Meta: ИИ-агенты разбирают регрессии за около 30 минут вместо около 10 часов

Код Meta обслуживает более 3 миллиардов человек, поэтому даже регрессия производительности в 0,1% означает заметный рост энергопотребления. Программа Capacity Efficiency работает в двух направлениях: поиск оптимизаций существующих систем и мониторинг продакшена с выявлением регрессий и поиском вызвавшего их pull request. Инструменты поиска и обнаружения работали годами, но разбор найденных проблем упирался во время инженеров, у которых приоритет отдан новым продуктам. Компания поставила вопрос, может ли ИИ взять на себя расследование и исправление.

Meta построила единую платформу ИИ-агентов с двумя слоями. Первый слой — MCP-инструменты, стандартные интерфейсы для вызова кода языковой моделью: запрос профилировочных данных, результаты экспериментов, история конфигураций, поиск по коду, извлечение документации. Второй слой — навыки (skills), которые кодируют опыт старших инженеров по эффективности: какие инструменты вызывать и как трактовать результаты. Для защиты компания добавила AI Regression Solver в инструмент FBDetect: собственный кодирующий агент собирает контекст, применяет навыки и создаёт pull request, который уходит автору исходного изменения на проверку. Для наступательной стороны инженер запрашивает у агента готовый pull request по найденной возможности оптимизации.

Компания описала платформу в публикации 16 апреля 2026 года. По её словам, ИИ-системы стали инфраструктурой программы Capacity Efficiency, которая вернула сотни мегаватт мощности. Автоматизация диагностики может сжать около 10 часов ручного расследования до около 30 минут, а путь от возможности оптимизации до pull request на проверку агенты проходят полностью автоматически. Помощь агентов на стороне оптимизации расширяется на новые продуктовые области каждое полугодие. На той же основе за год появились диалоговые помощники по вопросам эффективности, агенты планирования мощности, персональные рекомендации возможностей и ИИ-проверка.