Organizacyjny „drugi mózg” firmy Meta: dlaczego pamięć agentów AI powinna być przechowywana w plikach, a nie w wagach modelu

Organizacyjny Drugi Mózg firmy Meta wyraźnie pokazuje, że szybko zmieniającą się wiedzę instytucjonalną warto przechowywać w jawnych plikach, zamiast próbować zapisywać każdą korektę, zasadę i ocenę eksperta w wagach modelu. Meta kondensuje wiedzę ekspertów w ustrukturyzowanym systemie plików, który mogą odczytywać ludzie i agenci, a który można łączyć za pomocą zależności, testować po wprowadzeniu zmian, wersjonować, poddawać przeglądom i ulepszać bez ponownego trenowania bazowego modelu. Model zapewnia inteligencję, a warstwa wiedzy zachowuje to, czego nauczyła się organizacja.

Nie oznacza to, że każda forma pamięci AI powinna znajdować się w plikach Markdown ani że RAG stał się przestarzały. Wagi modelu nadal zapewniają wiedzę ogólną, wyszukiwanie pozostaje przydatne w przypadku rozproszonych materiałów referencyjnych, a bieżący stan zadania może być przechowywany w bazach danych lub środowiskach uruchomieniowych agentów. Meta rozwiązuje węższy, lecz coraz ważniejszy problem: jak zachować wiedzę organizacyjną, która zmienia się w czasie, wymaga informacji o pochodzeniu i musi przetrwać niezależnie od tego, jaki model będzie z niej korzystać.

Czym jest Organizacyjny Drugi Mózg firmy Meta?

Organizacyjny Drugi Mózg firmy Meta to wewnętrzna architektura agenta AI zaprojektowana do przechwytywania specjalistycznej wiedzy, która w przeciwnym razie pozostałaby rozproszona w dokumentach lub uwięziona w głowach ekspertów. Meta opisuje ten system jako dodatkowego eksperta w danej dziedzinie, a nie chatbota ogólnego przeznaczenia.

Zgodnie z oficjalnym opisem architektury Organizacyjnego Drugiego Mózgu firmy Meta system łączy cztery zależne od siebie warstwy:

Ważne jest to, że Meta nie polega na ponownym trenowaniu modelu za każdym razem, gdy ekspert koryguje agenta. Zamiast tego korekty mogą stać się zmianami w zewnętrznych plikach wiedzy lub procedurach rozumowania.

To zmienia jedną interakcję z ekspertem z tymczasowej korekty czatu w potencjalnie trwały zasób organizacyjny.

Dlaczego tysiące dokumentów to nie to samo co pamięć agenta?

Folder pełen dokumentów jest archiwum. Staje się użyteczną pamięcią agenta dopiero wtedy, gdy system rozumie, co jest istotne, jak źródła są ze sobą powiązane oraz kiedy mają zastosowanie poszczególne zasady lub interpretacje.

Duże organizacje już dysponują ogromnymi ilościami materiałów pisemnych: zasad, specyfikacji, historycznych decyzji, list kontrolnych, raportów, notatek projektowych, standardów i dokumentacji wewnętrznej. Problem polega na tym, że najbardziej wartościowa wiedza często znajduje się pomiędzy tymi dokumentami.

Ekspert może wiedzieć:

• która polityka ma pierwszeństwo, gdy dwie zasady są ze sobą sprzeczne,
• który wyjątek ma zastosowanie tylko w określonych warunkach,
• która historyczna decyzja pozostaje istotna,
• jaką terminologię organizacja stosuje wewnętrznie,
• gdy przypadek jest na tyle niejednoznaczny, że wymaga eskalacji,
• i dlaczego dwie pozornie podobne sytuacje należy traktować odmiennie.

Konwencjonalny system wyszukiwania może znaleźć dokumenty źródłowe, ale model nadal może za każdym razem być zmuszony do odtworzenia tej interpretacji od podstaw.

Meta opisuje to jako jedną ze słabości traktowania samych surowych dokumentów jako wiedzy organizacyjnej. Agent, który wielokrotnie pobiera fragmenty w czasie wnioskowania, musi za każdym razem wywnioskować sposób rozumowania organizacji na podstawie tych fragmentów, co może być powolne i niespójne.

Meta zetknęła się z podobnym problemem już wcześniej, na początku 2026 roku. W ramach wcześniejszych prac nad kompilowaniem wiedzy plemiennej do plików kontekstu agentów ponad 50 wyspecjalizowanych agentów przeanalizowało ponad 4100 plików w czterech repozytoriach i utworzyło 59 zwięzłych plików kontekstu. Meta poinformowała o wstępnych testach, w których liczba wywołań narzędzi przez agentów na zadanie była niższa o około 40%.

Wniosek jest podobny: większa ilość surowych informacji nie prowadzi automatycznie do lepszego działania agenta. Często brakuje warstwy skondensowanej struktury.

Dlaczego Meta przechowuje wiedzę swoich agentów w uporządkowanych plikach?

Meta organizuje ponad 200 plików w ścisłą taksonomię, zamiast utrzymywać jeden ogromny dokument z instrukcjami. Pliki reprezentują różne rodzaje wiedzy instytucjonalnej i różne zadania związane z routingiem.

Meta używa również nagłówków YAML front matter do deklarowania relacji między plikami. Plik może określać, co depends_on i które inne pliki są przez niego referenced_by.

Uproszczony przykład mógłby wyglądać tak:

---
type: position
topic: customer-data-retention
depends_on:
  - data-classification.md
referenced_by:
  - privacy-review-recipe.md
applies_when:
  - customer_pii = true
---

# Przechowywanie danych klientów

## Stanowisko
Zdefiniuj tutaj aktualne stanowisko organizacji.

## Granice
Udokumentuj, gdzie stanowisko ma zastosowanie, a gdzie nie.

## Wyjątki
Wymień znane wyjątki.

## Eskaluj, gdy
Opisz przypadki wymagające weryfikacji przez eksperta.

To przykład poglądowy, a nie kopia wewnętrznych plików Meta, ale pokazuje, dlaczego zwykłe pliki o uporządkowanej strukturze są atrakcyjne.

Są one:

• czytelne dla człowieka,
• czytelne maszynowo,
• łatwe do porównywania zmian,
• łatwe do wzajemnego odwoływania się,
• łatwe do sprawdzania składni,
• możliwe do wersjonowania,
• i można je indywidualnie odwracać.

Graf zależności również ma znaczenie, gdy agent proponuje zmianę. Jeśli zmieni się jeden plik zasad, system może zidentyfikować procedury, indeksy i reguły zależne, których może dotyczyć ta zmiana, zamiast zakładać, że edycja istnieje w izolacji.

Czy Second Brain firmy Meta zastępuje RAG?

Nie. Meta celowo utrzymuje zarówno kuratorowaną warstwę wiedzy, jak i wyszukiwanie. Oba rozwiązania służą innym problemom informacyjnym.

Meta dzieli informacje według ich zagęszczenia i oczekiwanej częstotliwości użycia.

Warstwa kuratorowana przechowuje informacje, których agent prawdopodobnie będzie potrzebować wielokrotnie i które odzwierciedlają zmieniającą się interpretację domeny przez organizację. Rzadkie materiały pozostają dostępne za pośrednictwem wyszukiwania semantycznego lub leksykalnego, gdy konkretny przypadek tego wymaga.

Jest to zgodne z szerszym rozróżnieniem ustanowionym przez oryginalne badania nad generowaniem wspomaganym wyszukiwaniem, które oddzielają wiedzę przechowywaną parametrycznie w modelu od jawnej zewnętrznej pamięci nieparametrycznej, którą można pobrać w razie potrzeby.

Meta w praktyce dodaje kolejną warstwę między tymi dwoma skrajnościami.

WAGI MODELU
Inteligencja ogólna
        |
        v
UPORZĄDKOWANA WIEDZA
Stanowiska
Reguły
Interpretacja
Ramy decyzyjne
        |
        v
RAG / WYSZUKIWANIE
Szczegółowe dowody
Dane historyczne
Rzadkie odwołania
        |
        v
SUROWE ŹRÓDŁA

Przydatnym sposobem opisania tego podziału jest:

RAG pomaga agentowi znajdować dowody. Kuratorowana warstwa wiedzy zapobiega konieczności każdorazowego odtwarzania przez niego interpretacji organizacji od podstaw.

Dlaczego agent AI powinien oddzielać to, co wie, od sposobu rozumowania?

Jedną z najważniejszych decyzji projektowych Meta jest oddzielenie wiedzy deklaratywnej od rozumowania proceduralnego.

Pliki wiedzy opisują to, co organizacja wie lub uważa. „Recepty” Meta opisują jak agent powinien przeanalizować problem.

Ten podział ułatwia diagnozowanie błędów.

Jeśli agent dochodzi do błędnego wniosku, osoby utrzymujące system mogą zapytać:

• Czy istniała właściwa wiedza?
• Czy załadowano właściwy plik?
• Czy samo stanowisko organizacyjne było błędne lub nieaktualne?
• Czy może procedura rozumowania niewłaściwie wykorzystała skądinąd poprawną wiedzę?

Meta twierdzi, że dodanie nowego stanowiska organizacyjnego może oznaczać dodanie pliku wiedzy i aktualizację indeksu routingu bez zmiany recepty rozumowania. Z kolei problem metodologiczny można naprawić, zmieniając receptę bez przepisywania podstawowych faktów dotyczących domeny.

Ta modułowość staje się coraz cenniejsza wraz ze wzrostem bazy wiedzy.

Jak stopniowe ujawnianie zmniejszyło zużycie tokenów przez Metę o około 80%?

Duże okna kontekstu nie eliminują potrzeby stosowania architektury informacji. Model może technicznie przyjmować setki tysięcy, a nawet miliony tokenów, ale nie oznacza to, że każda polityka, informacja referencyjna i instrukcja powinny być ładowane do każdego zadania.

Wcześniejsza implementacja Meta korzystała ze stosunkowo płaskiej struktury instrukcji i wyszukiwania semantycznego, które mogło wprowadzać do okna kontekstu dużą ilość materiałów o różnym stopniu istotności.

System recept zmienił ten schemat na stopniowe ujawnianie.

STARE PODEJŚCIE

Zadanie
  |
  v
Duży zestaw instrukcji
+ wiele pobranych źródeł
+ szeroki kontekst domenowy
  |
  v
Model


STOPNIOWE UJAWNIANIE

Zadanie
  |
  v
Krok 1
Załaduj tylko instrukcje i wiedzę z kroku 1
  |
  v
Krok 2
Załaduj tylko instrukcje i wiedzę z kroku 2
  |
  v
Krok 3
Pobierz dowody tylko wtedy, gdy są potrzebne

Po przejściu na etapy oparte na receptach Meta informuje, że każde zapytanie obejmowało tylko niewielki, ukierunkowany podzbiór systemu wiedzy, a liczba tokenów zużywanych na turę spadła o około 80%.

Nie oznacza to jednak, że Second Brain zmniejszył całkowity koszt AI o 80%. Wynik dotyczy konkretnie zużycia tokenów na turę po restrukturyzacji strategii ładowania kontekstu.

Najważniejszy jest bardziej ogólny wniosek:

Lepsze pytanie nie brzmi: „Ile kontekstu model może przechowywać?”, lecz: „Jak niewiele kontekstu potrzebuje ten krok, aby prawidłowo rozwiązać problem?”

Jak Meta przekształca opinie ekspertów w trwałą pamięć agenta?

Pętla samodoskonalenia jest prawdopodobnie najważniejszą częścią architektury Meta, ponieważ przechowywanie wiedzy jest łatwe w porównaniu z utrzymywaniem jej poprawności w czasie.

Meta traktuje utrzymanie jako problem kompilacji. Korekty ekspertów przechodzą przez cztery etapy:

1. Zdiagnozuj opinię i określ jej przyczynę źródłową.
2. Skompiluj problem do postaci minimalnych, zweryfikowanych edycji.
3. Sprawdź, czy zmiana rozwiązuje problem bez wprowadzania regresji.
4. Zweryfikuj proponowaną zmianę z ekspertem dziedzinowym.

Faza diagnozy ma na celu ustalenie, czy błąd wynikał z braku wiedzy, wadliwej procedury rozumowania czy rzeczywistej niejednoznaczności.

Jeśli prawidłowa odpowiedź była już zawarta w materiale źródłowym, ale agent mimo to popełnił błąd, Meta uznaje to za problem metodologiczny. Jeśli niezbędnych informacji brakowało, jest to luka w wiedzy. Jeśli sami eksperci się nie zgadzają, sprawę można eskalować, zamiast zmuszać system do zakodowania fałszywej pewności.

Na etapie kompilacji proponowane są następnie minimalne edycje. Meta twierdzi, że oddzielni agenci analizują takie kwestie jak wpływ na odwołania wzajemne, konflikty z istniejącymi stanowiskami, duplikaty, wpływ na budżet tokenów i pokrycie testami.

Nowy recenzent przeprowadzający analizę kontradyktoryjną otrzymuje proponowane zmiany bez pierwotnego uzasadnienia udoskonalenia i próbuje znaleźć sprzeczności lub przypadki brzegowe. Następnie deterministyczna weryfikacja strukturalna sprawdza problemy takie jak uszkodzone odwołania, cykle zależności, kolizje identyfikatorów i ograniczenia rozmiaru plików.

Proces można podsumować następująco:

KOREKTA EKSPERTA
        |
        v
ZDIAGNOZUJ PRZYCZYNĘ ŹRÓDŁOWĄ
        |
        v
ZAPROPONUJ MINIMALNĄ EDYCJĘ
        |
        v
WERYFIKACJA KONTRADYKCYJNA
        |
        v
WERYFIKACJA STRUKTURALNA
        |
        v
ODTWORZENIE + TESTY REGRESJI
        |
        v
WERYFIKACJA PRZEZ CZŁOWIEKA
        |
        v
WPROWADŹ ZMIANĘ
        |
        v
DODAJ BŁĄD DO ZESTAWU TESTÓW

Gdy poprawka zostanie wprowadzona, pierwotny scenariusz zakończony błędem staje się częścią zestawu testów regresji. Przyszłe zmiany muszą więc zachować nowo skorygowane zachowanie.

Meta informuje o braku regresji w kolejnych cyklach udoskonalania w ciągu sześciotygodniowego okresu prac opisanego w komunikacie, podczas gdy pojedyncze oceny, które wcześniej zajmowały dni, skrócono do minut. Wyniki te pochodzą z wewnętrznych wdrożeń Meta, a nie z niezależnego testu porównawczego.

Dlaczego pliki łatwiej aktualizować niż wagi modelu?

W przypadku szybko zmieniającej się wiedzy instytucjonalnej pliki sprawiają, że zmiany są widoczne. To najmocniejszy argument stojący za tym nagłówkiem.

Nie oznacza to, że edycja modelu jest zbędna lub niemożliwa. Badania takie jak badania nad edycją modeli MEMIT analizują, jak można bezpośrednio zmieniać asocjacje faktograficzne wewnątrz modeli Transformer.

Meta stawia inne pytanie architektoniczne:

Jeśli wiedza organizacyjna często się zmienia, a ludzie muszą sprawdzać każdą istotną aktualizację, to po co w ogóle umieszczać tę wiedzę w modelu?

Meta twierdzi, że końcowym rezultatem jej potoku doskonalenia jest różnica, którą ekspert dziedzinowy może szybko przejrzeć. Szersza zasada projektowa polega na utrzymywaniu tej złożoności w tekście, który pozostaje objęty kontrolą wersji, umożliwia porównywanie zmian i można go odwrócić.

Dzięki temu utrzymanie wiedzy staje się znacznie bardziej podobne do zarządzania konfiguracją oprogramowania niż do ponownego trenowania modelu.

Czy Markdown i YAML stają się przenośną warstwą pamięci dla agentów AI?

Projekt Meta jest częścią szerszego ruchu w kierunku reprezentacji wiedzy, które zarówno ludzie, jak i agenci mogą bezpośrednio przeglądać.

W kwietniu 2026 roku Andrej Karpathy opublikował opis wzorca LLM Wiki. Chodzi o to, aby LLM stopniowo utrzymywał trwałą, ustrukturyzowaną wiki zamiast przy każdym zapytaniu odtwarzać wiedzę obejmującą wiele dokumentów z surowych wyników RAG.

Najważniejszą cechą jest kumulacja.

Źródło A
   |
   v
Ustrukturyzowana wiki

Źródło B
   |
   v
Aktualizuj istniejące strony
Dodawaj relacje
Wykrywaj sprzeczności

Źródło C
   |
   v
Wiedza staje się bogatsza
bez zaczynania od zera

Firma Google specyfikacja Open Knowledge Format rozwija tę samą ideę w kierunku interoperacyjności. OKF w wersji 0.2 definiuje celowo minimalistyczny format oparty na katalogach plików Markdown z nagłówkiem YAML, które mogą być odczytywane przez ludzi i agentów bez konieczności korzystania z centralnego rejestru schematów ani zastrzeżonego środowiska uruchomieniowego.

Wskazuje to na potencjalnie ważny kierunek:

Wiedza agentów w postaci zwykłego tekstu może stać się warstwą interoperacyjności.

Jeśli ważna wiedza organizacji istnieje w postaci jawnych plików, a nie jest ukryta w zastrzeżonym systemie pamięci jednego dostawcy, tę samą warstwę wiedzy można teoretycznie wykorzystywać w różnych agentach i przez różne modele.

              WIEDZA
            Markdown / YAML
                 |
       +---------+---------+
       |         |         |
       v         v         v
    Claude     Gemini     Qwen
       |         |         |
       +---------+---------+
                 |
              AGENTY

Model można wymienić. Zgromadzonej wiedzy nie trzeba wymieniać.

Jeśli pamięć agenta AI staje się plikami, gdzie powinny się znajdować?

Gdy wiedza agenta staje się trwałym zbiorem plików, pojawia się nowe pytanie dotyczące infrastruktury: pliki te potrzebują takiej samej ochrony jak wszelkie inne cenne dane organizacji.

Poważna warstwa wiedzy może zawierać:

• wyselekcjonowane stanowiska,
• decyzje ekspertów,
• taksonomie,
• przepisy rozumowania,
• logika routingu,
• przypadki ewaluacyjne,
• dokumenty źródłowe,
• cytowania,
• ulepszenia generowane przez agentów,
• i wersje historyczne.

To prowadzi do wymagań, które mają niewiele wspólnego z rozmiarem modelu LLM:

Te wymagania można spełnić na stacji roboczej, prywatnym serwerze, serwerze NAS do długoterminowego przechowywania wiedzy agentów, w repozytorium Git lub kontrolowanym środowisku chmurowym. Architektura Meta nie wymaga żadnego konkretnego produktu do przechowywania danych.

Najważniejszy wniosek jest taki, że wiedza agenta zaczyna przypominać nie ulotny kontekst promptu, lecz długoterminowy zasób danych.

Dlaczego kontrola wersji nie wystarcza w przypadku pamięci AI?

Kontrola wersji w stylu Git jest niezwykle przydatna w przypadku uporządkowanej wiedzy agentów, ponieważ zapewnia porównywanie zmian, historię, przeglądy, gałęzie i logiczne przywracanie. Nie jest jednak kompletną strategią ochrony danych.

Kontrola wersji odpowiada przede wszystkim na pytanie:

Co się zmieniło?

Migawki systemu plików umożliwiające szybkie odzyskiwanie odpowiadają na inne pytanie:

Czy mogę szybko przywrócić kompletny stan roboczy sprzed wprowadzenia błędnej zmiany?

Kopia zapasowa odpowiada na inne pytanie:

Czy mogę odzyskać dane, jeśli pierwotny system pamięci masowej zostanie utracony lub uszkodzony?

To rozróżnienie staje się ważniejsze, gdy agentom pozwala się aktualizować własną warstwę wiedzy.

Nieprawidłową edycję można łatwo cofnąć w Git. Uszkodzone repozytorium, brakujący zbiór załączników, uszkodzony indeks wektorowy, przypadkowo usunięte archiwum surowych źródeł lub awaria urządzenia pamięci masowej to problemy zupełnie innej kategorii.

Jeśli baza wiedzy staje się częścią funkcjonowania organizacji, ochronę tej wiedzy należy traktować jako infrastrukturę danych, a nie jedynie jako inżynierię promptów.

Jak wygląda trwały lokalny stos wiedzy agenta?

Praktyczna architektura pamięci agenta może rozdzielać inteligencję, uporządkowaną wiedzę, wyszukiwanie, dane źródłowe i ochronę, zamiast łączyć je w jednej warstwie.

MODEL AI
Claude / Gemini / Qwen / inne
        |
        v
ŚRODOWISKO URUCHOMIENIOWE AGENTA
Narzędzia / routing / sesje
        |
        v
UPORZĄDKOWANA WIEDZA
Stanowiska
Taksonomia
Przepisy
Reguły
        |
        v
RAG / WYSZUKIWANIE
Indeksy
Osadzenia
Wyszukiwanie leksykalne
        |
        v
SUROWE ŹRÓDŁA
Pliki PDF
Dokumentacja
Kod
Dane historyczne
        |
        v
OCHRONA DANYCH
Kontrola wersji
Migawki
Kopia zapasowa

Zaletą tej architektury jest niezależność.

Model można zmienić bez przepisywania bazy wiedzy. Silnik wyszukiwania można zmienić bez usuwania surowych źródeł. Framework agenta można zastąpić bez utraty decyzji ekspertów. Sprzęt pamięci masowej można zmodernizować bez zmiany logicznej struktury samej wiedzy.

To znacznie trwalsza definicja pamięci AI niż „cokolwiek, co aktualny chatbot akurat pamięta w swoim kontekście”.

Czy drugi mózg Meta pokazuje, dokąd zmierza pamięć agentów AI?

Architektura Meta sugeruje, że długoterminową wartością w systemie agenta AI może być coraz częściej warstwa wiedzy, a nie model.

Modele będą nadal szybko się doskonalić. Organizacje mogą przechodzić między zastrzeżonymi, przełomowymi modelami, lokalnymi modelami z otwartymi wagami, wyspecjalizowanymi agentami lub kombinacjami wszystkich trzech.

Wiedza instytucjonalna zmienia się w innym tempie.

Firma może spędzić lata na odkrywaniu:

• które procedury faktycznie działają,
• które wyjątki mają znaczenie,
• które terminy pozwalają uniknąć niejednoznaczności,
• które decyzje historyczne pozostają istotne,
• oraz które korekty ekspertów nigdy nie powinny wymagać ponownego odkrywania.

Ta wiedza nie powinna stawać się jednorazowa tylko dlatego, że zmienia się model rozumujący.

Projekt Meta jasno pokazuje również, że pamięć oparta na plikach nie zastępuje wszystkich innych technik pamięci. Silniejsza architektura jest warstwowa:

wagi modelu zapewniające ogólną inteligencję, ustrukturyzowane pliki przechowujące utrzymywaną wiedzę instytucjonalną, RAG dla rozproszonych dowodów, procedury dla metodologii, stan środowiska uruchomieniowego dla aktywnych zadań oraz wersjonowanie i kopie zapasowe zapewniające trwałość.

Wynik zmienia sposób, w jaki powinniśmy myśleć o „drugim mózgu” AI.

Nie jest to po prostu większe okno kontekstu.

Nie jest to folder pełen plików PDF.

Nie jest to samodzielna baza wektorowa.

I nie jest to wiedza na stałe uwięziona w jednym modelu.

Trwały drugi mózg to utrzymywany system wiedzy, który można kontrolować, korygować, testować, odzyskiwać i przekazać kolejnemu modelowi.

Model można zastąpić w przyszłym miesiącu. Wiedza, której budowanie zajęło organizacji lata, powinna przetrwać jego zmianę.

FAQ: Organizational Second Brain firmy Meta i pamięć agentów AI

Czym jest Organizational Second Brain firmy Meta?

To wewnętrzna architektura agentów AI opracowana przez firmę Meta w celu zachowania specjalistycznej wiedzy organizacyjnej. Łączy ustrukturyzowane pliki wiedzy, kompozytowalne procedury wnioskowania, ewaluację i pętlę samodoskonalenia, która przekształca korekty ekspertów w przetestowane aktualizacje bez ponownego trenowania bazowego modelu.

Czy Meta przechowuje całą pamięć swoich agentów AI w plikach Markdown?

Nie. System wykorzystuje opartą na ustrukturyzowanych plikach warstwę wiedzy zawierającą cenną wiedzę instytucjonalną, zachowując jednocześnie wyszukiwanie semantyczne i leksykalne dla rozproszonych materiałów referencyjnych. Sam model nadal zapewnia ogólną inteligencję, a inne elementy stanu środowiska uruchomieniowego mogą znajdować się poza plikami wiedzy.

Czy Second Brain firmy Meta zastępuje RAG?

Nie. Meta celowo łączy wyselekcjonowaną wiedzę z mechanizmem RAG. Często używane stanowiska, ramy decyzyjne i interpretacje są kondensowane do ustrukturyzowanych plików, natomiast szczegółowe specyfikacje, zapisy historyczne i rzadko potrzebne dowody pozostają dostępne za pośrednictwem wyszukiwania.

Dlaczego po prostu nie użyć okna kontekstowego o wielkości miliona tokenów?

Duże okno kontekstowe nie sprawia, że nieistotny kontekst staje się bezkosztowy ani użyteczny. Meta odkryła, że etapowe, progresywne ujawnianie informacji pozwalało każdemu krokowi rozumowania załadować tylko potrzebne instrukcje i wiedzę, zmniejszając liczbę tokenów zużywanych na turę o około 80% w porównaniu z wcześniejszym podejściem polegającym na ładowaniu szerszego kontekstu.

Dlaczego przechowywać wiedzę organizacyjną poza wagami modelu?

Pliki zewnętrzne są łatwiejsze do przeglądania, edytowania, cytowania, wersjonowania, porównywania, testowania i przywracania przez ludzi. Pozwalają również organizacji zachować tę samą wiedzę przy zmianie dostawców modeli lub aktualizacji bazowego modelu LLM.

Czym są receptury rozumowania Meta?

Receptury to instrukcje proceduralne określające, jak agent powinien analizować zadanie. Są celowo oddzielone od plików wiedzy: pliki wiedzy opisują fakty i stanowiska organizacji, podczas gdy receptury opisują proces rozumowania stosowany do ich wykorzystania.

Jak Meta’s Second Brain uczy się od ekspertów?

Korekty ekspertów są analizowane pod kątem przyczyn źródłowych, przekładane na minimalne zmiany, sprawdzane za pomocą walidacji adwersarialnej i strukturalnej, testowane w zestawach odtwarzania i regresji, a następnie weryfikowane przez eksperta. Pomyślne poprawki są dodawane do zestawu regresji, aby przyszłe aktualizacje musiały je zachować.

Czy pamięć agenta oparta na plikach jest tym samym co baza danych wektorowych?

Nie. baza danych wektorowych służy przede wszystkim do wyszukiwania. Ustrukturyzowane pliki wiedzy mogą zachowywać wyselekcjonowane interpretacje, reguły, zależności, granice rozumowania, cytowania i zmiany zweryfikowane przez człowieka. Oba rozwiązania mogą być używane razem.

Czy te same pliki wiedzy mogą działać z różnymi modelami AI?

Potencjalnie tak. Formaty niezależne od modelu, takie jak Markdown i YAML, mogą być używane przez różne środowiska uruchomieniowe agentów, o ile towarzyszące narzędzia rozumieją schemat i reguły routingu. To jeden z powodów, dla których przenośne formaty wiedzy zyskują coraz większą uwagę.

Czy pamięć agenta wymaga serwera NAS lub serwera domowego?

Niekoniecznie. Wiedza może znajdować się w dowolnym niezawodnym systemie pamięci masowej z odpowiednimi uprawnieniami. lokalny serwer lub NAS do współdzielenia trwałej wiedzy AI staje się przydatny, gdy baza wiedzy potrzebuje również migawek, dużych archiwów źródłowych i niezależnych kopii zapasowych.