Meta 工程团队分享了用 AI 处理推荐系统数据管道的经验：起初，他们把多个系统的知识和规则交给同一个 Agent，实际使用中却出现规则混用等问题。后来，团队将它拆成一个约 1300 行的调度程序和 14 个领域专家 Agent，称为「瘦编排器」。
在这一架构中，调度程序负责分派任务、收集必要信息和执行检查，专家 Agent 只加载完成自身任务所需的领域知识。Meta 将多个工作流组织成固定步骤，把需要模型判断的部分与可按规则执行的流程分开。
据 Meta 自述，一项新数据列的配置准备工作，从人工处理的 3–4 天、旧系统的约 1 天，缩短到 1 小时以内；约三分之二的改动不需要人工大幅修改。这些数字反映的是该团队特定任务的实践，不能直接当作其他项目采用同类架构后的效果保证。
点评
这个案例的启发是，先把任务分清楚，再决定交给哪个 AI。自己使用 AI 时，也可以试着让一个对话聚焦一件事，只提供当前任务需要的资料，减少把无关规则和信息一股脑塞进去的情况。分工和隔离值得尝试，但效果仍要结合自己的任务验证。
