ROMA

ROMA modélise chaque tâche comme un nœud qui peut exécuter, se diviser en sous-tâches ou réunir le travail de ses enfants. La même logique de décision tourne à chaque niveau, donc l'arbre grandit aussi profond que le problème l'exige. Cette récursion est l'idée centrale, et c'est ce qui permet à un seul framework de gérer aussi bien une question simple qu'un travail à des dizaines de pièces.

L'Atomizer décide si une tâche est assez petite pour être résolue directement. Le Planner découpe le reste en sous-tâches ordonnées. L'Executor résout chaque pièce atomique, en appelant des outils au besoin. L'Aggregator renvoie les résultats des enfants comme une réponse pour le nœud parent, pas comme un simple déversement brut. Un Verifier optionnel contrôle cette réponse finale par rapport à l'objectif d'origine avant de la livrer.

Chaque nœud enregistre ses entrées et ses sorties, donc toute l'exécution est inspectable après coup. Vous voyez comment le raisonnement s'est déroulé, où un prompt a dérivé et quel agent a produit un résultat faible. Cette trace rend le débogage et le réglage des prompts pratiques, et c'est la principale différence avec les frameworks qui cachent leurs étapes internes.

Chaque nœud peut tourner sur un modèle, un fournisseur ou une stratégie différents, et vous pouvez attacher des outils ou échanger des agents sans toucher au reste de l'arbre. Les kits couvrent les fichiers, une calculatrice, l'exécution de code avec E2B, la recherche web, les données crypto et tout serveur MCP. Les stratégies de prédiction de DSPy, du chain-of-thought à ReAct et CodeAct, apparaissent comme options.

Quand deux sous-tâches sœurs ne dépendent pas l'une de l'autre, ROMA les exécute en même temps, ce qui garde les gros travaux rapides. Cette orchestration d'agents permet aussi à une personne d'intervenir sur n'importe quel nœud pour vérifier des faits, ajouter du contexte ou confirmer le plan avant que la suite reprenne.

Sentient a construit ROMA Search sur le framework et l'a mesuré sur SEAL-0, une partie difficile du benchmark SEALQA pour le raisonnement multi-sources. Selon Sentient, il atteint 45,6 % de précision, devant Kimi Researcher à 36 % et plus du double des 19,8 % de Gemini 2.5 Pro, ce qui en a fait l'état de l'art au moment du lancement.

Le démarrage rapide tourne sans aucune base de données, ce qui convient aux essais. Pour de vrais déploiements, une configuration Docker ajoute PostgreSQL pour la persistance et les points de contrôle, un serveur FastAPI avec documentation interactive, MLflow pour suivre les expériences et un stockage compatible S3 pour les grosses sorties.