Empfindungsfähige KI hat veröffentlicht ROMA (Rekursiver offener Meta-Agent)ein Open-Supply-Meta-Agent-Framework zum Aufbau leistungsstarker Multi-Agent-Systeme. ROMA strukturiert Agenten-Workflows als hierarchischer, rekursiver Aufgabenbaum: Übergeordnete Knoten unterteilen ein komplexes Ziel Teilaufgabengeben Sie sie an untergeordnete Knoten weiter als Kontextund später Aggregat ihre Lösungen wenn die Ergebnisse wieder nach oben fließen– das machen Kontextfluss clear und vollständig nachvollziehbar über Knotenübergänge hinweg.
Architektur: Atomisieren → Planen → Ausführen → Aggregieren
ROMA definiert einen minimalen, rekursiven Regelkreis. Zuerst ein Knoten zerstäubt eine Anfrage (atomar oder nicht). Wenn nichtatomar, a Planer zerlegt es in Teilaufgaben; andernfalls ein Testamentsvollstrecker führt die Aufgabe über ein LLM, ein Instrument/eine API oder sogar einen verschachtelten Agenten aus. Ein Aggregator Anschließend werden die Ausgaben des Kindes mit der Antwort des Elternteils zusammengeführt. Diese Entscheidungsschleife wiederholt sich für jede Unteraufgabe und erzeugt einen abhängigkeitsbewussten Baum, der unabhängige Zweige parallel ausführt und eine Reihenfolge von hyperlinks nach rechts erzwingt, wenn eine Unteraufgabe von einer vorherigen Geschwisteraufgabe abhängt.
Informationen bewegen sich von oben nach unten da Aufgaben aufgeschlüsselt werden und von unten nach oben da die Ergebnisse aggregiert werden. ROMA erlaubt es auch menschliche Kontrollpunkte an jedem Knoten (z. B. um einen Plan zu bestätigen oder einen kritischen Sprung zu überprüfen) und an jeder Oberfläche Bühnenverfolgung– Eingaben/Ausgaben professional Knoten – sodass Entwickler Eingabeaufforderungen, Instruments und Routing-Richtlinien debuggen und verfeinern können, wobei jeder Übergang clear ist. Dadurch wird die häufige Beobachtbarkeitslücke in Agenten-Frameworks behoben.
Entwickleroberfläche und -stapel
ROMA bietet eine setup.sh Schnellstart mit Docker-Setup (empfohlen) oder Natives Setupplus Flags für E2B-Sandbox-Integration (--e2b, --test-e2b). Die Stapellisten Backend: Python 3.12+ mit FastAPI/Flask, Frontend: React + TypeScript mit Echtzeit-WebSocket, LLM-Unterstützung: jeder Anbieter über LiteLLMUnd Codeausführung: E2B-Sandboxen. Unterstützung für Datenpfade Enterprise S3-Montage mit Goofys SICHERUNGPfadinjektionsprüfungen und sichere Handhabung von AWS-Anmeldeinformationen, sodass Blattfähigkeiten austauschbar bleiben, während die Metaarchitektur das Aufgabendiagramm und die Abhängigkeiten verwaltet.
In der Entwicklung können Sie ROMA mit geschlossenen oder offenen LLMs, lokalen Modellen, deterministischen Instruments oder anderen Agenten verbinden, ohne die Metaschicht zu berühren; Ein-/Ausgänge werden mit definiert Pydantisch für strukturierte, überprüfbare E/A während der Ausführung und Nachverfolgung.
Warum die Rekursion wichtig ist?
ROMA-Strukturen funktionieren als hierarchischer, rekursiver Aufgabenbaum: übergeordnete Knoten Unterteilen Sie ein komplexes Ziel in Teilaufgabenübergebe sie als Kontext herunterund später Aggregat Kinderlösungen wenn die Ergebnisse wieder nach oben fließen. Diese rekursive Aufschlüsselung beschränkt den Kontext auf das, was jeder Knoten benötigt, und dämmt gleichzeitig die Ausbreitung von Eingabeaufforderungen ein Verfolgung auf Bühnenebene (mit strukturierter Pydantic-E/A) sorgt für den Fluss clear und vollständig nachvollziehbarsodass Ausfälle eher diagnostizierbar als eine Blackbox sind. Unabhängige Geschwister können laufen parallel und Abhängigkeitskanten erzwingen die Reihenfolge und verwandeln Modell-/Eingabeaufforderungs-/Werkzeugauswahlmöglichkeiten in kontrollierte, beobachtbare Komponenten innerhalb der Plan-Ausführung-Aggregations-Schleife.
Benchmarks: ROMA-Suche
Um die Architektur zu validieren, baute Sentient ROMA-Sucheein Web-Suchagent, der auf dem ROMA-Gerüst implementiert ist (keine domänenspezifischen „Deep Analysis“-Heuristiken beansprucht). An SEALQA (Siegel-0)– eine Teilmenge, die das Argumentieren aus mehreren Quellen hervorheben soll – über ROMA Search wird unter berichtet 45,6 % Genauigkeit, die Kimi Researcher übertrifft (36 %) und Gemini 2.5 Professional (19,8 %). Das berichtet auch die ROMA Stand der Technik bei FRAMES (mehrstufiges Denken) und Close to-SOTA auf SimpleQA (Faktenabruf). Behandeln Sie diese wie alle vom Anbieter veröffentlichten Ergebnisse als richtungsweisend, bis sie unabhängig reproduziert werden. Sie zeigen jedoch, dass die Architektur bei begründungsintensiven und faktenzentrierten Aufgaben konkurrenzfähig ist.
Für zusätzlichen Kontext zu SEALQA zielt der Benchmark auf suchgestützte Argumentation ab, bei der Webergebnisse widersprüchlich oder verrauscht sein können. Seal-0 konzentriert sich auf Fragen, die aktuelle Systeme herausfordern, und steht im Einklang mit ROMAs Schwerpunkt auf robusten Zerlegungs- und Verifizierungsschritten.
Wo ROMA passt?
ROMA positioniert sich als Rückgrat für Open-Supply-Meta-Agenten: Es bietet a hierarchischer, rekursiver Aufgabenbaum in dem übergeordnete Knoten Ziele in Unteraufgaben zerlegen, passieren Kontext bis hin zu untergeordneten Knoten (Agenten/Instruments) und später Aggregat Ergebnisse, wenn sie wieder nach oben fließen. Das Design betont Transparenz über Bühnenverfolgung und unterstützt Human-in-the-Loop-Kontrollpunktewährend seine modularen Knoten es Entwicklern ermöglichen, jedes Modell, Instrument oder jeden Agenten anzuschließen und auszunutzen Parallelisierung für unabhängige Niederlassungen. Dies führt zu mehrstufigen Arbeitsbelastungen – von Finanzanalyse zur kreativen Generierung – einfacher zu entwickeln mit explizitem Kontextfluss und beobachtbarer Ausführung.
ROMA ist kein weiterer „Agent-Wrapper“, sondern sieht aus wie ein diszipliniertes rekursives Gerüst: Zerstäuber → Planer → Executor → Aggregatorbei jedem Hop verfolgt, parallel, wo sicher, sequentiell, wo erforderlich. Die ersten Ergebnisse der ROMA-Suche sind vielversprechend und stimmen mit den Zielen des Frameworks überein, aber das wichtigere Ergebnis ist die Kontrolle der Entwickler – klare Aufgabendiagramme, typisierte Schnittstellen und transparenter Kontextfluss –, damit Groups schnell iterieren und jede Section überprüfen können. Mit der Apache-2.0-Lizenzierung und einer Implementierung, die bereits FastAPI/React-Instruments, LiteLLM-Integration und Sandbox-Ausführungspfade umfasst, ist ROMA eine praktische Foundation für den Aufbau von Agentensystemen mit langem Horizont und messbarem, überprüfbarem Verhalten.
Schauen Sie sich das an Codes Und Technische Particulars.. Schauen Sie sich gerne bei uns um GitHub-Seite für Tutorials, Codes und Notebooks. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.
Asif Razzaq ist CEO von Marktechpost Media Inc.. Als visionärer Unternehmer und Ingenieur setzt sich Asif dafür ein, das Potenzial der künstlichen Intelligenz für das soziale Wohl zu nutzen. Sein jüngstes Unterfangen ist die Einführung einer Medienplattform für künstliche Intelligenz, Marktechpost, die sich durch eine ausführliche Berichterstattung über maschinelles Lernen und Deep-Studying-Nachrichten auszeichnet, die sowohl technisch fundiert als auch für ein breites Publikum leicht verständlich ist. Die Plattform verfügt über mehr als 2 Millionen monatliche Aufrufe, was ihre Beliebtheit beim Publikum verdeutlicht.