البحث في Sentient ROMA @SentientAGI النظر إلى لوحة المتصدرين ، يبدو أن جودة الكتابة مهمة جدا أيضا. لذلك سأكتب عن روما ، والتي أعتقد أنها تفتخر بأعلى التقنيات في Sentient. 1. روما ليس نموذجا للذكاء الذكاء الاصطناعي. - ROMA هو إطار عمل يستمد فيه العديد من وكلاء الذكاء الاصطناعي الإجابات الأكثر موثوقية ودقة بناء على قيم كل عامل هرميا وتكراريا. إذا نظرت إلى Githet Readme ، يمكنك عادة رؤية العلاقة العضوية الأساسية للكود ، وستدخل وتستخدم مفتاح واجهة برمجة التطبيقات لنماذج الذكاء الاصطناعي مثل GPT و Gemini ، والتي نعرفها بشكل عام. 2. إذن ما هي الفائدة؟ - إنه في تقسيم أربعة أدوار: البخاخة ، والمنفذ ، والمخطط ، والمجمع. عندما يتم تكليفه بمهمة ، فإنه يقرر ما إذا كان سيتعامل معها كشيء واحد أو عدة أشياء (Atomizer) ، ويقرر كيفية حلها (Planner) ، وينفذها كما هو مخطط له (Executor) ، ثم يجمعها (Aggregator) ويعيد الإجابة. بالإضافة إلى ذلك ، يمكنك اختيار خطوة التحقق من الإجابة من خلال المدقق كخيار. 3. هل يتم استخدام نموذج واحد فقط؟ -لا. إذا نظرت إلى كود التشغيل السريع ، فجميعهم يحددون نماذجهم الخاصة ، باستثناء المنفذ. (على سبيل المثال gpt-4o-mini ، gemini-2.5-flash) بهذه الطريقة ، يبدو أن أفضل إجابة يتم اشتقاقها باستخدام نماذج متعددة بدلا من نموذج واحد فقط. 4. هل ستكون الإجابة هي نفسها دائما؟ - هذا ليس كذلك. تختلف نتائج التنفيذ لكل نموذج الذكاء الاصطناعي بمهمة واحدة ، ويعتمد ذلك على كيفية ضبط المعلمات ، أي كيفية الضبط الدقيق. على سبيل المثال ، المعلمة الأكثر شيوعا تسمى درجة الحرارة لها قيمة 0-2 ، مع ما يقرب من 0 يعطي إجابة متسقة ، وأقرب إلى 2 ، مما يعطي مجموعة متنوعة من الإجابات لكل تجربة. في النهاية ، يبدو أنه سيكون هناك فرق كبير في الأداء اعتمادا على كيفية إعداد المستخدم له. لقد أتيحت لي الفرصة مؤخرا لتطوير وكيل الذكاء الاصطناعي بالصدفة ، وكتبته لأنني اعتقدت أن ما درسته مع الاستمرار في تشغيل الذكاء الاصطناعي في ذلك الوقت يبدو الآن وكأنه خدعة عندما ألقي نظرة على كود المجموعة :)