Meta 介绍 Thin Orchestrator 模式：1300 行路由层调…
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
本条选题由第三方线索发现；线索方提供的摘要未被采用，本页内容依据下方信源整理。线索来源：AIHOT
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从全能智能体转向薄路由
Meta 最初为数据列上线流程构建了一个掌握全部领域知识的单一智能体，把配置 schema、代码生成规则、管道路由逻辑、校验要求和十余个数据源的填充模式都塞进同一个上下文。这套方案在演示环境表现正常，进入生产后开始产生幻觉。Meta 的判断是，问题不在提示词质量，也不在上下文窗口大小，而在于中央智能体承担了过多职责。调整后的结构是一个约 1300 行的编排器，把 20 多个工作流分发给 14 个专用智能体，编排器自身不做任何领域推理，只保留排序与可靠性校验两项职能。
上下文越多表现越差
Meta 的管道采用配置即代码的方式：Python 配置驱动 C++ 代码生成，再供给数据处理服务，最终填充分析系统。上线一个数据列需要在配置注册表、后端服务和数据管道之间协同改动，每个列最多经过六个阶段。单智能体方案把所有这些规则放在一起后，越过某个上下文阈值，新增知识不再带来收益，反而拉低表现。具体症状是概念串扰：把一个子系统的字段命名约定套到另一个子系统，或在从不同数据源填充时误用为另一数据源准备的代码生成模式。
分工边界与外部参照
薄编排模式的核心是把「决定做什么、按什么顺序做、结果是否可信」与「具体领域怎么判断」拆开，前者留在路由层，后者交给各自的专用智能体。Meta 同时引用了西奈山 Windreich 人工智能与人类健康系的一篇预印本作为参照：在 80 个任务的批次上，编排式多智能体系统保持 65.3% 的准确率，而单智能体降至 16.6%。Meta 表示会公开自身流程与经验，供其他团队应用到生产环境的智能体中。
为什么值得看
多智能体落地常败在编排层设计，Meta 给出了可复用的分工边界与失败细节。
信源1 家
关键事实
相关 · 工具
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。