Агент по миграции кода завершает работу. Пайплайн зелёный, всё выглядит чисто. Только через несколько дней выясняется, что часть кода просто не была скомпилирована. Не потому что модель плохая — просто агент сам решил, что сделал всё.
Агент — плохой судья своей работы
Любой агент работает в цикле: читает файлы, запускает команды, вносит изменения — и после каждого шага спрашивает себя: «Я закончил?» Проблема в том, что модель, которая только что что-то сделала, видит это как прогресс. И когда она смотрит на задачу в целом, она уже мысленно отмечает её выполненной — даже если остались незакрытые хвосты.
Это не баг конкретной модели, это системная история. Разработчику, который сидит рядом, очевидно, что тест не прошёл. Агенту — нет, потому что он только что закончил что-то другое, и это «что-то» ощущается как финиш.
Anthropic выкатили решение в Claude Code — команду /goals. И идея там неожиданно простая.
Разделить того, кто делает, и того, кто оценивает
/goals добавляет в рабочий цикл агента второй слой. Разработчик задаёт условие завершения в виде промпта — например: «все тесты в папке test/auth проходят, lint чистый». После этого Claude Code запускается в обычном режиме, но каждый раз, когда агент пытается завершить работу, в дело вступает отдельная модель-оценщик.
Оценщик — это Haiku по умолчанию — делает ровно одно: проверяет, выполнено ли условие. Да или нет. Если нет — агент продолжает. Если да — условие логируется в транскрипт, цель закрывается.
Haiku здесь не случайно: задача у него бинарная, никакого творчества не нужно. Зато основная модель не тратит внимание на самооценку — она просто работает. Небольшая, но важная разгрузка.
Ключевой момент: оценщик работает независимо от агента и не знает, что тот «думает» о своём прогрессе. Это убирает главную ловушку — когда модель путает то, что уже сделано, с тем, что ещё нужно сделать.
А как у конкурентов?
OpenAI тоже выкатили /goal — в Codex CLI, буквально в те же дни. Но пришли к другому выводу о том, что здесь главное.
Codex сделал ставку на долгосрочность: можно поставить цель на паузу, закрыть ноутбук, вернуться через несколько часов — агент продолжит с того места. Состояние сохраняется между сессиями. Anthropic же сосредоточились на другом: кто решает, что задача выполнена. Их ответ — не сам агент, а отдельная модель-оценщик.
Google ADK поддерживает похожую логику разделения задачи и оценки, но там всё это нужно настраивать вручную — описать условие завершения, прописать логику, подключить мониторинг.
Получается, все трое увидели одну и ту же проблему. Но OpenAI спросили «как сделать, чтобы агент работал дольше», а Anthropic — «как сделать, чтобы агент не соврал, что закончил».
Для каких задач это реально работает
Лучше всего /goals подходит там, где результат можно проверить однозначно: тесты прошли или нет, файл создан или нет, очередь пустая или нет. Миграции, исправление сломанных тест-сьютов, автоматизация рутинных задач — вот где это имеет смысл.
Для задач с дизайн-решениями или там, где «готово» — это суждение, а не факт, человек в цикле всё равно нужен. Haiku не скажет тебе, хорошо ли выглядит интерфейс.
Условие завершения, которое реально работает, обычно выглядит так: одно измеримое состояние, понятный способ проверки и ограничения, которые не должны нарушаться по пути. «npm test выходит с кодом 0, и никакие другие тестовые файлы не изменены» — это рабочее условие. «Всё хорошо» — нет.
Сам помогаю бизнесу разобраться с ИИ-инструментами и внедрить нужное — без лишних систем и переусложнённых стеков. Если интересно — больше в телеграме @dmitra_ai или ВКонтакте.
Агент, который не может адекватно оценить собственную работу — это примерно как попросить подрядчика самому подписать акт приёмки. Технически возможно. Но лучше, когда кто-то другой смотрит на результат свежим взглядом.