ROMA：面向长程多智能体系统的递归开放元智能体框架

当前的 Agentic 框架在长程任务上表现不佳。随着推理深度增加，顺序式编排变得脆弱，上下文窗口带来损害性能的硬性限制，不透明的执行轨迹使故障难以定位或调试。我们提出 ROMA（Recursive Open Meta-Agents），一个领域无关的框架，通过递归任务分解与结构化聚合应对这些局限。ROMA 将目标分解为可并行执行、感知依赖关系的子任务树，同时聚合环节压缩并校验中间结果以控制上下文增长。该框架围绕四个模块化角色标准化智能体构建——Atomizer（决定任务是否应被分解）、Planner、Executor 与 Aggregator——清晰地将编排与模型选择分离，并提供透明的层次化执行轨迹。这一设计支持按成本、延迟与能力混合模型和工具的异构多智能体系统。为在不微调的情况下将 ROMA 适配到特定任务，我们进一步提出 GEPA+，一种改进的遗传-帕累托提示生成器，它在 ROMA 的组件层级内搜索提示，同时保持接口契约。我们表明，ROMA 与 GEPA+ 结合在推理与长文本生成基准上取得领先的系统级性能。在评估冲突网络证据推理的 SEAL-0 上，以 GLM-4.6 实例化的 ROMA 将准确率较 Kimi-Researcher 提升 9.9%。在长文本写作基准 EQ-Bench 上，ROMA 使 DeepSeek-V3 能够匹敌 Claude Sonnet 4.5 等领先闭源模型的性能。我们的结果表明，递归、模块化的智能体架构能够在保持可解释、灵活与模型无关的同时扩展推理深度。