深入探讨 Sentient ROMA 在查看 @SentientAGI 的排行榜时，我发现文章的质量似乎也非常重要。因此，我想写一下我认为在 Sentient 中技术实力最强的 ROMA。 1. ROMA 不是 AI 模型。 - ROMA 精确来说是一个多智能体（Multi-agent）框架，即多个 AI 代理以层次化、递归的方式参考各自的值，从而得出最可信、准确的答案。在 GitHub 的 Readme 中，通常可以看到这些代码的基本有机关系，我们常见的 AI 模型如 GPT、Gemini 等的 API 密钥也可以在这里输入使用。 2. 那么核心是什么？ - 就在于 Atomizer、Executor、Planner、Aggregator 四个角色的分工。当某项任务被给出时，首先决定是单独处理还是多个处理（Atomizer），然后决定如何解决（Planner），接着按照计划执行（Executor），最后进行汇总（Aggregator）并返回答案。此外，还可以选择通过验证者（Verifier）来验证答案的阶段。 3. 只使用一个模型吗？ - 不是的。参考 Quickstart 代码可以看到，除了 Executor，其他都明确指定了各自的模型。（例如：gpt-4o-mini，gemini-2.5-flash）因此，这并不是使用一个模型，而是使用多个模型来得出最佳答案。 4. 答案总是一样吗？ - 也不是。每个 AI 模型在执行同一任务时的结果都不同，参数的调整方式，即微调（fine-tuning）也会有所不同。例如，最典型的 Temperature 参数范围是 0-2，越接近 0 的时候，答案越一致；越接近 2 的时候，每次的答案会有更多的变化。最终，用户如何设置这些参数将会导致性能差异很大。 最近我偶然有机会开发 AI 代理，那时我不断地运行 AI 学习的内容，现在看 GitHub 代码似乎有些眉目了，所以写下来了:)