🤖 Meta REA: Ranking Engineer Agent

核心发现

• 2倍模型准确率: REA驱动的迭代在6个模型上实现了相比基线翻倍的平均准确率
• 5倍工程输出: 3名工程师交付了8个模型的改进提案——历史上每个模型需要2名工程师

技术架构

1. 冬眠-唤醒机制 (Hibernate-and-Wake)

ML训练任务运行数小时甚至数天，REA通过后台系统委托等待，休眠以节省资源，任务完成后自动恢复，实现跨多周的连续运行。

2. 双源假设引擎 (Dual-Source Hypothesis Engine)

• 历史洞察数据库: 过去实验的精选仓库，支持上下文学习和跨先验成功/失败的模式识别
• ML研究Agent: 深度研究组件，调查基线模型配置并提出新型优化策略

3. 三阶段规划框架

1. 验证: 并行测试来自不同源的个别假设以建立质量基线
2. 组合: 将有希望的假设组合起来寻找协同改进
3. 开发: 在批准的计算预算内积极探索最有希望的候选

核心挑战与解决方案

• 长视野异步工作流: REA通过冬眠-唤醒机制维护跨多轮工作流的持久状态和记忆
• 高质量多样化假设生成: 综合历史实验和前沿ML研究生成单一方法不太可能产生的配置
• 现实约束下的弹性操作: 基础设施故障、意外错误时在预定义guardrails内自适应调整

为什么重要

传统ML实验需要工程师精心设计假设、启动训练运行、调试失败、分析结果并迭代——每个完整周期可能跨越数天到数周。REA代表了AI在工程实践中从"助手"到"自主Agent"的范式转变。