AI 的设计本身就存在缺陷。 这并不是因为恶意意图或其他原因，而是因为它建模现实，而现实是概率性的。真相变成了权重决定的东西。 这就是 LLMs 的问题，它们只是预测下一个标记。 通过遵循线性模式进行查询，它匹配、识别、镜像适合的响应。 你要求三个项目；它给了四个。 这是为什么？ 参数知识偏见开始发挥作用：强大的训练数据覆盖弱查询，混淆来源，直到模型相信自己对世界的压缩。 你有没有询问过 AI，得到的答案是“我不知道”？这很少见，或者可能从未发生过。 因为这样的概念对它们来说是无知的。它们似乎知道一切，即使在超出其领域的主题上。 AI 基于神经形态计算原理开发了一种系统，模仿人类记忆和怀疑的物理机制。 复杂的查询通常是这种情况的受害者——它们会遭遇惊人的幻觉。 为什么？ >> 步骤中的累积错误 >> 缺乏问题结构 >> 无关上下文干扰 @SentientAGI 有一个解决方案 - ROMA [递归开放元代理] → 协调者。 在长时间任务的游戏中，结构比智能更重要。 ROMA 理解这一点，因此采用递归-层级的指挥链，保持上下文流动。 ROMA 如何工作 - 处理长时间任务的最终 Boss？ ROMA 为代理提供递归支架——一个层级任务树，控制上下文的流动。 一旦上下文流动被打破，混乱就会悄然出现。 因此，ROMA 被强制管理上下文的流动。 为了有效处理这一点，ROMA； 将任务解耦并分解为称为节点的不同子代理，特别是它认为复杂的任务。 让我们称 ROMA 为管理其他 AI 的 AI 管理者。 在简单的图示中，结构如下： 父节点：接收你复杂目标的高层代理。 => 它们将其分解为子任务并传递给子节点（更简单的代理/工具）。 => 子节点解决它们的部分，将结果发送回父节点。 => 父节点汇总解决方案并将其组合成最终答案。 查询解决！ 驱动 ROMA 系统的四种节点类型： >> 原子化器 – 决定节点。评估任务。确定它们是否简单到足以执行？还是需要分解？ >> 规划者 – 如果任务需要分解 - 将复杂目标分解为子任务。每个子任务成为一个子节点。任务可以顺序运行（当相互依赖时）或并行运行（当独立时）。 >> 执行者 – 执行工作。调用工具、代理、API。根据需要将输出传递到树的上方或下方。 >> 聚合器 – 收集来自子节点的结果，验证一致性，综合最终答案。 这是一个全面的插图 👇 查询：“有多少部预算超过 3.5 亿美元的电影不是其发行年份的最高票房？” ROMA 的过程： 1/ 原子化器检查 - 决定节点。一步太复杂？原子化器介入。 2/ 规划者。目标太复杂？规划者介入，分解： 子任务 1：查找所有预算超过 3.5 亿美元的电影（标题、预算、年份） 子任务 2：查找每年的最高票房电影 子任务 3：交叉引用和过滤 3/ 执行者运行每个子任务（搜索 API、提取模型） 4/ 聚合器综合：清单中符合标准的电影。 除了 ROMA 的节点递归循环公式外，它还为用户和构建者增加了一层额外的清晰度。 人机协作 = 用户干预。 一种固有的反馈机制功能，允许用户在查询条件上进行无权限授予的检查。这发生在规划阶段之后。 “我找到了这些事实。它们正确吗？我规划了这些子任务 - 它们与你想要的对齐吗？”这使用户能够在代理继续之前进行更正、编辑或添加上下文。

阶段追踪 - 为构建者 为开发者构建或调试代理。阶段追踪揭示了内部推理： >> 这个节点接收了什么输入？ >> 它产生了什么输出？ >> 上下文在哪里丢失或扭曲？ 构建者利用这种透明度来： >> 诊断故障发生的地方。 >> 在特定节点上优化提示。 >> 更换表现不佳的代理/工具。 此功能帮助用户实时捕捉错误，并帮助构建者在架构层面修复系统性问题。 现实世界的应用 ROMA搜索作为概念验证，利用ROMA的所有架构及其SEAL-0，这是一个复杂多源推理基准测试，准确率达到45.6%（最先进），之前的最佳（Kimi Researcher）：36%，Gemini 2.5 Pro：19.8%，最佳开源竞争对手：8.9%。