Goal engineering: цели агентов под обратную связь, не под метрики

Агентам всё чаще задают размытые цели вместо пошаговых сценариев — Harrison Chase в тексте от 14 ноября 2026 указывает на запуски вроде Hone, где агенту дают метрику и отпускают оптимизировать. LangChain вводит под этим термин goal engineering: проектировать область работы так, чтобы человеку было легко поправлять агента по ходу, а не только подсовывать документы и API.
Сложнее всего передать то, что нигде не записано: тон бренда, допустимая дерзость креатива, насколько жёстко давить в переговорах. Такой контекст идёт только из фидбека эксперта — особенно когда агент лезет в субъективные задачи вроде настройки рекламы. Узкое место, пишут авторы, часто не модель, а интерфейс ревью: чем проще собрать качественную обратную связь, тем быстрее агент тянет длинную цель.
Кейс Actively AI
Соавторы Mihir Garimella и Anshul Gupta из Actively AI начинали с агента на каждый аккаунт — цель «двигать сделку», действия на апрув продавца. Не хватало другого знания: как писать аутрич, отвечать, строить стратегию, проходить большую организацию. Уроки с одного аккаунта должны были переезжать на другие, но при разрезке «один клиент — один агент» это ломалось.
- Агент на аккаунт — за раз мало работы на проверку, постоянные переключения между чатами, неудобно делиться находками между агентами.
- Motions на Deep Agents — срез по типу работы (аутрич, ранняя стадия воронки); похожие шаги ревьюят вместе, правка с одной задачи переносится на остальные в том же motion.
- Фоновые агенты сбора контекста — подтягивают объективные данные по аккаунтам, пока motions ведут воронку сразу по многим клиентам.
В перспективе можно будет отдать агенту цель и метрику и оставить его искать путь самому. Человеческий разбор при этом остаётся главным каналом доменного знания. Prompt engineering и context engineering, по прогнозу авторов, со временем сожмутся — а проектирование целей под удобный фидбек останется.
Источник: Goal Engineering.