ROMA

O ROMA trata cada tarefa como um nó que pode executar, se dividir em subtarefas ou juntar o trabalho dos filhos. A mesma lógica de decisão roda em cada nível, então a árvore cresce tão fundo quanto o problema exigir. Essa recursão é a ideia central, e é o que permite a um único framework lidar tanto com uma pergunta simples quanto com um trabalho de dezenas de partes.

O Atomizer decide se uma tarefa é pequena o bastante para resolver direto. O Planner quebra o resto em subtarefas ordenadas. O Executor resolve cada parte atômica, chamando ferramentas quando precisa. O Aggregator devolve os resultados dos filhos como uma resposta para o nó pai, não como um despejo cru. Um Verifier opcional confere essa resposta final contra o objetivo original antes de entregá-la.

Cada nó registra suas entradas e saídas, então toda a execução pode ser revisada depois. Você vê como o raciocínio se desenrolou, onde um prompt se desviou e qual agente gerou um resultado fraco. Esse rastro é o que torna prático depurar e ajustar prompts, e é a principal diferença em relação a frameworks que escondem seus passos internos.

Cada nó pode rodar em um modelo, provedor ou estratégia diferentes, e você pode anexar ferramentas ou trocar agentes sem mexer no resto da árvore. Os kits cobrem arquivos, uma calculadora, execução de código com E2B, busca na web, dados de cripto e qualquer servidor MCP. As estratégias de predição do DSPy, do chain-of-thought ao ReAct e ao CodeAct, aparecem como opções.

Quando duas subtarefas irmãs não dependem uma da outra, o ROMA as roda ao mesmo tempo, o que mantém rápidos os trabalhos grandes. Essa orquestração de agentes também deixa uma pessoa intervir em qualquer nó para verificar dados, acrescentar contexto ou confirmar o plano antes de continuar.

A Sentient construiu o ROMA Search sobre o framework e o mediu no SEAL-0, uma parte difícil do benchmark SEALQA para raciocínio com várias fontes. Segundo a Sentient, ele atingiu 45,6% de precisão, à frente do Kimi Researcher com 36% e mais que o dobro dos 19,8% do Gemini 2.5 Pro, o que o deixou como o estado da arte no lançamento.

O início rápido roda sem nenhum banco de dados, o que cai bem para experimentar. Em implantações reais, uma configuração de Docker acrescenta PostgreSQL para persistência e pontos de verificação, um servidor FastAPI com documentação interativa, MLflow para acompanhar experimentos e um armazenamento compatível com S3 para saídas grandes.