Meta 打造组织"第二大脑"：让智能体学会专家的推理方式

Meta 工程团队公开了一项实践：把机构内部的专家经验编码进一个面向特定合规（compliance）领域的智能体（Agent）。团队的出发点是，大型组织中最有价值的专业知识往往留在人的脑子里，很少被固化下来。在合规工作中，同类问题会在数百次产品评审中反复出现，专家评估需要数天的人工调研，而不同评估之间的不一致会带来真实的组织风险。

该系统由三部分组成：充当组织"第二大脑"的知识系统、复刻领域专家思考方式的推理层，以及让专家投入得以长期沉淀的自动改进流水线。整体架构分为四层，文章称这些层彼此依赖，去掉任何一层，其余部分都会退化。

知识提前蒸馏

Meta 认为，在推理阶段临时检索文档片段的做法，要求智能体每次运行都重新推导专家的思考过程，速度慢、易出错且前后不一致。为此，一个长时间运行的离线流程会通读源文档，把它们蒸馏成结构化的知识文件：以机器可读的方式写清组织如何理解本领域，包括约束、边界和路由含义。

200 多个文件被组织进一套严格的分类体系。每个文件在 YAML frontmatter 中声明自己的依赖项（depends_on）和被引用方（referenced_by），形成双向依赖图；某个文件变更时，可以追溯还有哪些文件会受影响。这对自我改进环路提出自动编辑很关键。同一环路还让智能体能够吸收人类专家的反馈，而无需重新训练底层模型。

知识在精编 wiki 与补充检索（RAG）之间按信息密度和预期使用频率划分：立场、决策框架、边界案例等几乎每一轮都要查阅的内容放进 wiki；详细参考资料、单个产品规格、历史决策记录和小众外部知识则通过语义或词法检索提供。

文章还提到 Andrej Karpathy 的 LLM Wiki 以及 Google 的 Open Knowledge Format，共同思路是知识应当预先抽取并显式结构化，而不是每次查询重新推导。在推理一侧，Meta 把专家方法论写成可组合的命令式流程，称之为 recipes，与声明式的知识文件形成对照。团队表示，这些模式可推广到金融、安全、工程等任何依赖深度专业知识的企业领域。

详情见 Engineering at Meta 博客。