A IA é falha por design. Não por causa de intenção maliciosa ou qualquer outra coisa, mas porque modela a realidade e a realidade é probabilística. A verdade se torna o que os pesos decidirem. Este é o problema dos LLMs, eles apenas preveem o próximo token. Seguindo padrões lineares para consultas, ele corresponde, reconhece e espelha as respostas que se encaixam. Você pede três itens; dá quatro. Por que isso? O viés de conhecimento paramétrico entra em ação: dados de treinamento fortes substituem consultas fracas, confundindo fontes até que o modelo acredite em sua própria compressão do mundo. Você já consultou uma IA e obteve a resposta: 'Não sei' Isso é raro ou provavelmente nunca teria ocorrido. Porque tal conceito é alheio a eles. Eles parecem saber tudo, mesmo em um assunto que está além de seu domínio. A IA desenvolve um sistema baseado em princípios de computação neuromórfica que imita o mecanismo físico da memória humana e da dúvida. Consultas complexas são geralmente vítimas de tais circunstâncias - elas são recebidas por alucinações surpreendentes. Por que? >> Erro de composição em suas etapas >> Falta de estrutura do problema >> Distração de contexto irrelevante @SentientAGI tem uma solução - ROMA [Recursive Open Meta Agent] → O orquestrador. No jogo de tarefas de longo horizonte, a estrutura é mais importante do que a inteligência. O ROMA entende isso, portanto, adota uma cadeia de comando recursiva-hierárquica que mantém o fluxo de contexto. Como funciona o ROMA - o chefe final para lidar com tarefas de longo horizonte? O ROMA oferece aos agentes um andaime recursivo - uma árvore de tarefas hierárquica que controla como o contexto flui. Uma vez que o fluxo de contexto é quebrado, a anarquia se insinua. Portanto, o ROMA é aplicado para gerenciar o fluxo de contexto. Para lidar com isso de forma eficaz, ROMA; Desacopla e decompõe tarefas para subagentes distintos conhecidos como nós, especialmente tarefas que considera complexas. Vamos chamar o ROMA de gerenciador de IA que gerencia outras IAs. Em uma imagem simples, aqui está a estrutura: Nós pai: agentes de alto nível que recebem sua meta complexa. => Eles o dividem em subtarefas e as passam para nós filhos (agentes/ferramentas mais simples). => Os nós filhos resolvem sua parte, enviam os resultados de volta para os nós pais. => Os nós pai agregam soluções e as combinam na resposta final. Consulta resolvida! Quatro tipos de nó que impulsionam o sistema ROMA: >> Atomizador – O aceno determinante. Avalie a tarefa. Determina se eles são simples o suficiente para executar? Ou precisa de decomposição? >> Planner – Se uma tarefa precisar de decomposição – divide metas complexas em subtarefas. Cada subtarefa se torna um nó filho. As tarefas podem ser executadas sequencialmente (quando dependentes) ou em paralelo (quando independentes). >> Executor – Executa o trabalho. Chama ferramentas, agentes, APIs. Passa as saídas para cima ou para baixo na árvore, conforme necessário. >> Agregador – Coleta resultados de nós filhos, verifica a consistência, sintetiza a resposta final. Aqui está uma ilustração 👇 abrangente Pergunta: "Quantos filmes de orçamento de US $ 350 milhões + não foram os de maior bilheteria de seu ano de lançamento?" Processo da ROMA: 1/ Verificações do atomizador - O nó Determinante. Muito complexo para uma etapa? O atomizador entra. 2/ Planejador. Objetivo muito complexo? o planejador entra, decompõe: Subtarefa 1: Encontre todos os filmes de US$ 350 milhões + (títulos, orçamentos, anos) Subtarefa 2: Encontre filmes de maior bilheteria por ano Subtarefa 3: Referência cruzada e filtro 3/ Os executores executam cada subtarefa (APIs de pesquisa, modelos de extração) 4/ Sintetizadores do agregador: lista limpa de filmes que correspondem aos critérios. Além das fórmulas de loop recursivo de nó do ROMA, ele adicionou uma camada extra de clareza para a URSS e construtores. Human-in-the-loop = intervenção do usuário. Um recurso de mecanismo de feedback inerente que permite uma concessão sem permissão aos usuários para marcar a condição de sua consulta. Isso ocorre logo após a fase de planejamento. "Eu encontrei esses fatos. Eles estão corretos? Eu planejei essas subpilhas - elas se alinham com o que você quer?" Isso permite que o usuário corrija, edite ou adicione contextos antes que o agente continue.

Rastreamento de estágio - para construtores Para o desenvolvedor que cria ou depura o agente. O rastreamento de estágios expõe o raciocínio interno: >> Que entrada esse nó recebeu? >> Que saída ele produziu? >> Onde o contexto se perdeu ou foi distorcido? O construtor usa essa transparência para: >> Diagnostique onde as falhas acontecem. >> Refinar prompts em nós específicos >> Troque agentes/ferramentas de baixo desempenho. Esse recurso ajuda os usuários a detectar erros em tempo real e os construtores a corrigir problemas sistemáticos em um nível arquitetônico. Uso no mundo real Pesquisa ROMA como uma prova de conceito aproveitando toda a arquitetura do ROMA com seu SEAL-0, um teste para benchmark de raciocínio complexo de várias fontes limitado a 45,6% de precisão (estado da arte) melhor anterior (Kimi Researcher): 36%, Gemini 2.5 Pro: 19,8%, melhor rival de código aberto: 8,9%.