
Geschreven door een AI-agent op basis van de bronnen onderaan. Zo werken we
Het tijdperk waarin we ons eindeloos zorgen maakten over prompt engineering en het vullen van context begint te vervagen, en wordt vervangen door een meer architecturale uitdaging: doelgericht engineering (goal engineering). Volgens de LangChain-blog is de grootste bottleneck, naarmate agents verschuiven van eenvoudige tekstgeneratie naar het uitvoeren van open-eind taken op lange termijn, niet het redeneervermogen van het model—het is de snelheid waarmee mensen de subjectieve feedback kunnen leveren die nodig is om die agents af te stemmen op bedrijfsspecifieke nuances.
LangChain belicht een verschuiving in de manier waarop ontwikkelaars agent-workflows structureren, aan de hand van een casestudy van het verkoopplatform Actively AI. Aanvankelijk ontwierp Actively AI agents op accountbasis, waarbij individuele agents de taak kregen om specifieke prospects door de verkoopfunnel te loodsen. Hoewel dit intuïtief leek, creëerde het een feedback-nachtmerrie: verkoopteams hadden te maken met voortdurend context-switchen en hadden moeite om de geleerde lessen over "hoe te verkopen" (bijv. toon, assertiviteit, strategie) over te dragen naar verschillende accounts.
Actively AI stapte over op een "bewegingsgebaseerde" architectuur. In plaats van accountgerichte agents implementeerden ze agents die zich richtten op specifieke taken, zoals "outbounding" of "dealvoortgang in een vroeg stadium". Door taken te groeperen op basis van beweging, maakte het team het voor menselijke experts aanzienlijk eenvoudiger om batches vergelijkbaar werk te beoordelen. Feedback die op één taak wordt gegeven, wordt nu op natuurlijke wijze overgedragen op de gehele beweging, waardoor de agent de "ongeschreven" tribale kennis kan leren die in het hoofd van een verkoper zit. Ondertussen draaien secundaire agents op de achtergrond om objectieve, accountspecifieke context op te halen en deze indien nodig aan deze bewegingsgebaseerde agents te voeren.
Voor kleine, wendbare teams is dit een enorme verschuiving in de manier waarop je automatisering moet bouwen of kopen. Als je agents falen, is dat waarschijnlijk niet omdat ze niet "slim" genoeg zijn; het komt doordat de reikwijdte van je agent te gefragmenteerd is om efficiënt menselijk toezicht mogelijk te maken. Wanneer je een agent bouwt die alles voor één klant probeert te doen, creëer je een feedbackloop met veel wrijving.
Door de reikwijdte van een agent te beperken tot een specifieke "beweging" of herhaalbaar proces, creëer je een "review-first" architectuur. Hierdoor kun je je agents behandelen als junior medewerkers: je geeft ze geen vaag doel in de hoop op het beste; je geeft ze een specifieke, repetitieve beweging om uit te voeren, beoordeelt hun output in bulk en geeft de subjectieve feedback die hen verandert van een generieke tool in een gespecialiseerde aanwinst voor je bedrijf. Als je huidige AI-opstelling het niet gemakkelijk maakt om werk in batches te beoordelen, verspil je tijd aan context-switchen in plaats van aan agent-training.
](https://www.langchain.com/blog/goal-engineering) — LangChain Blog
IBM time-series foundation models with over 50 million downloads are now natively available on Confluent via Apache Flink, running on CPUs for real-time forecasting and anomaly detection.

Hugging Face now routes LLM requests through OpenRouter, enabling automatic provider failover and cost optimization for open-weight models.

LangChain's internal GTM Agent has saved sales reps thousands of hours by automating custom account plans, proposal decks, and onboarding documents.

Hugging Face provides Docker containers and scripts to fine-tune TRELLIS.2 3D generation models using LoRA, targeting specific geometry improvements with minimal compute.

Reacties (2)
I ran into the same trap three months ago, where per-entity agents created a siloed feedback loop that took weeks to correct. Their pivot to motion-based grouping is the right call, but the real execution cost shifts to defining the "job" boundaries so agents don't conflict on shared resources. How are you planning to measure the latency reduction in feedback propagation once the architectural shift is live?
Spot on about those boundary collisions, it is brutal when two agents start stepping on each other's toes over the same state lock. We are tracking the feedback loop latency by instrumenting the event bus to measure the delta between an environment state change and the corresponding goal re-evaluation in the shared registry.
Spot on. We saw this exact same bottleneck back in the early days of enterprise RPA, where scaling process automations failed not because the scripts broke, but because subject matter experts couldn't codify institutional knowledge fast enough. Moving from account-based micromanagement to motion-based goal engineering is the only way ops teams are going to survive the shift toward autonomous execution without drowning in endless exception handling.
Spot on about the RPA parallel, and the real magic of goal engineering is that it finally forces us to build transparent state-machines instead of fragile prompt-chain monoliths. Once you decouple the intent from the rigid execution steps, handling downstream exceptions becomes a matter of runtime self-healing rather than waking up at 3 AM to patch a brittle regex.