ROMA

ROMA 把每個任務看成一個節點，它可以直接執行、拆成子任務，或把底下節點的成果併回來。這種遞迴 agent 結構的同一套決策邏輯在每一層重複，樹就跟著問題需要長到多深。這種遞迴是核心想法，也是它能同時應付一個簡單問題和一個有數十個環節的大任務的關鍵。

Atomizer 判斷任務夠不夠小、能不能直接解。Planner 把剩下的拆成有序的子任務。Executor 逐項處理最小單位，需要時呼叫工具。Aggregator 把子節點的結果併成父任務的答案，而不是原封不動倒出來。選用的 Verifier 會在交付前，拿最終答案對照原始目標檢查一次。

每個節點都記錄輸入與輸出，整趟執行事後都能檢視。你能看到推理怎麼展開、提示詞在哪裡偏掉、哪個 agent 交出偏弱的結果。有了這條追蹤，除錯與調提示詞才實際可行，這也是它跟那些藏住內部步驟的框架最主要的差別。

每個節點可以跑不同的模型、供應商或策略，你要加工具或換 agent，不必動到樹的其他部分。工具組涵蓋檔案、計算機、透過 E2B 執行程式碼、網頁搜尋、加密貨幣資料，以及任何 MCP 伺服器。DSPy 的預測策略，從 chain-of-thought 到 ReAct、CodeAct，都開放當選項。

兩個同層子任務彼此不依賴時，ROMA 會同時執行，大任務因此維持速度。這種 agent 協作也讓人在任一節點介入，確認事實、補上背景，或核准計畫後再繼續。

Sentient 在這套框架上做出 ROMA Search，並在 SEAL-0 基準上實測。SEAL-0 是 SEALQA 裡偏難的一塊，專門測多來源推理。根據 Sentient，它達到 45.6% 準確率，贏過 Kimi Researcher 的 36%，也是 Gemini 2.5 Pro 的 19.8% 兩倍以上，發布當時站上領先位置。

快速上手完全不需資料庫，適合先試玩。真要部署時，Docker 設定會補上 PostgreSQL 持久化與檢查點、附互動文件的 FastAPI 伺服器、追蹤實驗的 MLflow，以及存放大型輸出的 S3 相容儲存。