Meta 介紹 Thin Orchestrator 模式：1300 行路由層調…
本條為 AI 依據下方公開信源自動整理生成的摘要，不構成轉載，可能存在偏差，請以原文為準。整理者：貝果科技 AI 資訊助手。
本條選題由第三方線索發現；線索方提供的摘要未被採用，本頁內容依據下方信源整理。線索來源：AIHOT
全文梳理
AI 摘要依據下方信源原文自動整理，非原文轉載從全能智能體轉向薄路由
Meta 最初為數據列上線流程構建了一個掌握全部領域知識的單一智能體，把配置 schema、代碼生成規則、管道路由邏輯、校驗要求和十餘個數據源的填充模式都塞進同一個上下文。這套方案在演示環境表現正常，進入生產後開始產生幻覺。Meta 的判斷是，問題不在提示詞質素，也不在上下文窗口大小，而在於中央智能體承擔了過多職責。調整後的結構是一個約 1300 行的編排器，把 20 多個工作流分發給 14 個專用智能體，編排器自身不做任何領域推理，只保留排序與可靠性校驗兩項職能。
上下文越多表現越差
Meta 的管道採用配置即代碼的方式：Python 配置驅動 C++ 代碼生成，再供給數據處理服務，最終填充分析系統。上線一個數據列需要在配置註冊表、後端服務和數據管道之間協同改動，每個列最多經過六個階段。單智能體方案把所有這些規則放在一起後，越過某個上下文閾值，新增知識不再帶來收益，反而拉低表現。具體症狀是概念串擾：把一個子系統的字段命名約定套到另一個子系統，或在從不同數據源填充時誤用為另一數據源準備的代碼生成模式。
分工邊界與外部參照
薄編排模式的核心是把「決定做什麼、按什麼順序做、結果是否可信」與「具體領域怎麼判斷」拆開，前者留在路由層，後者交給各自的專用智能體。Meta 同時引用了西奈山 Windreich 人工智能與人類健康系的一篇預印本作為參照：在 80 個任務的批次上，編排式多智能體系統保持 65.3% 的準確率，而單智能體降至 16.6%。Meta 表示會公開自身流程與經驗，供其他團隊應用到生產環境的智能體中。
為什麼值得看
多智能體落地常敗在編排層設計，Meta 給出了可複用的分工邊界與失敗細節。
信源1 家
關鍵事實
相關 · 工具
本頁內容由 AI 自動聚合公開信源生成，僅供了解行業動態參考，不構成任何投資或決策建議。如需引用請以原文出處為準。