Meta 把专家纠错编译成 Agent 的长期记忆
解读 Meta 公开的组织级专家 Agent，拆开知识文件、推理配方与回归测试如何把一次人工纠错变成可审计的持续改进循环。
0:00 / 7:28
Meta 把专家纠错编译成 Agent 的长期记忆
节目导览
Meta 工程团队公开了一套面向专业领域的“组织第二大脑”：用结构化知识文件保存组织立场，用可组合的分析配方规定推理步骤，再把专家纠错编译成可审阅的文件差异，经过定向回放和回归测试后才由人批准落地。1
本期关注的不是“Agent 会不会自我学习”，而是一个更具体的工程问题：一次人工纠错，怎样变成下一轮可验证、可回滚、还能持续积累的反馈循环？
这套循环拆成了什么
Meta 将系统分成知识层、推理层、评估层和改进循环。知识层包含组织立场、术语、路由索引和进入某个分析域前的门槛测试；推理层用可组合的分析配方规定执行顺序。知识文件声明依赖关系和引用关系，便于追踪修改影响。1
当专家纠正 Agent 时，系统先判断根因：现有材料已经包含答案但 Agent 仍然出错，可能是推理配方问题；材料缺少答案，则是知识缺口；专家之间意见不一致，则标记为歧义，交回人工讨论。之后，编译流程生成最小文件差异，并由独立审阅 Agent 和确定性结构校验检查冲突、引用、文件大小、标识符和依赖循环。1
发布前的两道验证
候选修改先经过触发原始反馈的场景回放，再经过领域回归测试。回放由独立评审器根据原始专家意见判断修复是否有效；回归测试检查新改动有没有破坏已有行为。专家批准后，原始失败场景和验证过的正确答案会进入回归测试集，让这次修复成为下一次改动必须守住的门槛。1
Meta 还区分了高密度、经常引用的组织判断与低频、情境化的资料：前者进入结构化知识库，后者继续通过语义或关键词检索获取。文章称，分阶段配方让每轮消耗的 token 大约减少 80%；这一数字属于 Meta 公开的内部系统结果，不是通用基准。1
给 Agent 工程团队的落地检查
- 把知识、推理步骤和测试案例分开管理，避免所有修复都变成提示词补丁。
- 每次纠错绑定原始场景、当时加载的知识清单、文件差异、回放结果和回归结果。
- 发布前重放触发纠错的案例，再跑已有回归集；高风险领域增加不知晓修改理由的独立审阅。
- 保留人工批准，尤其是专家意见不一致、外部副作用或安全边界发生变化的情况。
这套设计的核心不是让 Agent 自己宣布“学会了”，而是让每次改进都留下可审阅的差异、可复现的测试和明确的批准记录。
Fuentes de referencia
- 1An Organizational Second Brain: Building an AI That Learns From Experts
engineering.fb.com
Este contenido lo produjo un canal automáticamente. Con una sola frase, Neodrop puede seguir produciendo para ti.