是由 MiroMind AI 开发的深度研究代理系统,专为自动化复杂研究与预测任务而设计。该系统通过智能代理进行网络浏览、多工具调用和多模态理解,在权威基准测试 BrowseComp 上,其 H1 版本达到 88.2 分的领先成绩,1.7 版本开源模型也取得 74.0 分。项目提供在线演示服务,并发布多个开源版本(如 1.7、v1.5、v1.0),支持不同参数规模和应用场景。 MiroThinker 解决的核心问题是传统研究流程中信息收集耗时、分析片面、难以处理多源异构数据等痛点。它通过代理式工作流自动执行搜索、爬取、代码执行、多模态分析等步骤,整合信息并生成深度报告,显著提升研究效率与质量。系统支持多步推理和长上下文(如 256K),能处理复杂任务。 适用场景包括:复杂网络研究与信息收集(如 BrowseComp 基准任务)、金融预测与市场分析(v1.5 版本优化)、深度研究报告自动生成与预览分享、多格式文档(PDF、DOC、PPT、XLS、JPG)上传与分析,以及 AI 代理性能的基准测试与评估。 技术架构上,MiroThinker 采用模块化设计,包含核心代理引擎、工具集成层、跟踪收集系统、可视化分析、Gradio 演示界面和 LobeHub 兼容适配器。项目提供完整的工具链,支持多种模型部署后端(如 SGLang、llama.cpp、Ollama、vLLM),并包含轨迹收集与转换工具,用于训练数据生成。 用户可通过在线服务 https://dr.miromind.ai 直接体验,或本地部署开源模型。项目仓库包含多个应用目录,分别负责代理运行、演示、跟踪收集和可视化,形成从研发到演示的闭环工作流。

详细信息与使用说明

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。

思维导图

MiroThinker
核心代理引擎 (apps/miroflow-agent)
核心逻辑 (src/core)
配置管理 (conf)
评估脚本 (scripts/)
基准测试 (benchmarks/)
Gradio 演示 (apps/gradio-demo)
Web UI (main.py)
提示补丁 (prompt_patch.py)
工具函数 (utils.py)
跟踪收集 (apps/collect-trace)
轨迹转换 (utils/converters)
多模型脚本 (scripts/)
依赖管理 (pyproject.toml)
跟踪可视化 (apps/visualize-trace)
Web 服务
交互式分析界面
执行统计展示
LobeHub 兼容 (apps/lobehub-compatibility)
工具解析器 (MiroThinkerToolParser.py)
集成指南 (README.md)
单元测试
配置与依赖
环境变量模板 (.env.example)
Python 依赖 (pyproject.toml)
锁文件 (uv.lock)

常见问题

MiroThinker 是什么?它主要能做什么?

MiroThinker 是一个深度研究代理系统,能够自动执行网络浏览、工具调用和多步推理,完成复杂信息收集、整合分析与预测任务。它在 BrowseComp 等基准测试中表现优异,支持生成深度研究报告、分析多格式文档,并适用于金融预测等场景。

如何安装和配置 MiroThinker?

安装需使用 uv 或 pip 安装各应用目录(如 apps/miroflow-agent、apps/gradio-demo)下的 Python 依赖(定义于 pyproject.toml)。然后配置环境变量,包括 SERPER_API_KEY(搜索)、JINA_API_KEY(爬取)、E2B_API_KEY(沙箱)等,参考 .env.example 模板。详细步骤请查看对应应用的 README。

MiroThinker 支持哪些模型和工具?

MiroThinker 支持多种 LLM 后端,包括开源模型(如 Qwen、自研 1.7 系列)和商业 API(如 Claude、GPT)。工具集成涵盖网络搜索(Serper)、网页爬取(Jina)、代码执行沙箱(E2B)、多模态理解(视觉、音频)以及推理模型,具体模型名称和 API 配置见 .env.example。

如何使用 MiroThinker 进行研究任务?

可通过在线服务 https://dr.miromind.ai 直接体验。本地部署时,可运行 Gradio 演示(apps/gradio-demo/main.py)或核心代理(apps/miroflow-agent/main.py)。此外,还提供轨迹收集工具(apps/collect-trace)和可视化分析工具(apps/visualize-trace)用于训练和评估。

MiroThinker 的性能如何?有哪些基准测试?

MiroThinker 在多个基准上取得领先:H1 版本在 BrowseComp 达 88.2 分,1.7 版本开源模型在 BrowseComp 达 74.0 分,v1.5 版本在 GAIA、HLE、XBench 等基准刷新 SOTA。详细结果见 README 中的性能表格和更新日志。