OpenRath: Estado de ejecución centrado en sesiones para sistemas de agentes

Resumen

Los sistemas de agentes modernos a menudo sufren de un estado de ejecución fragmentado: las transcripciones, los efectos de herramientas, los eventos de memoria, la colocación en espacios de trabajo, la procedencia de ramificaciones y la evidencia de reproducción se registran por separado y resultan difíciles de inspeccionar o reproducir. OpenRath aborda este problema con un modelo de programación similar a PyTorch para sistemas multi-agente y multi-sesión. La analogía se refiere al papel de una abstracción central de ejecución de primera clase, no al cálculo tensorial. Su abstracción central es Session, el valor de ejecución que se pasa entre agentes y flujos de trabajo. Una Session es ramificable, inspeccionable, reproducible, consciente del backend y componible. Registra fragmentos de conversación, ubicación en espacios de trabajo, metadatos de linaje, uso de tokens, trabajo pendiente y evidencia de herramientas, al tiempo que define dónde las interacciones de memoria ingresan al registro de ejecución. Dado que este estado es transportado por el mismo valor utilizado en la ejecución del programa, la bifurcación, fusión y reproducción se convierten en operaciones de ejecución explícitas, en lugar de estados reconstruidos a partir de trazas externas. OpenRath además define Sandbox, Tool, Agent, Memory, Workflow y Selector, donde Selector convierte el flujo de control en decisiones enrutadas por la ejecución. Este informe presenta el modelo de programación, la arquitectura, los hitos auditados y el protocolo de evidencia. Sus afirmaciones se limitan a propiedades controladas de la ejecución, mientras que las comparaciones cuantitativas amplias, la calidad de los proveedores en vivo, la disponibilidad de backends opcionales y la calidad de la memoria se dejan para una evaluación posterior. La tesis central es que Session proporciona a los sistemas de agentes un valor de ejecución de primera clase para una composición auditable.

English

Modern agent systems often suffer from fragmented runtime state: transcripts, tool effects, memory events, workspace placement, branch provenance, and replay evidence are recorded separately and become difficult to inspect or reproduce. OpenRath addresses this issue with a PyTorch-like programming model for multi-agent, multi-session systems. The analogy concerns the role of a central first-class runtime abstraction, not tensor computation. Its core abstraction is Session, the runtime value passed between agents and workflows. A Session is branchable, inspectable, replayable, backend-aware, and composable. It records conversation chunks, sandbox placement, lineage metadata, token usage, pending work, and tool evidence, while defining where memory interactions enter the runtime record. Since this state is carried by the same value used in program execution, fork, merge, and replay become explicit runtime operations rather than states reconstructed from external traces. OpenRath further defines Sandbox, Tool, Agent, Memory, Workflow, and Selector, with Selector turning control flow into runtime-routed decisions. This report presents the programming model, architecture, audited milestones, and evidence protocol. Its claims are limited to controlled runtime properties, while broad quantitative comparisons, live-provider quality, optional-backend availability, and memory quality are left for follow-on evaluation. The central thesis is that Session provides agent systems with a first-class runtime value for auditable composition.