Esplorando ROMA di Sentient Guardando la classifica di @SentientAGI, sembra che la qualità dei contenuti sia piuttosto importante. Quindi, scriverò su ROMA, che considero il più avanzato in termini di tecnologia di Sentient. 1. ROMA non è un modello AI. - ROMA è esattamente un framework Multi-agent, cioè un insieme di agenti AI che lavorano in modo gerarchico e ricorsivo, facendo riferimento ai valori di ciascun agente per ottenere la risposta più affidabile e precisa. Nella Readme di GitHub, di solito si possono vedere le relazioni fondamentali tra i codici, dove si utilizzano le chiavi API di modelli AI come GPT e Gemini. 2. Qual è quindi il punto chiave? - È tutto nella suddivisione dei ruoli di Atomizer, Executor, Planner e Aggregator. Quando viene assegnato un compito, si decide se gestirlo in un modo o in più modi (Atomizer), si determina come risolverlo (Planner), si esegue secondo il piano (Executor) e infine si aggregano i risultati (Aggregator) per restituire la risposta. Inoltre, c'è anche la fase di verifica (Verifier) che può essere selezionata come opzione per convalidare la risposta. 3. Viene utilizzato solo un modello? - No. Se si consulta il codice Quickstart, si noterà che, ad eccezione dell'Executor, vengono specificati modelli diversi (es. gpt-4o-mini, gemini-2.5-flash). In questo modo, non si utilizza un solo modello, ma più modelli per ottenere la migliore risposta. 4. La risposta sarà sempre la stessa? - Neanche questo è vero. Ogni modello AI produce risultati diversi per lo stesso compito e varia a seconda di come si regolano i parametri, cioè come si effettua il fine-tuning. Ad esempio, il parametro più rappresentativo, la Temperature, varia da 0 a 2, dove valori più vicini a 0 producono risposte coerenti, mentre valori più vicini a 2 forniscono risposte diverse ad ogni esecuzione. Alla fine, sembra che la differenza di prestazioni dipenda molto da come l'utente imposta questi parametri. Recentemente ho avuto l'opportunità di sviluppare un agente AI e, mentre studiavo, mi sembrava che ora, guardando il codice di GitHub, tutto fosse più chiaro, quindi ho deciso di scriverlo :)