Goal Engineering: como desenhar metas de agentes de IA

Goal Engineering: como desenhar metas de agentes de IA

Em 14 de novembro de 2026, a LangChain publicou em seu blog o artigo "Goal Engineering: How to Design Goals", assinado por M. Garimella, da Actively AI, na série "Harrison's In the Loop".

O texto propõe uma disciplina nova para quem constrói agentes de inteligência artificial: em vez de pensar apenas em prompts ou modelos, projetar com cuidado o escopo e as metas que orientam o agente em tarefas de horizonte longo.

Do texto à execução de objetivos abertos

De acordo com o artigo, o leque de tarefas que agentes conseguem assumir cresceu de forma acentuada nos últimos anos. Eles saíram da geração simples de texto para o uso de ferramentas (tool calling) e a tomada de decisão, até chegar à execução de tarefas completas.

A aposta da LangChain é que o próximo passo sejam agentes que recebem metas abertas e trabalham até concluí-las. Lançamentos como o Hone são citados como uma amostra desse futuro.

Nesse cenário, definir o escopo deixa de ser detalhe e vira decisão crítica de engenharia: apontar o agente na direção errada resulta em muito token desperdiçado. O texto observa que uma parte central da configuração do Hone é justamente estabelecer métricas que os agentes devem otimizar.

Escopo desenhado para facilitar o feedback

A principal lição prática do artigo é que o escopo de um agente deve ser desenhado para tornar o mais fácil possível o envio de feedback enquanto ele opera. Quando agentes erram, uma das razões mais comuns é a falta do contexto adequado — e corrigir isso exige entregar a ele o contexto certo.

Parte desse contexto é simples de fornecer, como acesso a documentos e APIs. O tipo mais difícil, segundo o autor, é aquele que não está registrado em lugar nenhum e só pode chegar ao agente como feedback de um especialista humano.

Isso ganha peso à medida que os agentes deixam as tarefas verificáveis e passam a dividir trabalho subjetivo com pessoas dentro das organizações.

O contexto que não está escrito em lugar nenhum

O exemplo usado é o de um agente encarregado de melhorar uma métrica de negócio, como aperfeiçoar anúncios para elevar o desempenho de marketing. Nesse caso, existem nuances que vão além do contexto factual: preferências de tom, noção de estética e limites sobre o quanto a marca pode ser provocativa.

Um agente incapaz de absorver esse tipo de feedback rapidamente se torna inútil.

Daí decorre uma recomendação secundária, mas destacada no texto: investir pesadamente em uma experiência de revisão do trabalho do agente que seja intuitiva e agradável. Como o gargalo do desempenho costuma estar no aprendizado a partir do feedback, vale otimizar a facilidade e a qualidade da coleta dessas avaliações.

O caso da actively ai

O artigo detalha a experiência da Actively AI, que constrói agentes para equipes de vendas. A primeira versão orientada a metas era organizada com um agente por conta, ou seja, por cliente potencial que o time comercial quer vender.

O agente tinha a Meta de fazer a conta avançar e produzia ações para os vendedores aprovarem. Na intuição inicial, o contexto mais importante era o da conta, e por isso o agente deveria ser estruturado em torno dela.

Com o uso, a empresa identificou outra fonte relevante de contexto: como executar o trabalho com eficiência, como fazer o primeiro contato, como responder, como pensar a estratégia de um negócio, qual o nível de agressividade adequado e como navegar em uma organização grande. Esse conhecimento estava disperso entre vários agentes, e o que se aprendia em uma conta frequentemente deveria valer para as outras.

A conclusão foi que o formato de um agente por conta dificultava o uso e o feedback: havia muita troca de contexto entre agentes e era estranho compartilhar aprendizados entre eles.

A segunda versão corrigiu o desenho. Os novos agentes orientados a metas, construídos sobre o Deep Agents, foram batizados de "motions": cada um corresponde a um trabalho específico a ser feito, como prospecção ativa ou avanço de negociações em estágio inicial.

Como uma motion reúne tarefas semelhantes, fica simples revisar tudo junto, e o aprendizado obtido em uma tarefa tende a valer para as demais. O resultado é que o escopo do feedback passa a coincidir com o escopo do agente.

Implicações para quem constrói agentes

O texto da LangChain trata o "goal engineering" como uma mudança de mentalidade. Em vez de perguntar apenas qual modelo usar ou como escrever a instrução perfeita, a pergunta central passa a ser como delimitar o trabalho do agente de modo que especialistas humanos consigam corrigi-lo com rapidez e consistência.

Escopos amplos demais geram desperdício; escopos estreitos demais fragmentam o aprendizado e sobrecarregam quem revisa.

Para o autor, esse desenho é o que permite construir agentes capazes de perseguir metas de longo prazo de forma confiável, com a interface de revisão funcionando como parte do sistema de aprendizado, e não como um detalhe de produto.

Fontes e links

Matéria publicada originalmente em LangChain

Últimas Notícias

Google Maps lança Ask Maps para viagens e preparativos de fim de ano
IA empresarial: do piloto à plataforma exige dados e governança
Audible lança descoberta de audiolivros com sinopses por IA
FrontierML: agentes de IA já convertem orçamento em desempenho