Meta presenta su receta para agentes como 'segundo cerebro' organizativo

Meta ha publicado una entrada en su blog de ingeniería en la que detalla cómo construir agentes de IA que actúen como un "segundo cerebro" para una organización. El sistema, diseñado inicialmente para un dominio de cumplimiento normativo, captura el conocimiento de expertos y lo estructura para que cualquier empleado pueda consultarlo. La compañía asegura que la arquitectura es generalizable a áreas como seguridad, finanzas, ingeniería o compras.

La propuesta se aleja de los agentes tradicionales que dependen de la recuperación de documentos o de un modelo entrenado con datos estáticos. En su lugar, Meta combina una "arquitectura de conocimiento estructurada y auditable" con un bucle de auto-mejora que convierte las correcciones de los expertos en actualizaciones verificadas, sin necesidad de reentrenar el modelo.

El sistema se organiza en cuatro capas: un subsistema de conocimiento que consolida toda la información institucional; un pipeline de razonamiento que separa lo que el agente sabe de cómo razona; un marco de evaluación con benchmarks automáticos; y el mencionado bucle de mejora continua.

El conocimiento vive en archivos versionados

La capa de conocimiento extrae la pericia de más de 200 archivos estructurados, clasificados en una taxonomía estricta. Hay archivos de posición que recogen el saber hacer autoritativo; archivos de taxonomía y vocabulario que actúan como glosario; índices de enrutamiento que mapean las entradas a los archivos relevantes sin depender solo de similitud de embeddings; y archivos de puerta que definen pruebas para determinar cuándo el agente puede aplicar ese conocimiento.

El razonamiento usa "recetas": procedimientos componibles que especifican qué examinar primero, qué conocimiento cargar en cada paso, qué algoritmo de decisión seguir y cómo saber que el análisis está completo. Esta separación permite diagnosticar si un fallo viene del conocimiento ausente o de una lógica defectuosa.

Meta introduce puntos de control predefinidos donde la intervención humana es obligatoria y los casos ambiguos se escalan a especialistas. Cuando un experto detecta un error, la corrección se registra de manera permanente, indicando si provenía de falta de conocimiento, de una receta errónea o de una ambigüedad real entre expertos.

Auto-mejora sin tocar los pesos

La idea clave es mantener el conocimiento fuera de los pesos del modelo y guardarlo en archivos de texto controlados por versiones. Así, las correcciones se diagnostican hasta la causa raíz, se compilan en ediciones mínimas verificadas y se someten a pruebas de regresión antes de integradas. Cada arreglo pasa a formar parte de la suite de tests, de modo que la ganancia es permanente.

Meta asegura que su enfoque reduce el tiempo necesario para evaluaciones individuales de días a minutos, y que los especialistas consideran los resultados útiles casi siempre. El sistema además automatiza mejoras de conocimiento que antes requerían sprints de ingeniería y, según la compañía, no ha mostrado regresiones en los ciclos de mejora.

El artículo original incluye más detalles sobre cada capa y ejemplos de implementación. Para los equipos que quieran construir agentes de dominio con capacidad de aprendizaje continuo, este diseño ofrece una alternativa interesante a los sistemas basados puramente en RAG o en fine-tuning.