Meta
面向特定合规领域的专家知识Agent与反馈修正闭环
企业原始材料
互联网/企业合规
企业内部AI改造
⚙ 技术方案
深度案例｜关键链路较完整
A级证据
特定领域内部系统/持续迭代
A
证据等级
An Organizational Second Brain: Building an AI That Learns From Experts
证据等级衡量“能否定位和复核来源”，不评价厂商披露是否经过第三方审计。
深度案例｜关键链路较完整
12 / 12
业务背景2 / 2
改造流程2 / 2
技术工作流2 / 2
人机与治理2 / 2
量化结果2 / 2
来源定位2 / 2
六个维度均达到当前完整度标准。
业务问题
在特定合规领域，专家需要查阅大量组织立场、历史判断与外部材料才能完成评估。关键知识往往散落在文档或专家脑中，简单RAG每次仍要从原始片段重新推断规则，导致评估耗时、解释不一致，也难以把一次人工纠错可靠地保存下来。
解决方案
Meta团队将200多个文件整理为立场、术语、路由和准入规则，使用YAML依赖关系形成可追踪知识图；高密度常用知识进入结构化wiki，稀疏资料按需RAG检索。另以可组合recipe规定分析步骤，与知识事实分离。专家在检查点审核或对模糊问题升级；纠错再经根因归类、最小文件修补、盲测回放、回归测试和专家批准后合并。
技术架构与生产工作流
Step 01
离线整理内部与外部资料，形成200多个立场、术语、路由和准入文件
→
Step 02
每个文件用YAML声明适用场景、depends_on与referenced_by，便于依赖追踪
→
Step 03
常用高密度知识进入结构化wiki，低频参考资料通过语义或词法RAG检索
→
Step 04
顶层recipe选择下游分析步骤，按阶段加载必要知识和指令
→
Step 05
关键检查点向专家展示中间分析，证据不充分或存在歧义时升级
→
Step 06
从专家纠错中区分知识缺口、流程缺陷与真正歧义，生成最小补丁
→
Step 07
独立评审、结构lint、盲测回放和回归测试后提交人工审核PR
关键技术与基础设施组件
结构化知识wikiYAML双向依赖图RAG检索可组合recipe工作流专家检查点与升级自动纠错编译管线确定性lint盲测回放与回归测试
人机分工与责任边界
领域专家负责在关键检查点确认、纠正或改写分析，并对真正模糊的判断作决定；自动修改只形成待审差异和证据链，由专家审核后才能进入知识库。独立评审Agent与确定性结构校验用于发现冲突，但不能取代专家最终责任。
FDE 动作拆解
- 选择一个判断标准密集、专家负荷高的合规领域
- 先从既有文档与专家判断中提炼可审查的组织立场，而非直接全量检索
- 把知识事实和分析程序拆开，建立路由与依赖关系
- 将专家介入点和歧义升级条件写入流程
- 把每次纠错诊断成知识、流程或歧义问题，再做最小修改
- 要求独立检查、原场景回放、回归测试和专家批准后上线
可迁移复用的落地方法论
- 专家知识应编码为可版本化、可审计的事实与程序，而非只依赖向量索引
- 对高风险判断，纠错流程比自动生成答案更值得工程化
- 让专家纠错变成带回归用例的版本化变更
- 内部效率提升数字需说明样本和基线缺口
业务成效与交付成果
Meta工程文章称，3个开发冲刺、约6周后，单次评估由数天缩至数分钟；改为分阶段recipe后，每轮消耗的token约减少80%；团队报告改进周期中没有回归。文章未给出评估样本量、完整时间基线、回归测试数量或独立审计。
证据边界与核验记录
- 这是Meta特定合规领域的系统，不应与另一个面向知识工作者的Second Brain项目混同。
- 数天到数分钟没有公开样本量和统计口径；零回归也没有公开测试总量。
- 文中没有证明组织级普遍上线，故记为特定领域内部系统而非全公司规模化部署。