Meta提出面向专业领域的组织第二大脑智能体架构

Meta提出了一套面向专业领域的AI智能体架构，目标是把专家的判断逻辑与专业知识沉淀为组织可共享、可复用的“第二大脑”。该方案目前用于合规场景，也可推广至安全、金融、工程和采购等领域，让组织成员能够随时调用专业经验并继续拓展应用。

与仅依赖文档存储或向量检索的领域智能体不同，这套系统把结构化、可审计的知识架构与自改进机制结合起来。整体由四层组成：整合机构知识的知识系统、分离知识和推理逻辑的推理管道、提供自动化基准的评估框架，以及负责将专家反馈转化为验证更新的自改进闭环，整个过程不需要重新训练模型。

知识系统由200多份按照严格分类法整理的结构化文件构成。其中，立场文件用于记录权威专业观点；分类法和词汇文件定义实体类型、活动类别、层级关系及组织术语；路由索引负责把输入指向相关文件，而不是单纯依赖向量相似度；网关文件则规定智能体在什么条件下可以安全使用某项专业知识。

推理层通过可组合的“配方”规定处理问题的步骤，包括先检查哪些内容、每一步加载哪些知识、采用何种决策程序，以及何时可以结束分析。配方还可以帮助区分问题究竟来自知识缺口，还是来自推理流程设计缺陷，从而为后续修正定位方向。

系统会在分析过程中设置预定义检查点，并要求人工介入，同时把存在歧义的案例提交给领域专家。专家发现问题后，系统会记录其根因：可能是知识遗漏、推理程序错误，也可能是不同专家之间确实存在分歧；相应的修正记录会被长期保留。

自改进机制的基础，是把机构知识放在模型权重之外，保存于版本可控的文本文件中，并由明确的推理程序调用。每项专家修正都会追溯到具体根源，被编译为尽可能小且经过验证的修改，随后接受人工审查、回放测试和回归测试。修正正式落地后还会加入回归测试集，使后续改进能够持续保留并降低重复出错风险。

Meta的评估显示，该方案将单项评估耗时从数天压缩到数分钟，领域专家认为输出几乎都具备实际使用价值。过去需要依靠工程迭代冲刺完成的知识更新，也被纳入自动化流程；经过多个改进周期后，系统实现了零回归。