Às vezes, dar a um agente de IA todo o conhecimento que ele precisa pode ser a abordagem errada. No Meta, vimos melhorias notáveis em eficiência e precisão mantendo a camada de orquestração de nossos agentes de pipeline de dados deliberadamente fina: ela roteia o trabalho e impõe verificações de confiabilidade, enquanto agentes especializados fazem o raciocínio de domínio. Estamos compartilhando nosso próprio processo e percepções, além de como qualquer equipe pode aplicar isso aos seus agentes de IA em produção. Construímos um orquestrador de 1.300 linhas que encaminha mais de 20 fluxos de trabalho para 14 agentes especializados de IA. Ele não executa nenhum trabalho de domínio. Esse é o ponto. Quando primeiro implantamos agentes de IA para automatizar a integração de colunas de dados nos sistemas de recomendação do Meta — um processo que abrange três repositórios de código, três linguagens de programação e até seis etapas de pipeline que precisam permanecer sincronizadas — fizemos o que a maioria das equipes faz: construímos um agente inteligente que sabia de tudo. Ele funcionou em demonstrações. Em produção, começou a gerar alucinações. A correção não foi de prompts melhores ou de uma janela de contexto maior. Foi dar ao agente central menos para fazer. Chamamos isso de padrão de orquestrador fino: um roteador que controla a sequenciação e verificações de confiabilidade, e deixa cada decisão de domínio para especialistas. O Problema: Mais Contexto, Resultados Piores Nosso pipeline é config-as-code: configurações Python dirigem a geração de código C++, que alimenta serviços de processamento de dados, que populam sistemas de análise. Integrar uma única coluna de dados requer mudanças coordenadas entre registries de configuração, serviços de backend e pipelines de dados, e cada coluna passa por até seis etapas antes que seus dados cheguem. Nossa primeira abordagem foi um único agente de IA carregado com todo o conhecimento de domínio, esquemas de configuração, regras de geração de código, lógica de roteamento de pipeline, requisitos de validação e padrões de população para mais de 10 fontes de dados. O agente tinha tudo que precisava. Esse era o problema. Após um determinado limite de contexto, conhecimento adicional degradava em vez de melhorar o desempenho.
Fonte: Meta Engineering - AI Research
Publicado em 2026-10-19