Meta 的薄编排器模式：路由越少越可靠
来自 Meta Engineering · 期号 2026-10-19
摘要
Meta 分享了一个反直觉的经验：AI agent 的编排层越薄，系统越可靠。 他们建了一个 1300 行的编排器，负责把 20 多种工作流分发给 14 个专业子 agent。编排器自己不做任何领域推理——它只做路由和可靠性检查，走一个固定的 7 步协议，只有第 6 步（委托子 agent）才用到 LLM。 此前他们试过把全部领域知识塞进一个 agent，结果上下文一多就开始幻觉，把不同子系统的命名规范混在一起。拆分之后，每个子 agent 只看到自己的领域知识，不会串。 效果：数据列接入从三到四天缩短到一小时以内，约三分之二的变更无需人工修改。 新用例不需要建新 agent，只需要写一个新的工作流模板，把已有的 14 个子 agent 按不同顺序编排。知识文件在运行时按需加载，更新后立即生效，不需要改编排器。 原文附了 5 条可复用的设计原则，核心一条：把路由决策（确定性）和领域推理（概率性）明确分开，不要混在一起。
深读
导读 Meta 工程团队分享了一个反直觉的实践经验：AI agent 系统的编排层越薄、职责越窄，整体越可靠。他们用 1300 行的确定性编排器替代了原先的“全能 agent”，将路由和可靠性检查与领域推理彻底分离，使数据列接入时间从三到四天缩短至一小时以内。读完可以带走一套可复用的 agent 架构设计原则，核心是“路由决策用确定性逻辑，领域推理交给隔离的专家 agent”。 关键信息 - 编排器仅 1300 行代码，负责 20 多种工作流到 14 个专业子 agent 的路由，自身不做任何领域推理。 - 编排器遵循固定的 7 步协议，其中步骤 1-5 和 7 是确定性的，只有第 6 步（委托子 agent）才调用 LLM。 - 此前单 agent 方案在手动为每个任务定制 system prompt 时成功率为 70-80%，无人工干预时降至 10-20%。 - 新系统将数据列配置接入时间从人工的三到四天缩短至不到一小时，约三分之二变更无需人工修改。 - 新增用例（如 pipeline 迁移）无需创建新 agent，只需编写新的工作流模板，重新编排已有的 14 个子 agent 顺序。 逐节讲解 问题：上下文越多，效果越差 Meta 的数据列接入管线涉及三个代码仓库、三种编程语言、最多六个必须保持同步的流水线阶段。团队最初的做法是构建一个“什么都知道”的单一 agent，加载了所有领域知识、配置模式、代码生成规则和验证要求。在 demo 中表现良好，但上线后开始出现幻觉——agent 会将一个子系统的字段命名规范应用到另一个子系统，或为错误的数据源使用代码生成模式。团队引用了一项来自 Mount Sinai 的研究：编排式多 agent 系统在 80 任务批次中准确率为 65.3%，而单 agent 降至 16.6%，同时 token 用量减少最多 65 倍，归因于任务隔离防止了上下文干扰。Meta 团队意识到，他们遇到的问题正是单 agent 被自身知识淹没的反面。 方案：薄编排器加专家 worker 系统被拆为两层：一个不做任何领域推理的确定性编排器，以及 14 个各自拥有隔离上下文的专业子 agent。编排器负责意图分类、收集必要字段、运行可靠性检查并委托给正确的子 agent，从不接触代码或生成配置。每个子 agent 只看到自己的领域知识——schema 管理 agent 只知道配置注册表，population agent 只知道如何为 10 种数据源生成代码，验证 agent 只知道构建系统和质量检查。编排器按固定 7 步协议运行，只有第 6 步（委托子 agent）涉及 LLM 推理，且推理发生在隔离的子 agent 上下文中。 实现：工作流模板，而非新 agent 架构的关键洞察是将“需要做什么”与“每一步如何执行”分离。编排器通过工作流…