AI cacat oleh desain. Bukan karena niat jahat atau apa pun, tetapi karena itu mencontohkan realitas dan realitas bersifat probabilistik. Kebenaran menjadi apa pun yang diputuskan oleh bobot. Ini adalah masalah LLM, mereka hanya memprediksi token berikutnya. Dengan mengikuti pola linier untuk kueri, itu mencocokkan, mengenali, mencerminkan respons yang cocok. Anda meminta tiga item; itu memberikan empat. Mengapa ini? Bias pengetahuan parametrik muncul: data pelatihan yang kuat mengesampingkan kueri yang lemah, menggabungkan sumber sampai model percaya kompresinya sendiri terhadap dunia. Pernahkah Anda menanyakan AI dan Anda mendapatkan jawabannya, 'Saya tidak tahu' Itu jarang terjadi atau mungkin tidak pernah terjadi. Karena konsep seperti itu tidak menyadari mereka. Mereka tampaknya tahu segalanya bahkan dalam subjek yang berada di luar domain mereka. AI mengembangkan sistem berdasarkan prinsip komputasi Neuromorfik yang meniru mekanisme fisik memori dan keraguan manusia. Pertanyaan yang kompleks biasanya menjadi korban dari keadaan seperti itu – mereka disambut oleh halusinasi yang mencengangkan. Mengapa? >> Kesalahan peracikan dalam langkah-langkahnya >> Kurangnya struktur masalah >> Gangguan konteks yang tidak relevan @SentientAGI memiliki solusi - ROMA [Agen Meta Terbuka Rekursif] → Orkestrator. Dalam permainan tugas cakrawala panjang, struktur lebih penting daripada kecerdasan. ROMA memahami hal ini oleh karena itu mengadopsi rantai perintah rekursif-hierarkis yang mempertahankan aliran konteks. Bagaimana cara kerja ROMA - bos terakhir untuk menangani tugas cakrawala panjang? ROMA memberi agen perancah rekursif—pohon tugas hierarkis yang mengontrol bagaimana konteks mengalir. Setelah aliran konteks rusak, anarki merayap masuk. Jadi ROMA diberlakukan untuk mengelola aliran konteks. Untuk menangani ini secara efektif, ROMA; Memisahkan & menguraikan tugas menjadi sub agen berbeda yang dikenal sebagai node, terutama tugas yang dianggap rumit. Mari kita sebut ROMA sebagai manajer AI yang mengelola AI lain. Dalam gambar sederhana, berikut strukturnya: Node induk: agen tingkat tinggi yang menerima tujuan kompleks Anda. => Mereka memecahnya menjadi subtugas dan meneruskannya ke node anak (agen/alat yang lebih sederhana). => Node turunan memecahkan bagian mereka, mengirim hasil kembali ke node induk. => Simpul induk menggabungkan solusi dan menggabungkannya menjadi jawaban akhir. Pertanyaan terpecahkan! Empat jenis node yang menggerakkan sistem ROMA: >> Alat Penyemprot – Anggukan Penentu. Menilai tugas. Menentukan apakah mereka cukup sederhana untuk dieksekusi? Atau apakah perlu dekomposisi? >> Planner –Jika tugas membutuhkan dekomposisi – memecah tujuan kompleks menjadi subtugas. Setiap subtugas menjadi simpul turunan. Tugas dapat berjalan secara berurutan (saat tergantung) atau secara paralel (saat independen). >> Pelaksana – Melakukan pekerjaan. Alat panggilan, agen, API. Meneruskan output ke atas atau ke bawah pohon sesuai kebutuhan. >> Aggregator – Mengumpulkan hasil dari node anak, memverifikasi konsistensi, mensintesis jawaban akhir. Berikut ilustrasi 👇 komprehensifnya Pertanyaan: "Berapa banyak film anggaran $350 juta+ yang bukan yang terlaris di tahun rilisnya?" Proses ROMA: 1/ Pemeriksaan alat penyemprot - Node Penentu. Terlalu rumit untuk satu langkah? Alat penyemprot masuk. 2/ Perencana. Tujuan terlalu rumit? Perencana masuk, menguraikan: Subtugas 1: Temukan semua film $350 juta+ (judul, anggaran, tahun) Subtugas 2: Temukan film terlaris per tahun Subtugas 3: Referensi silang dan filter 3/ Eksekutor menjalankan setiap subtugas (API pencarian, model ekstraksi) 4/ Agregator mensintesis: daftar bersih kriteria pencocokan film. Selain rumus loop rekursif node ROMA, itu menambahkan lapisan kejernihan ekstra untuk ussr & builders. Manusia-dalam-lingkaran = intervensi pengguna. Fitur mekanisme umpan balik yang melekat yang memungkinkan pemberian tanpa izin kepada pengguna untuk memeriksa kondisi kueri mereka. Ini terjadi tepat setelah tahap perencanaan. "Saya menemukan fakta-fakta ini. Apakah mereka benar? Saya merencanakan substack ini - apakah mereka selaras dengan apa yang Anda inginkan?" Hal ini memungkinkan pengguna untuk memperbaiki, mengedit, atau menambahkan konteks sebelum agen melanjutkan.

Pelacakan Panggung - Untuk Pembangun Untuk pengembang yang membangun atau men-debug agen. Pelacakan panggung mengekspos penalaran internal: >> Input apa yang diterima node ini? >> Output apa yang dihasilkannya? >> Di mana konteks hilang atau terdistorsi? Pembuat menggunakan transparansi ini untuk: >> Mendiagnosis di mana kegagalan terjadi. >> Menyempurnakan perintah pada simpul tertentu >> Tukar agen/alat berkinerja buruk. Fitur ini membantu pengguna menangkap kesalahan secara real time, dan pembuat memperbaiki masalah sistematis pada tingkat arsitektur. Penggunaan Dunia Nyata Pencarian ROMA sebagai bukti konsep yang memanfaatkan semua arsitektur ROMA dengan SEAL-0, tes untuk tolok ukur penalaran multi-sumber yang kompleks dibatasi pada akurasi 45,6% (canggih) terbaik sebelumnya (Kimi Researcher): 36%, Gemini 2.5 Pro: 19,8%, saingan sumber terbuka terbaik: 8,9%.