Meta convierte el conocimiento experto en un sistema de IA auditable

Meta ha descrito una arquitectura para construir agentes especializados que acumulen conocimiento institucional sin depender de un nuevo entrenamiento del modelo cada vez que un experto corrige una respuesta. La propuesta resulta interesante porque trata el mantenimiento del agente como un problema de ingeniería de software: los cambios deben ser pequeños, trazables, verificables y reversibles.

El sistema separa cuatro responsabilidades. La primera es una base de conocimiento organizada en archivos estructurados, con posiciones, vocabulario, índices de enrutamiento y condiciones de aplicación. Cada archivo declara dependencias y consumidores mediante metadatos YAML, formando un grafo bidireccional que permite localizar el impacto de una modificación. La segunda responsabilidad es una capa de procedimientos, llamada recipes, que describe cómo razonar paso a paso sin mezclar las reglas del dominio con el método de análisis.

Esta separación permite distinguir mejor las causas de un error. Si la información correcta ya estaba disponible pero el agente no la utilizó, el problema pertenece al procedimiento. Si faltaba la información necesaria, se trata de una carencia de conocimiento. Cuando los expertos discrepan, el sistema debe marcar una ambigüedad y escalarla, en lugar de inventar una respuesta única. Es una aplicación práctica de una idea familiar en sistemas mantenibles: separar datos, lógica y validación facilita depurar cada capa.

Meta también divide el contexto según densidad y frecuencia de uso. El conocimiento estable y consultado a menudo se mantiene en una especie de wiki curada; la documentación más específica se reserva para búsqueda semántica o léxica. Según la empresa, reorganizar el agente mediante procedimientos composables redujo alrededor de un 80 % los tokens consumidos por turno, porque cada consulta carga solo las instrucciones y fuentes pertinentes.

La parte más relevante es el ciclo de mejora. Una corrección de un experto se diagnostica, se traduce en cambios mínimos, se revisa con otro agente independiente y pasa por validaciones estructurales deterministas. Después se ejecuta una reproducción del caso original y una batería de regresión. Cada corrección aceptada añade el caso que falló a la suite de pruebas, de modo que el sistema no solo arregla un error, sino que conserva ese aprendizaje frente a futuras modificaciones.

El diseño mantiene puntos de control humanos y escalados para los casos ambiguos. Meta afirma que, tras tres sprints de desarrollo y seis semanas, los expertos redujeron evaluaciones de días a minutos y no observaron regresiones en los ciclos de mejora. Son resultados internos, no una garantía general, pero la lección técnica sí es transferible: los agentes fiables necesitan una arquitectura legible, pruebas que crezcan con el producto y una frontera clara entre automatización y autoridad humana.