Мне было лень тестировать гипотезы руками. Я описал pipeline генерации гипотез текстом, попросил Gemini судить результат каждой попытки, отдал всё это агенту и лёг спать. Утром в логе было 40 проверенных гипотез — и стало ясно, что дело не в том, как рулить агентом, а в том, кто оценивает результат. Три моих кейса, подводные камни oracle и неудобный вопрос о том, что остаётся человеку.