ROMA

ROMA modela cada tarea como un nodo que puede ejecutar, partirse en subtareas o unir el trabajo de sus hijos. La misma lógica de decisión corre en cada nivel, así que el árbol crece tan profundo como pida el problema. Esa recursión es la idea central, y es lo que permite que un solo framework maneje tanto una pregunta sencilla como un trabajo con decenas de piezas.

El Atomizer decide si una tarea es lo bastante pequeña para resolverla directo. El Planner parte el resto en subtareas ordenadas. El Executor resuelve cada pieza atómica y llama herramientas cuando hace falta. El Aggregator devuelve los resultados hijos como una respuesta para el nodo padre, no como un volcado en bruto. Un Verifier opcional comprueba esa respuesta final contra el objetivo original antes de entregarla.

Cada nodo registra sus entradas y salidas, así que toda la ejecución se puede revisar después. Ves cómo se desarrolló el razonamiento, dónde se desvió un prompt y qué agente produjo un resultado flojo. Ese rastro es lo que hace práctico depurar y afinar prompts, y es la diferencia principal frente a frameworks que esconden sus pasos internos.

Cada nodo puede correr en un modelo, proveedor o estrategia distintos, y puedes añadir herramientas o cambiar agentes sin tocar el resto del árbol. Los kits cubren archivos, una calculadora, ejecución de código con E2B, búsqueda web, datos de cripto y cualquier servidor MCP. Las estrategias de predicción de DSPy, desde chain-of-thought hasta ReAct y CodeAct, están disponibles como opciones.

Cuando dos subtareas hermanas no dependen entre sí, ROMA las corre al mismo tiempo, lo que mantiene rápidos los trabajos grandes. Esta orquestación de agentes también deja que una persona intervenga en cualquier nodo para verificar datos, añadir contexto o confirmar el plan antes de seguir.

Sentient construyó ROMA Search sobre el framework y lo midió en SEAL-0, una parte difícil del benchmark SEALQA para razonamiento con varias fuentes. Según Sentient, alcanzó un 45,6% de precisión, por delante de Kimi Researcher con 36% y más del doble del 19,8% de Gemini 2.5 Pro, lo que lo dejó como el estado del arte en el momento del lanzamiento.

El inicio rápido corre sin ninguna base de datos, ideal para experimentar. Para despliegues reales, una configuración de Docker añade PostgreSQL para persistencia y puntos de control, un servidor FastAPI con documentación interactiva, MLflow para seguir experimentos y un almacén compatible con S3 para salidas grandes.