组织第二大脑：构建一个向专家学习的AI
内容提要
Meta构建了一个AI代理系统，作为组织的“第二大脑”，通过结构化知识库与推理层分离知识，并利用自我改进循环将专家反馈编译为验证更新，无需重训模型。该系统在合规领域显著节省专家时间，减少评估耗时，实现零回归，并适用于金融、安全等专业领域。
延伸解读
知识分层：为什么不是所有文档都进知识库
文章强调，组织积累的文档并不等于知识，真正的知识是专家如何推理和决策。系统将知识按信息密度和使用频率分层：高频、高密度的核心知识（如立场文件）放入结构化知识库，而低频、情境相关的资料（如具体产品规格）则通过RAG按需检索。这种设计避免了知识库臃肿和注意力稀释，确保代理的核心推理始终基于最精炼、最新的组织知识，同时又能按需获取支持性证据。
知识库与推理分离：让错误归因成为可能
系统将“知道什么”（知识文件）与“如何推理”（程序性配方）分离，这一设计带来关键优势：当代理出错时，可以清晰归因是知识错误还是程序错误。例如，如果源材料包含正确答案但代理仍出错，则是配方问题；如果材料本身缺少答案，则是知识缺口。这种分离还使得更新知识或修正方法时互不影响，降低了维护复杂度，并支持自动化编译和验证。
自我改进循环：从专家反馈到永久性知识
系统的核心创新在于将专家反馈转化为经过验证的知识库更新，无需重训模型。流程包括诊断根因、编译最小化编辑、对抗性审查和确定性校验、以及回归测试。每个修复都会自动加入回归测试套件，确保未来更新不会破坏已修正的行为。这种“飞轮”效应使专家努力永久累积，且每次改进都经过严格验证，实现零回归。
适用条件与局限：并非所有领域都适用
文章指出，该架构适用于专家知识以隐性形式存在、评估一致性重要、工作量超出专家容量、通用LLM分析不足的领域，如合规、金融风险、安全审查等。但采用此架构需要具备结构化知识系统、程序化推理层、自动化评估套件和人工介入检查点。若领域知识高度动态或难以文本化，或缺乏足够专家反馈，该模式可能难以落地。
Q&A
Meta 构建的“组织第二大脑”AI 代理系统是什么？
Meta 构建了一个 AI 代理系统，作为组织的“第二大脑”，它通过结构化知识库和推理层分离知识与推理，并利用自我改进循环将专家反馈编译为验证更新，无需重训模型。该系统旨在让组织内的任何人都能访问、共享和构建专家知识。
该系统如何在不重训模型的情况下从专家反馈中学习？
系统通过自我改进循环实现：专家反馈经过诊断、编译、验证和审查四个阶段，最终转化为对知识文件或食谱的编辑。每次修复后，原始失败场景和正确答案会被添加到回归测试套件中，确保未来更新不会破坏已修正的行为。
知识库中的文件是如何组织的？
知识库中的文件被组织成严格的分类体系，包括位置文件（记录组织的权威立场）、分类和词汇文件（定义术语）、路由索引（决定哪些文件适用）和网关文件（设置进入分析领域的门槛）。每个文件通过 YAML frontmatter 声明依赖和消费者，形成双向依赖图。
系统如何区分知识库和 RAG 的使用？
系统根据信息密度和预期使用频率进行划分：高密度、频繁引用的知识（如组织推理方式）放入 wiki，而稀疏、情境相关的资料（如详细参考材料）通过 RAG 提供。这样核心推理始终基于最新、最精炼的组织知识，同时能按需获取支持性证据。
什么是“食谱”（recipes）？它们如何工作？
食谱是可组合的程序，用于捕捉领域专家的分析方法。每个食谱规定多步骤的分析工作流，指定先检查什么、加载哪些知识、遵循哪些决策程序。食谱与知识文件分离，知识文件不包含程序，食谱不包含领域事实，从而清晰归因失败。
系统如何确保人类专家保持控制？
系统通过检查点和升级机制保持人类控制。检查点是分析中专家审查中间推理的固定点，升级在遇到真正歧义时触发，将问题交给专家决定。这些机制同时提供质量方向控制、训练信号和信任校准。
该系统在实际应用中取得了哪些成果？
经过六周三个开发冲刺，系统在合规领域取得了显著成果：领域 SME 几乎总是认为输出有用，个人评估时间从几天减少到几分钟，自动化自我改进产生的验证知识编辑速度远超以往，且改进周期中零回归。
该架构适用于哪些领域？
该架构适用于任何拥有深度专家知识的领域，如监管合规、协议遵守、金融风险评估、安全审查、工程标准合规和采购评估。其共同点是组织需要具有真正机构专业知识的 AI 系统，而不仅仅是通用知识。
