devgo.cn你所在的组织里，最值钱的知识往往不在文档里，而在几个资深专家的脑子里。合规领域尤其典型：同样的问题会在数百个产品评审中反复出现，专家评估要花几天手工研究，评估不一致还会带来组织风险。专家们大量时间被例行问题占用，真正需要判断力的模糊问题反而没时间处理。Meta 的工程师也面临同样困境，他们的解法不是招更多专家，而是构建了一个 AI agent（智能代理，能自主完成任务的 AI 程序）——一个能像领域专家一样思考、并且能从专家反馈中持续学习的“第二大脑”。
这个系统最反直觉的地方在于：它不重训底层 LLM（大语言模型），却能让 AI 越用越懂行。核心是把“知识”和“推理”分开管理，再加一个自动改进循环。整个架构分四层：知识系统负责存放组织怎么解释这个领域；推理层负责按专家的思考方式做分析；评估框架给每次变更设门槛；改进循环把专家的零散纠正编译成永久更新。四层互相依赖，去掉任何一层，其他层都会退化。
先看知识系统。大型组织会积累成千上万份文档，但文档只是专家工作的副产品，真正的知识是隐式的：专家如何推理、如何排优先级、如何消除歧义。如果每次查询都靠模型从原始文档里现推，又慢又容易不一致。Meta 的做法是提前把隐式知识显式化：一个离线进程通读源文档，蒸馏成结构化知识文件，把组织对领域的解释、约束、边界和路由规则都变成机器可读的格式。整个知识库有 200+ 文件，按严格分类组织：Position files 记录组织对某个问题的权威立场；Taxonomy 和 vocabulary 文件是术语表；Routing indexes 根据输入特征决定该用哪些文件；Gateway files 设置进入分析领域前的门槛测试。每个文件在 YAML frontmatter（文件开头的元数据区）里声明依赖和消费者，形成双向依赖图，改一个文件就能追踪影响范围。
知识不是一股脑全塞进去。Meta 团队按信息密度和使用频率做了分区：高密度、频繁引用的内容放进 wiki，比如立场、决策框架、边界案例；稀疏、只在特定场景才需要的资料走 RAG（检索增强生成，先搜相关片段再让模型回答），比如产品规格、历史决策记录。这样 agent 的核心推理始终基于最精炼、最新的组织知识，需要时又能拿支持证据。
知识之外，还需要推理层。领域专家不是简单回忆事实，而是按情境组合判断规则。这个系统把专家的推理过程拆成可组合的 recipes（推理配方），让 agent 按显式步骤走，而不是黑盒生成。这样做的好处是：一旦出错，可以追溯到具体步骤，而不是对着模型输出猜原因。
最关键的改进循环。专家对 agent 的纠正不会只停留在一次对话里，而是被编译成经过验证、回归测试的更新，写回知识库。评估框架门控每个变更，确保新知识不破坏已有的一致性。这样一次纠正就变成永久、可累积的制度记忆，专家不用反复回答同样的问题。Meta 的领域专家（SME，Subject Matter Expert，即主题专家）因此省下大量时间，能专注于真正需要他们判断的工作。
这个模式能推广到任何有深度专家知识的领域：金融、安全、工程，只要领域知识能以文本形式检索，而不是锁在模型权重里。最让我意外的是，它把“组织记忆”从口号变成了工程系统：知识文件可审计、依赖关系可追踪、每次更新有回归测试。如果你想在自己团队落地，关键不是堆 RAG，而是先把专家的推理显式化，再设计一个能安全接受反馈的闭环。坑也很明显：自动编辑知识库必须有强评估框架把关，否则一个错误修正可能通过依赖图扩散到整个系统。
内容与图片版权归原作者所有 · 原文: https://engineering.fb.com/2026/09/02/ml-applications/organizational-second-brain-ai-learns-from-experts/