探討 Sentient ROMA 在 @SentientAGI 的排行榜上，我發現文章的質量似乎也相當重要。因此，我想寫寫我認為在 Sentient 中技術實力最強的 ROMA。 1. ROMA 不是 AI 模型。 - ROMA 精確來說是 Multi-agent，即多個 AI 代理層次性、遞歸性地參考各代理的值，從而引導出最可信、準確的答案的框架。在 GitHub 的 Readme 中，通常可以看到這些代碼的基本有機關係，我們常見的 AI 模型如 GPT、Gemini 等的 API 金鑰會被輸入來使用。 2. 那麼核心是什麼？ - 就是 Atomizer、Executor、Planner、Aggregator 四種角色分工。當有任務時，決定是用一個還是多個來處理（Atomizer），然後決定如何解決（Planner），接著按照計劃執行（Executor），最後再進行匯總（Aggregator）以返回答案。此外，還可以選擇通過驗證者（Verifier）來驗證答案的步驟作為選項。 3. 只使用一個模型嗎？ - 不是的。參考 Quickstart 代碼可以看到，除了 Executor，其他都明確指定了各自的模型。（例如：gpt-4o-mini，gemini-2.5-flash）這樣看來，並不是使用一個模型，而是使用多個模型來得出最佳答案。 4. 答案會一直相同嗎？ - 這也不是。每個 AI 模型對於同一任務的執行結果都不同，並且如何調整參數，即如何進行微調，也會有所不同。例如，最具代表性的 Temperature 參數範圍是 0-2，越接近 0 的話，答案越一致；越接近 2 的話，每次執行會給出不同的答案。最終，使用者如何設置這些參數將會對性能產生很大的影響。 最近我偶然有機會開發 AI 代理，當時不斷運行 AI 進行學習的內容，現在看 GitHub 代碼似乎有些眉目了，所以寫下來了:)