Thought Tree: un framework abierto de «programación cognitiva» para flujos de trabajo modulares con LLMs

Por GitHub (RobertBateman/thoughttree-framework) · 27 de junio de 2026.

Robert Bateman ha publicado en GitHub el repositorio `thoughttree-framework`, una propuesta conceptual y parcialmente prototipada para lo que denomina «programación cognitiva» con LLMs. El proyecto no es un producto terminado: el propio autor lo etiqueta explícitamente como una *handoff release*, es decir, una entrega abierta para que la comunidad lo recoja, critique, bifurque o reimplemente, dado que él no puede continuar por compromisos familiares, laborales y recuperación del burnout.

**La idea central: Data Units → Operations → Data Units**

El núcleo del framework es sorprendentemente sencillo en su abstracción: todo trabajo cognitivo asistido por LLMs puede describirse como un grafo de transformaciones sobre artefactos nombrados. Un *Data Unit* es cualquier artefacto discreto (documento fuente, registro de requisitos, borrador de capítulo, informe de revisión). Una *Operation* transforma uno o varios Data Units en nuevos Data Units. Un *Module* agrupa operaciones en un programa cognitivo reutilizable. Un *Cognitive Engine* (motor cognitivo) sería el compilador y runtime que ejecuta ese grafo.

A diferencia de un simple prompt o de una cadena de llamadas a LLM, Thought Tree pretende que cada paso del proceso sea explícito, inspeccionable y trazable: cada artefacto intermedio queda registrado, cada operación tiene entradas y salidas declaradas, y el sistema puede mezclar LLMs, funciones deterministas, herramientas externas y revisión humana dentro del mismo flujo.

**TTML: Thought Tree Markup Language**

La representación concreta propuesta es TTML, un formato XML. El README incluye un ejemplo mínimo funcional: un módulo de resumen de artículo con tres operaciones secuenciales (DraftSummary → ReviewSummary → ReviseSummary), donde cada operación declara sus FileRefs de entrada y su artefacto de salida. El autor reconoce que TTML es solo una representación posible y que formatos alternativos (YAML, JSON, grafos visuales) son perfectamente viables sobre el mismo modelo subyacente, denominado *Thought Tree Program Model*.

La especificación TTML está en la versión 0.12.0 de borrador, sin esquema estable ni importador de referencia.

**Estado real del proyecto: honesto y escueto**

Bateman es explícito sobre lo que falta, y la lista es larga: esquema TTML estable, importador TTML, motor cognitivo de referencia, runner CLI, compilador de grafos de ejecución, resolución de iteradores y colecciones, detección de colisiones de salida, formato de traza de ejecución, formato de contratos semánticos, sistema de validación, registro de módulos, tests de conformidad, herramientas de autoría, visualización, modelo de seguridad y gobernanza, e implementación en producción.

Existen dos prototipos parciales, ambos en C#/Unity: - Un *proof of concept* temprano que no usa TTML sino un array hardcodeado de prompts, pero que demostró que el modelo pipeline podía generar una novela de 50.000 palabras a partir de una descripción de 500 palabras. - Un prototipo posterior de Cognitive Engine que puede conectarse a Anthropic, OpenAI y LLMs locales vía KoboldCPP, y ejecuta operaciones TextCompletion básicas, pero carece de importador TTML estable, compilación de grafos, contratos, puertas de validación o sistema de trazas.

El repositorio tiene 3 estrellas, 0 forks y 0 issues en el momento de su publicación en Hacker News, con 1 punto y 0 comentarios. Es un proyecto muy incipiente.

**Nota sobre GPT-5.5**

El autor menciona explícitamente que GPT-5.5 le asistió en la documentación y en la adición de los conceptos de contratos semánticos y colecciones al framework. Esto es un dato contextual notable para la fecha (junio de 2026), que informa sobre las herramientas disponibles para proyectos de este tipo.

**Diferencias declaradas con frameworks existentes**

Bateman compara Thought Tree con varias aproximaciones: - *Frente a prompts simples*: un prompt pide una respuesta; Thought Tree define el proceso por el que esa respuesta debe producirse, revisarse, corregirse y trazarse. - *Frente a cadenas de prompts*: las cadenas conectan llamadas al modelo pero sin artefactos nombrados, dependencias explícitas, validación ni trazas. - *Frente a agentes autónomos*: los agentes son flexibles pero difíciles de predecir, depurar o auditar; Thought Tree favorece estructura explícita: proceso definido → plan inspeccionable → ejecución controlada → artefactos preservados → salida trazable. La planificación dinámica es posible pero los planes generados deben validarse y registrarse. - *Frente a herramientas de workflow tradicionales*: estas son buenas para procesos deterministas; Thought Tree está diseñado para trabajo cognitivo híbrido donde los LLMs manejan la ambigüedad semántica y el código maneja la estructura.

El autor invita a comparar Thought Tree con LangGraph, AutoGen, CrewAI, Semantic Kernel y otros frameworks de agentes, reconociendo que no ha hecho esa comparación en profundidad.

**Casos de uso propuestos**

El README lista varios casos de uso para tareas cognitivas complejas donde importan la calidad, la trazabilidad y la iteración: transformar notas dispersas en documentación formal, generar documentos de diseño técnico, recuperar conocimiento de proyectos legacy, preparar paquetes de auditoría o cumplimiento normativo, generar y revisar contenido creativo, redactar ficción de largo aliento, extraer requisitos de documentos fuente, producir informes de investigación recurrentes, y generar y mejorar otros módulos Thought Tree.

**Estructura del repositorio**

El repositorio incluye documentación conceptual extensa (README, HANDOFF.md, STATUS.md, ROADMAP.md, CONTRIBUTING.md, GOVERNANCE.md), una carpeta `docs/` con explicadores de arquitectura, modelo de programa, semántica de ejecución, contratos semánticos y guía de autoría, una carpeta `spec/` con borradores de TTML, esquemas XSD y JSON, una carpeta `examples/` con ejemplos de workflows (resumen de artículo, generación de novela, TDD para videojuego, análisis de brechas de cumplimiento), y una carpeta `prototypes/` con los dos prototipos en Unity. La licencia del código es MIT; la documentación y especificación es CC0.

**Implicaciones para la IA agéntica**

En general, el problema que Thought Tree intenta abordar es real y reconocido en el sector: los flujos de trabajo con LLMs para tareas cognitivas complejas suelen ser frágiles, opacos y difíciles de auditar. La tendencia hacia representaciones explícitas de grafos de agentes (visible en frameworks como LangGraph de LangChain, o el Model Context Protocol de Anthropic) apunta en una dirección similar: separar la definición del flujo de su ejecución, y hacer inspeccionables los artefactos intermedios.

Lo que distingue la propuesta de Bateman es el énfasis en artefactos cognitivos nombrados (documentos, registros, borradores) como ciudadanos de primera clase del programa, y la aspiración a una independencia del proveedor de modelo mediante un motor cognitivo separado. La analogía con un compilador (el Cognitive Engine como compilador y runtime de programas cognitivos) es conceptualmente limpia.

Sin embargo, el proyecto enfrenta el desafío habitual de las propuestas de «nuevo lenguaje/framework»: necesita masa crítica de adopción para validar el diseño, y competir con ecosistemas ya establecidos (LangChain, AutoGen, CrewAI, Semantic Kernel) que tienen comunidades activas, financiación y miles de integraciones.

**Evaluación honesta**

Con 3 estrellas, 0 forks y un autor que se retira, Thought Tree es actualmente una propuesta conceptual bien articulada pero sin tracción. Su valor inmediato es como punto de referencia intelectual para diseñadores de workflows cognitivos, no como herramienta lista para producción. La decisión de liberarlo bajo CC0 y MIT, con documentación honesta sobre su estado, es una práctica encomiable que al menos preserva las ideas para que otros puedan construir sobre ellas o inspirarse en ellas.