Meta内部那个「合规领域AI专家」到底是怎么搭出来的
核心是两层设计——知识层和推理层分开。这不是把文档扔进向量数据库就完事那种RAG，而是把"agent知道什么"和"agent怎么推理"做了硬隔离。具体做法是把专家的判断逻辑显式编码成可审计的文件结构，而不是每次推理时再去从文档里临时拼凑。这样做的好处是：专家纠正一次，系统就能把这个修正沉淀成永久知识，下次不会再犯同样的错。
更狠的是那个自改进闭环。专家给反馈 → 系统把反馈编译成更新 → 更新经过regression test验证 → 通过后才合并进知识库。全程不用重新训练模型，纯靠知识文件迭代。这意味着系统的"能力"是长在文件上的，不是在权重里。这个设计选择挺聪明的——知识可审计、可回滚、可A/B，而模型权重那套retraining流程又贵又慢。
> If you remove any one layer, the others degrade.
四层架构里每一层都不是孤立存在的：知识系统的文件结构让自动编辑成为可能；推理层的显式流程让失败归因变得可追踪；评估框架给每次变更把关；改进loop再把结果反馈回知识和推理。少任何一层，其他都崩。
但有个问题原文没明说：这个系统运行在retrievable text为主的领域，所以金融、安全、工程理论上都能套。但如果专家知识是那种"看一眼模型输出的某个奇怪中间态就知道不对劲"的隐性直觉，这套纯文本框架估计抓不住。所以别一上来就说什么"通用AGI替代专家"，它能替代的是可文档化的那部分专家判断。
另一个值得关注的点：原文提到一个长期offline process去"reason"，但没细说怎么做的。结合上下文，大概率是拿专家历史案例批量跑，让它总结出推理pattern再写回知识库。这块如果是暴力枚举case可能成本不低。
文中没提具体用了什么模型、什么框架、什么存储格式，可能是刻意模糊处理（毕竟是内部系统），也可能压根就是普通的LLM + 结构化markdown。
