评分 7.7 · 来源：Meta Engineering · 发布于 2026-03-17
评分依据：Meta 首次公开全自主 ML Agent 在生产环境（广告排序）中端到端运行的技术细节和效果数据，对 MLOps 和 Agent 工程实践有直接参考价值
要点
Meta 公开了 REA（Ranking Engineer Agent）的完整技术架构。这套系统能够自主完成广告排序模型的完整 ML 生命周期：从数据提取和验证开始，经过特征工程和模型训练，到模型部署、A/B 测试配置和效果监控，全程无需人工介入。
REA 的设计采用了分层架构：顶层规划器负责分解 ML 任务为可执行步骤，底层执行器对接 Meta 内部的各种基础设施（数据管道、训练集群、部署系统）。系统内置了丰富的 ML 领域知识，包括特征选择策略、超参数搜索空间定义和异常检测规则。
Meta 披露，REA 目前已在生产环境中处理数百个广告排序模型的迭代任务，将单个模型迭代周期从数周缩短到数天，同时保持了与人类工程师相当甚至更优的模型质量。
🤖 AI 点评
这是目前看到的最完整的生产级 ML Agent 案例。之前行业里的 Agent 演示大多停留在「帮我写个脚本」层面，REA 展示的是真正的端到端自主性——从数据到上线全流程自动化，而且运行在 Meta 这种规模的生产环境里。特别值得关注的是它的异常处理机制：在 A/B 测试指标异常时能够自动回滚，这说明 Meta 对 Agent 的边界有清晰的认知——不是让 Agent 做所有决策，而是给它画好护栏后放手。对正在构建企业级 Agent 的团队来说，REA 的架构设计和护栏策略是绝佳参考。