Da prompt a obiettivi: la nuova direzione di LangChain

Il 14 novembre 2026 LangChain ha pubblicato un post provocatorio che conclude con la frase: “Prompt engineering e context engineering scompariranno, ma la goal engineering rimarrà”. Il documento, co‑scritto da Harrison Chase e dai fondatori di Actively AI, una startup di automazione delle vendite, traccia il percorso evolutivo degli agenti intelligenti e individua le sfide ancora aperte.

Il giorno precedente, la stessa azienda aveva annunciato un round di finanziamento Serie C da 300 milioni di dollari, valutando la società a 3 miliardi. Oggi più di 7 000 organizzazioni utilizzano LangSmith, la piattaforma di agenti di LangChain. Workday ha dichiarato di aver ridotto il tempo di deployment di un agente da cinque mesi a meno di un giorno, mentre Clay monitora centinaia di milioni di esecuzioni di agenti al mese. Il nuovo mantra di LangChain è chiaro: agenti che lavorano verso obiettivi, non agenti che eseguono semplici istruzioni.

Il percorso evolutivo: dalla generazione di testo agli obiettivi aperti

Il post riassume in un unico paragrafo l’intera evoluzione: gli agenti sono passati da semplici generatori di testo, a chiamate di tool e decision‑making, fino all’esecuzione di compiti completi. La fase successiva è rappresentata da “obiettivi aperti”, in cui l’agente dirige autonomamente le proprie azioni per raggiungere un risultato finale.

Un esempio concreto è Hone, una startup che ha raccolto 60 milioni di dollari di seed round da Benchmark e Index Ventures. La visione di Hone è sintetizzata nella frase: “Un motore incontra obiettivi anziché completare compiti”. L’utente assegna all’agente un risultato, ad esempio migliorare la retention dei clienti; l’agente apprende il contesto aziendale e si assume la responsabilità del risultato, definendo metriche di ottimizzazione.

Questo cambiamento si riduce a una frase chiave: le istruzioni passo‑passo dicono all’agente cosa fare, mentre un obiettivo gli dice cosa raggiungere, lasciando aperto il “come”. La sfida di design si sposta quindi dal prompting allo scoping: definire l’obiettivo, descrivere cosa significa “completato” e garantire che l’agente rimanga focalizzato sul risultato desiderato.

Feedback come motore principale, non benchmark

Il nucleo del post di LangChain è l’importanza del feedback. Il design di un agente deve facilitare la fornitura di feedback sul suo operato. Quando un agente sbaglia, la causa più comune è la mancanza di contesto. Alcuni contesti sono economici da fornire, come l’accesso a documenti o API; altri, più costosi, sono intangibili: gusto, giudizio, tolleranza al rischio e la definizione di “buono” in un’organizzazione specifica. Questi elementi possono entrare nell’agente solo tramite feedback da esperti umani.

L’esempio di marketing del post lo rende concreto: un agente che ottimizza le campagne pubblicitarie ha bisogno non solo di dati, ma anche di “gusto” – cosa suona bene per il brand, quanto può essere provocatorio. Senza la capacità di assorbire tale feedback, l’agente diventa rapidamente inutilizzabile.

In parole povere, la citazione chiave è: “Il collo di bottiglia per le prestazioni degli agenti è spesso l’apprendimento dal feedback”. Di conseguenza, l’interfaccia di revisione non è più un optional ma una costrizione di produzione: se il feedback è il collo di bottiglia, occorre ottimizzarne la facilità di erogazione.

Strumenti già in produzione: Deep Agents Code e le rubriche

Il primo esempio concreto di goal engineering è implementato in Deep Agents Code, l’agente di codifica terminale di LangChain. Nella documentazione, un “goal” è definito come un obiettivo misurabile; l’agente redige i propri criteri di accettazione prima di iniziare il lavoro.

Esempio di comando:

    • /goal add OAuth refresh handling

L’agente genera i criteri di accettazione, li apre per la revisione umana e, una volta approvati, il goal resta attivo fino a quando non viene paused, completed, blocked o cleared. I comandi di ciclo di vita includono:

    • /goal amend
    • /goal pause
    • /goal resume
    • /goal show
    • /goal clear

In aggiunta, è possibile controllare il modello di valutazione e il numero massimo di iterazioni di grading. Ogni turno successivo viene valutato rispetto ai criteri di accettazione finché il lavoro non è completato.

Un’intera sessione dimostra il pattern:

    • /goal migrate auth callbacks to the new API
    • start with the OAuth callback
    • now update the tests
    • check the docs too

Il controllo avviene tramite goal, non tramite una ripetuta spiegazione del compito.

Rubriche per criteri predefiniti

Le rubriche rappresentano l’altro lato della medaglia. Quando i criteri sono già noti, si impostano così:

    • /rubric set "tests pass; no unrelated files changed; help text is updated"

Le rubriche possono applicarsi a un singolo turno o persistere su più turni. Per esecuzioni non interattive, si usano flag, ad esempio:

dcode -n "implement OAuth refresh handling" --rubric "tests pass; no unrelated files changed" --rubric-max-iterations 3

Due meccanismi chiave emergono: l’agente definisce autonomamente la “definition of done” e un umano la approva prima dell’avvio; i criteri sopravvivono a più turni, consentendo lavori a lungo termine. In sostanza, è il goal, non la sequenza di istruzioni, a valutare ogni passo.

Il loop di pianificazione: radici e evoluzione

Il “planner loop” alla base di questi agenti è stato rilasciato a febbraio 2024 con LangGraph. Gli agenti “plan and execute” dividono il lavoro in tre componenti: un planner che genera un piano multi‑step, esecutori che realizzano ogni step, e un re‑planner che rivaluta il piano dopo l’esecuzione. L’architettura si ispira a “Plan and Solve Prompting” e al “BabyAGI” di Yohei Nakajima.

Le motivazioni pratiche erano due: migliorare i tassi di completamento dei compiti e ridurre i costi. Gli agenti in stile ReAct chiamano il LLM una volta per ogni invocazione di tool e pianificano un passo alla volta. Un planner costringe il modello a ragionare sull’intero compito prima di agire, aumentando l’efficacia. Inoltre, i singoli step possono essere eseguiti su modelli più piccoli e specifici per dominio, riducendo le spese.

La terza architettura introdotta nello stesso rilascio, LLMCompiler, trasmette un DAG di task e li programma non appena le dipendenze sono soddisfatte, garantendo un’accelerazione di 3,6× rispetto all’approccio sequenziale.

Il goal loop: aggiungere la definizione di “done”

Il goal loop è una variante del planner loop con l’integrazione dei criteri di accettazione. In LangGraph, il codice di esempio è il seguente:

from typing import Annotated, TypedDict

import operator

from langgraph.graph import StateGraph, END

class GoalState(TypedDict):

objective: str # il goal, non i passi

criteria: list[str] # criteri di accettazione

plan: list[str] # piano corrente

completed: Annotated[list[str], operator.add]

def planner(state: GoalState) -> dict:

return {"plan": plan_for(state["objective"], state["criteria"])}

def executor(state: GoalState) -> dict:

step = next_step(state["plan"], state["completed"])

return {"completed": [step], "result": run(step)}

def replanner(state: GoalState) -> dict:

if criteria_met(state["objective"], state["criteria"], state):

return {"plan": []}

return {"plan": plan_for(state["objective"], state["criteria"], state["completed"])}

workflow = StateGraph(GoalState)

workflow.add_node("planner", planner)

workflow.add_node("executor", executor)

workflow.add_node("replanner", replanner)

workflow.setentrypoint("planner")

workflow.add_edge("planner", "executor")

workflow.add_edge("executor", "replanner")

workflow.addconditionaledges(

"replanner",

lambda s: "planner" if s["plan"] else "end",

{"planner": "planner", "end": END},

)

Le funzioni planfor, nextstep, run e criteria_met sono placeholder illustrative. Il punto cruciale è la struttura del grafo: il goal e i suoi criteri vivono nello stato, il planner rigenera i passi in base a tali criteri, e il loop termina solo quando i criteri sono soddisfatti.

Case study: le difficoltà di Actively AI con la goal engineering

Actively AI costruisce agenti per team di vendita. Il loro primo design orientato al goal prevedeva un agente per ogni account cliente. Ogni agente aveva l’obiettivo di far progredire l’account e produrre azioni da approvare dai rappresentanti di vendita.

Il modello sembrava naturale: l’account è l’unità di contesto più evidente. Tuttavia, il progetto ha fallito per una ragione specifica. Il progresso di un account richiede molteplici attività distribuite nel tempo, quindi in ogni momento c’erano solo pochi elementi da revisionare per agente. I venditori dovevano passare costantemente da un agente all’altro, e la conoscenza più preziosa – come la strategia di outbound, il tono di risposta, l’aggressività nella trattativa – era frammentata tra tutti gli agenti.

Il feedback raccolto su un account non trovava una via per gli altri, anche quando la lezione era applicabile a tutti. Questa dispersione di conoscenza ha evidenziato una limitazione fondamentale della prima implementazione di goal engineering: la mancanza di un meccanismo di condivisione del feedback a livello trasversale.

In risposta, Actively AI ha riprogettato il proprio sistema introducendo un “knowledge hub” centralizzato, dove i criteri di successo e le revisioni umane vengono aggregati e poi propagati a tutti gli agenti. Questo approccio consente di trasformare il feedback specifico di un account in regole generali, migliorando l’efficacia complessiva.

Lezioni chiave per il futuro della goal engineering

    • Definizione chiara del goal: un obiettivo ben formulato deve includere metriche misurabili e criteri di accettazione espliciti.
    • Feedback umano integrato: la facilità di fornire feedback diventa il principale vincolo di produzione.
    • Condivisione del sapere: i feedback devono poter essere riutilizzati da più agenti per evitare silos di conoscenza.
    • Loop di pianificazione con criteri di “done”: il modello deve poter valutare ogni passo rispetto a criteri pre‑definiti, garantendo coerenza su orizzonti temporali lunghi.
    • Scalabilità dei costi: l’uso di modelli più piccoli per step specifici riduce le spese operative.

Conclusioni: verso un’era di agenti autonomi orientati al risultato

Il messaggio di LangChain è chiaro: il futuro non sarà più dominato dalla scrittura di prompt dettagliati, ma dalla capacità di impostare obiettivi intelligenti e di fornire feedback efficace. La transizione da “cosa fare” a “cosa raggiungere” richiede una nuova mentalità di design, in cui la definizione del goal, i criteri di accettazione e le interfacce di revisione diventano gli elementi centrali.

Con il supporto di strumenti già operativi come Deep Agents Code, le rubriche e il planner loop di LangGraph, le aziende hanno a disposizione le fondamenta per costruire agenti che lavorano su orizzonti più lunghi, apprendono costantemente dal feedback umano e condividono conoscenza a livello di organizzazione.

Il caso di Hone dimostra che gli investitori credono fortemente in questo modello, mentre l’esperienza di Actively AI mette in luce le sfide pratiche di scaling. Se le aziende sapranno superare gli ostacoli di feedback e di condivisione della conoscenza, la goal engineering potrebbe diventare il nuovo standard per lo sviluppo di sistemi autonomi, aprendo la strada a una generazione di agenti che non solo eseguono compiti, ma realizzano risultati concreti per le imprese.