Meta cria 'segundo cérebro' organizacional que aprende com especialistas

O problema do conhecimento especialista preso em pessoas

A Meta descreve a construção de um agente de IA que funciona como um "segundo cérebro" organizacional: um especialista secundário para um domínio de compliance, capaz de preservar e disponibilizar conhecimento profundo de especialistas (SMEs) para qualquer pessoa da organização. A motivação é um problema comum em grandes empresas: parte do conhecimento existe em documentos, mas o mais valioso permanece implícito na cabeça dos especialistas. Em domínios de compliance, avaliações manuais levam dias, e inconsistências entre avaliações criam risco organizacional. Frequentemente, especialistas gastam mais tempo respondendo perguntas rotineiras do que em trabalho genuinamente ambíguo, onde seu julgamento importa mais.

A arquitetura se apoia em duas camadas integradas: uma arquitetura de conhecimento estruturada e auditável, que separa o que o agente sabe de como ele raciocina, e um ciclo de automelhoria que compila feedback de especialistas em atualizações verificadas e testadas contra regressões - sem retreinamento do modelo.

O "segundo cérebro" de conhecimento

Modelos LLM genéricos, segundo os autores, não distinguem o que uma organização poderia fazer do que ela deveria considerar fazer. Para fechar essa lacuna, um processo offline de longa duração destila documentos-fonte em arquivos de conhecimento estruturados, com interpretações, restrições e implicações de roteamento legíveis por máquina. A Meta cita convergência com o LLM Wiki de Andrej Karpathy e o Open Knowledge Format do Google, mas estende esses princípios com exigência de fidelidade de citação, organizando mais de 200 arquivos em uma taxonomia estrita: arquivos de posição (posturas oficiais com condições de contorno), arquivos de taxonomia e vocabulário (glossário autoritativo), índices de roteamento (recuperação determinística e auditável, sem depender só de similaridade de embeddings) e arquivos de gateway (testes de limiar antes de entrar em um domínio analítico). Cada arquivo declara dependências e consumidores em YAML, formando um grafo bidirecional que permite rastrear o impacto de mudanças.

A partição entre wiki curada e RAG se dá por densidade de informação e frequência de uso: fontes densas e consultadas quase sempre ficam na wiki; material esparsos e situacionais ficam em busca semântica ou lexical.

Receitas combináveis e controle humano

O raciocínio do agente é capturado em "receitas": procedimentos imperativos de múltiplas etapas, compostos em pipelines como sub-receitas de um chef. A separação entre conhecimento (declarativo) e metodologia (imperativo) permite atribuir falhas a uma camada específica. Essa estruturação também viabiliza divulgação progressiva: em vez de carregar tudo em cada consulta, cada etapa carrega apenas o necessário, reduzindo o consumo de tokens por rodada em cerca de 80% em relação a uma versão anterior com arquivo único de instruções.

Especialistas humanos permanecem no controle por meio de checkpoints (pontos definidos em que o agente expõe o raciocínio intermediário para revisão) e escalonamentos (casos de ambiguidade genuína entregues ao especialista). Esses mecanismos servem simultaneamente ao controle de qualidade, como sinal de treinamento para o ciclo de melhoria e à calibração de confiança.

O ciclo de automelhoria

O componente mais distintivo trata a manutenção da base de conhecimento como um problema de compilação. Cada correção de especialista passa por quatro fases: diagnóstico da causa raiz (o material continha a resposta certa? se sim, é falha de receita; se não, é lacuna de conhecimento; se especialistas divergem, é ambiguidade), compilação em edições mínimas por sub-agentes com revisão adversarial independente e validação estrutural determinística via linter, avaliação em duas etapas (replay cego do cenário original com juiz independente e testes de regressão por benchmark) e revisão humana do pull request antes da integração. Cada correção corrigida é adicionada à suíte de regressão, tornando o ganho permanente.

Resultados e aplicabilidade

Após três sprints de desenvolvimento em seis semanas, a Meta relata: SMEs avaliaram as saídas como úteis quase sempre, redução de dias para minutos no tempo de avaliação individual, edições de conhecimento validadas automaticamente em ritmo que antes exigia sprints completos de engenharia e zero regressões nos ciclos de melhoria. Os autores dizem que especialistas relatam que o agente trata a maior parte do trabalho analítico.

A arquitetura é apresentada como independente de domínio, aplicável onde há conhecimento tribal, necessidade de consistência, volume acima da capacidade dos especialistas e LLMs genéricos insuficientes - como compliance regulatório, risco financeiro, revisão de segurança e padrões de engenharia. O princípio central: manter a complexidade em arquivos de texto legíveis por humanos e agentes, versionados e reversíveis, em vez de pesos de modelo ajustados, para que o esforço dos especialistas se acumule permanentemente.