Чаще всего агент делает не то потому, что задачу ему поставили словами "сделай хорошо". Без критерия готовности он делает как понял и додумал. Какое ТЗ такое ХЗ

Агенту нужен контракт.
1) Цель: поднять покрытие тестами до 80%.
2) Критерий приёмки: pytest завершается с кодом 0.
3) Границы: публичный интерфейс не менять.
4) Лимиты: сколько попыток, времени и токенов есть у цикла, прежде чем он отдаст задачу человеку.

Всё держится на критерии приёмки. Должено проверяться командой с понятным результатом, оценка "выглядит рабочим" не годится. В такую проверку идут типы, линтеры, автотесты, ошибки времени выполнения и правила проекта.

Чего агент не проверит сам, то выносится отдельным шагом, и этот шаг проверяете вы.

Тогда цикл сам понимает, добился он цели или нет, и не гоняет вас за подтверждением на каждом шаге.

Источник: Anthropic Building verification loops in Claude Code with skills