Meta cria segundo cérebro corporativo de conhecimento auditável

Meta descreve um agente de IA que atua como especialista secundário em um domínio de conformidade. Ele integra uma arquitetura de conhecimento estruturada e auditável a um ciclo de autoaperfeiçoamento que compila feedback de especialistas em atualizações verificadas e testadas por regressão, sem retreinar o modelo. O padrão foi concebido para generalizar a domínios regidos por texto recuperável, e a empresa afirma que o sistema economiza tempo de especialistas no assunto (SMEs). O problema de partida é comum: parte do conhecimento especializado está em manuais e frameworks, mas a parcela mais valiosa fica na cabeça das pessoas. Em conformidade, perguntas semelhantes surgem em centenas de revisões, avaliações manuais levam dias e inconsistências geram risco organizacional. A arquitetura tem quatro camadas interdependentes: sistema de conhecimento, camada de raciocínio, framework de avaliação e ciclo de melhoria; remover qualquer uma degrada as demais.

Conhecimento e raciocínio

LLMs prontos precisam de contexto institucional para distinguir o que a organização poderia fazer do que deveria considerar. Um processo offline destila fontes em mais de 200 arquivos em taxonomia estrita: posições autoritativas, taxonomia e vocabulário, índices de roteamento que mapeiam a entrada para posições e procedimentos sem depender só de embeddings, e gateways com testes de limiar. Cada arquivo declara depends_on e referenced_by em frontmatter YAML, formando um grafo bidirecional. A divisão entre wiki curado e RAG segue densidade e frequência de uso.

Especialistas seguem metodologias, e o sistema as captura em 'receitas' compostas: procedimentos imperativos de várias etapas que especificam o que examinar e quais conhecimentos carregar. Receitas não contêm fatos de domínio; arquivos de conhecimento não prescrevem procedimentos. Adicionar posição exige novo arquivo e índice; corrigir metodologia exige editar a receita; falhas são atribuídas a uma camada. As receitas se compõem em pipelines. A divulgação progressiva reduziu o consumo de tokens por turno em cerca de 80% em relação à versão inicial. O controle humano ocorre por checkpoints, com raciocínio intermediário exposto para confirmação ou correção, e por escalonamentos em ambiguidade genuína ou evidências com mais de uma leitura defensável. O texto recomenda humano no loop por padrão em conformidade, risco financeiro, revisão de segurança e segurança de engenharia.

Ciclo de autoaperfeiçoamento

A manutenção da base é tratada como problema de compilação. Cada correção passa por quatro fases: diagnosticar o feedback em questões com causa raiz; compilar em edições mínimas verificadas; validar sem regressões; e revisar com especialistas. Na diagnose, uma primeira tentativa de classificar o feedback pela forma conversacional falhou. A abordagem atual separa extração e classificação: extrai sinais substantivos com o manifesto de conhecimento usado e aplica um teste - o agente poderia chegar à conclusão correta a partir de seus materiais? Se continham a resposta e ele errou, é problema de receita; se não continham, lacuna de conhecimento; se os especialistas discordam, ambiguidade. Na compilação, subagentes analisam impacto em paralelo. Duas escolhas dão confiabilidade: revisão adversarial independente, com um agente separado que recebe apenas os diffs e busca contradições e casos-limite quebrados; e validação estrutural determinística, com linter para referências pendentes, violações de tamanho, colisões e ciclos. Na avaliação, um replay direcionado testa o cenário original sem o agente saber, e um juiz separado compara a saída ao feedback original sem saber o que mudou; se falhar, a compilação é repetida. Testes de regressão rodam benchmarks de pergunta-resposta. Ao final, o pipeline produz um pull request com trilha de auditoria; após revisão, o cenário falho e a resposta validada entram na suíte de regressão.

Resultados e aplicação

Após três sprints em seis semanas, o texto relata que SMEs avaliaram as saídas como úteis quase sempre, o tempo de avaliação individual caiu de dias para minutos, o autoaperfeiçoamento automatizado produziu edições validadas em ritmo que antes exigia sprints de engenharia e houve zero regressões nos ciclos. Especialistas relataram que o agente faz a vasta maioria do trabalho analítico, liberando-os para casos genuinamente ambíguos. A arquitetura é apresentada como independente de domínio e aplicável onde o conhecimento é tácito, a consistência importa, o volume excede a capacidade humana e LLMs prontos produzem análises inadequadas. Os requisitos são sistema de conhecimento estruturado, camada procedural, suíte de avaliação automatizada e checkpoints humanos calibrados ao risco. O princípio é manter a complexidade em arquivos de texto legíveis: cada melhoria é uma edição revisável e reversível.