Goal Engineering: هدف ایجنت رو چطور طراحی کنیم
خلاصهٔ کاملتر
هریسون چیس از LangChain، همراه با دو نفر از Actively AI، تو این پست میگه ایجنتها از تولید متن ساده به tool calling و بعد اجرای کامل کارها رسیدن، و قدم بعدی اینه که یه هدف باز بگیرن و تا رسیدن بهش جلو برن. به گفتهی نویسندهها، تو این دنیا تعریف دامنهی کار ایجنت خیلی مهمه، چون اگه جهتش اشتباه باشه کلی توکن هدر میره.
ایدهی اصلی اینه: دامنهی ایجنت رو طوری طراحی کن که بازخورد دادن بهش تا جای ممکن آسون باشه. دلیلش اینه که ایجنتها بیشتر وقتها به خاطر کمبود context اشتباه میکنن. بعضی contextها مثل دسترسی به سند یا API رو راحت میشه داد، ولی سختترینش دانشیه که هیچجا نوشته نشده و فقط تو ذهن متخصصهاست. این نوع دانش فقط از طریق بازخورد انسانی به ایجنت میرسه، مخصوصاً تو کارهای سلیقهای مثل تبلیغات. نویسندهها برای همین میگن باید روی یه UX خوب برای مرور کار ایجنت سرمایهگذاری کرد.
مثال اصلی Actively AIه که برای تیمهای فروش ایجنت میسازه. نسخهی اولشون برای هر account (یعنی هر مشتری بالقوه) یه ایجنت جدا داشت که کارهایی پیشنهاد میداد تا فروشنده تأیید کنه. منطقی به نظر میرسید، ولی معلوم شد context مهم دیگهای هم هست: اینکه کار فروش رو چطور درست انجام بده، مثلاً چطور outbound کنه یا چقدر تهاجمی باشه. این دانش بین همهی accountها مشترک بود، ولی بین ایجنتهای جدا پخش میشد.
نتیجه این شد که فروشندهها مدام بین ایجنتها جابهجا میشدن، چون هر ایجنت در هر لحظه فقط چند تا کار برای مرور داشت، و منتقل کردن یه درس از یه ایجنت به بقیه هم سخت بود. نسخهی دوم که روی Deep Agents ساخته شده، ایجنتها رو حول motion میچینه، یعنی یه نوع کار مشخص مثل outbound یا پیشبرد معاملههای مرحلهی اول. چون یه motion مجموعهای از کارهای مشابهه، فروشنده میتونه همه رو یهجا مرور کنه و بازخوردش خودبهخود روی بقیهی کارهای همون motion هم اثر میذاره.
context هر account هنوز مهمه، ولی معمولاً جایی نوشته شده و عینیتره. برای همین Actively چند ایجنت پسزمینه داره که این context رو جمع میکنن، و motionها هر وقت لازم داشتن ازش استفاده میکنن. نویسندهها در آخر پیشبینی میکنن prompt engineering و context engineering از بین میرن، ولی goal engineering میمونه.
نکات کلیدی:
- هدف ایجنت رو طوری تعریف کن که مرور کار و بازخورد دادن بهش برای آدمها ساده باشه
- سختترین context دانشیه که نوشته نشده و فقط از بازخورد متخصصها به دست میاد
- Actively AI از «یه ایجنت برای هر account» به ایجنتهای مبتنی بر motion رسید
- motionها روی Deep Agents از LangChain ساخته شدن و هر کدوم یه نوع کار فروش رو پوشش میدن
- context هر account رو ایجنتهای پسزمینه جمع میکنن و motionها در صورت نیاز ازش استفاده میکنن




