ROMA

ROMA는 모든 작업을 하나의 노드로 모델링하며, 이 노드는 실행하거나 스스로를 하위 작업으로 쪼개거나 자식들의 결과를 합친다. 같은 판단 로직이 각 단계에서 돌아가므로 트리는 문제가 요구하는 만큼 깊어진다. 이 재귀가 핵심 발상이고, 덕분에 하나의 프레임워크가 단일 질문과 수십 개 부품이 얽힌 작업을 함께 감당한다.

Atomizer는 작업이 직접 풀 만큼 작은지 판단한다. Planner는 나머지를 순서가 있는 하위 작업으로 쪼갠다. Executor는 원자 단위 조각을 실행하며 필요할 때 도구를 부른다. Aggregator는 자식 결과를 부모 작업의 답으로 끌어올리는데, 날것을 쏟아내는 게 아니라 답의 형태로 만든다. 선택 사항인 Verifier는 최종 답이 원래 목표에 맞는지 내보내기 전에 검사한다.

모든 노드가 입력과 출력을 기록하니, 실행이 끝난 뒤에도 전체를 살펴볼 수 있다. 추론이 어떻게 펼쳐졌는지, 어디서 프롬프트가 어긋났는지, 어느 에이전트가 부실한 결과를 냈는지 보인다. 이 추적이 디버깅과 프롬프트 조정을 실용적으로 만들고, 내부 단계를 감추는 프레임워크와 갈리는 지점이기도 하다.

각 노드는 서로 다른 모델이나 제공자, 전략으로 돌릴 수 있고, 트리의 나머지를 건드리지 않고 도구를 붙이거나 에이전트를 바꿔 끼운다. 툴킷은 파일 조작, 계산기, E2B를 통한 코드 실행, 웹 검색, 암호화폐 데이터, 모든 MCP 서버를 아우른다. 기존 DSPy 예측 전략도 chain-of-thought부터 ReAct, CodeAct까지 선택지로 열려 있다.

형제 하위 작업이 서로 의존하지 않으면 ROMA는 같은 시각에 돌려 큰 작업을 빠르게 유지한다. 이 에이전트 오케스트레이션은 어느 노드든 사람이 끼어들게도 한다. 사실을 검증하고, 맥락을 더하고, 실행이 이어지기 전에 계획을 확인할 수 있다.

Sentient는 이 프레임워크 위에 ROMA Search를 만들고, 다중 출처 추론을 위한 SEALQA 벤치마크의 어려운 구간인 SEAL-0에서 측정했다. Sentient에 따르면 45.6% 정확도를 기록해 Kimi Researcher의 36%를 앞섰고 Gemini 2.5 Pro의 19.8%를 두 배 이상 넘어, 출시 당시 최고 수준이었다.

빠른 시작은 데이터베이스 없이 돌아가 실험에 맞는다. 실제 배포에서는 Docker 구성이 영속성과 확인 지점용 PostgreSQL, 대화형 문서가 있는 FastAPI 서버, 실험 추적용 MLflow, 대용량 출력용 S3 호환 저장소를 더한다.