admin
צריך observability לפני scale. צריך shadow mode לפני production. אם אתם בונים מערכת production עם דרישות reliability גבוהות — LangGraph. השוק מוצף בכלים לבניית סוכני Agentic AI.
מה ההבדל בין Agentic AI לבין Generative AI?
צריך logging מלא של כל שלב, כל החלטה, כל קריאת כלי. הכל היה הנדסת תוכנה — הגדרת state, חיבור כלים, ניהול זרימה. לכל אחד יתרונות וחסרונות — ולפעמים הבחירה הנכונה היא לשלב ביניהם. לזה צריך מעבדה, מנטורים ופרויקטים אמיתיים. אי אפשר ללמוד ממנו איך לבנות סוכן שלא "הוזה" (hallucination), שלא נתקע בלולאות אינסופיות, ושבאמת עושה מה שביקשתם ממנו בסביבת production.
בקורס מתקדם לומדים גם human-in-the-loop — עצירה אוטומטית של הסוכן כשהוא לא בטוח, ובקשת אישור מאנושי. צריך אסטרטגיית caching, בחירת מודלים חכמה (מודל זול לשלבים פשוטים, מודל חזק לשלבים קריטיים), ו-batching. Guardrails — מגבלות קשיחות על מה הסוכן יכול ומה לא יכול לעשות — הם לא אופציה, הם חובה. הפער הזה הוא בדיוק מה שקורס מקצועי צריך לגשר עליו. לצוותים שרוצים שליטה מלאה ומתכוונים לייצר מערכות מורכבות — LangGraph הוא הבחירה.
למה צוותי פיתוח צריכים ללמוד את זה — ולמה הגישה הרגילה לא מספיקה
זו מיומנות חדשה, ומי שירכוש אותה ראשון/ה — ירוויח/תרוויח. Python היא השפה הדומיננטית — כל הפריימוורקים המובילים (LangGraph, AutoGen, CrewAI) בנויים ב-Python. לכן בניית guardrails היא לא אופציונלית — היא הדבר הראשון שבונים.
השוואת פלטפורמות ליצירת סוכני AI: מה מתאים לצוות שלכם
- אם ה-IT שלך רץ ב-ServiceNow, הסוכן שפותר תקלות צריך להיות חלק מ-ServiceNow.
- צריך סקרנות, נכונות ללכלך ידיים, וסביבת לימוד שלא מסתפקת בדמואים.
- בקורס מתקדם לומדים גם human-in-the-loop — עצירה אוטומטית של הסוכן כשהוא לא בטוח, ובקשת אישור מאנושי.
- סוכן AI יכול לעשות את אותו הדבר — לא כי הוא "חכם יותר" ממפתח אנושי, אלא כי הוא יכול לגשת לכל הכלים האלה פרוגרמטית, ב-24/7, בלי לשכוח שלב.
- חוזים שפגו תוקף, ביטוחים שצריך לחדש, הצעות מחיר שצריך להשוות, תשלומים שצריך לאשר.
צריך לבנות guardrails לפני שרצים. 80% זה בניית ה-tooling הנכון, ה-guardrails, וה-observability — היכולת לראות בדיוק מה הסוכן עשה, למה, ומה היתה התוצאה. הבחירה הזו לא הייתה אקראית — היא אפשרה לנו לשלוט בזרימת ההחלטות של הסוכן בצורה מדויקת. הסוכן שבנינו עם חברת א’ מבוסס על framework שנקרא LangGraph — הרחבה של LangChain שמאפשרת לבנות סוכנים כגרפים של מצבים (state graphs). מנגנון בקרה (Guardrails) — הגבולות שמונעים מהסוכן לעשות דברים מסוכנים.
אם יותר אנשים היו זוכים הלוטו אולי לא היה מרוויח. בפוסט היום נתבונן בפונקציה אחת מתוך הקוד ונאתר בה מספר Anti Patterns, כלומר תבניות קוד שליליות שאני מזהה שחוזרות בצורות שונות בקוד AI. החשיבות של משימה כזו היא לצורך טיפול בהודעה חלקית, כלומר אם כל החלקים הגיעו אז החלק האחרון יאסוף את כולם ויחבר אותם להודעה אחת. סך הכל זה חמוד שהם עושים לעצמם פרסומת למרות שצריך להגיד את האמת המודל שעשה את התיקון היה חיקוי סיני בשם qwen ולא קלוד אופוס. כן כדאי להקפיד לבקש מהסוכן כשצריך שישים לב כשיש קומפוננטה לשימוש חוזר ויבנה אותה בצד בתור קומפוננטה נפרדת. בינתיים דוגמת הקומפוננטה של הגיטרה לימדה אותי שמאוד נוח כשהסוכן בונה מאפס את הרכיב המדויק שאני צריך.
הבלוג שלנו מלא במידע שיקדם אותך למשרה הבאה שלך
הקוד מושך url מתור ואז עושה משהו עם ה url הזה, אבל מה שמעניין בו הוא כל פקודות הטיפול בשגיאות ובביטולים. על אותו משקל צריך למצוא מושג שיתאר את המרדף אחרי המודל הבא, הכלי הבא, הקסם הבא. כשמישהו מבטיח סוכן קולי שיסיים בשבילי משימות אני נזכר ב OpenClaw ובטעויות שהוא עשה לאנשים.
מה זה בכלל Agentic AI ולמה זה שונה מכל מה שהכרתם
בפרק הקודם עסקנו בעולם הסוכנים המשרתים את המשתמש הבודד — מפתח, יזם, עובד שמתקין משהו על המחשב שלו. צריך סקרנות, נכונות ללכלך ידיים, וסביבת לימוד שלא מסתפקת בדמואים. כל אחד מהסיכונים האלה ניתן לפתרון — guardrails, rate limiting, input sanitization, cost caps, ו-least privilege permissions. לצוותים שרוצים שליטה מלאה ומתכננים לבנות מערכות מורכבות — LangGraph.
נכתב על ידי קלוד אופוס 46
המערכת זיהתה ששינית את הנתונים באזור האישי ומעדכנת את ההמלצות על תפקידים ומשרות בהתאם. ניתן לצפות במשרות שסימנת בכל שלב תחת התפריט הראשי בקטגוריית ‘משרות שאהבתי’ הפיצ’ר מבטיח שתעבורת הנתונים בין MongoDB Atlas באזורים שונים של AWS תישאר בתוך הרשת הפרטית של AWS, ללא חשיפה לאינטרנט הציבורי. לקוחות מקבלים מסד נתונים אחד, API אחיד וסט יכולות עקבי — ללא קשר למיקום הפריסה. "MongoDB 8.3 הופכת עומסי עבודה של סוכני AI למהירים וזולים יותר על גבי התשתית שכבר קיימת אצל הלקוחות." החברה מציינת כי היכולת החדשה מבטלת את הצורך בהקמה ידנית ומורכבת של תשתיות חיפוש, כך שארגונים שבעבר השקיעו שבועות בבניית מערכות Semantic Search יכולים כיום להטמיע אותן בתוך דקות.
מפתח/ת מנוסה עבור פיתוח Micro-services ב NodeJS
כן, סוכן AI ללא guardrails יכול להיות מסוכן מאוד — במיוחד אם יש לו גישה לסביבת production. הוא יכול להתמודד עם מצבים שלא תוכנתו מראש, לפרק בעיות מורכבות לצעדים, ולהתאים את ההתנהגות שלו לפי תוצאות ביניים. ורוב ה-incidents נסגרים עכשיו בלי התערבות אנושית בכלל. זה כמו צוות SRE שלא ישן, לא שוכח, ומשתפר עם כל incident.
ברור שבשביל לדבר שפה בצורה שוטפת צריך זמן. כשאנחנו מבינים איך דברים עובדים הרבה יותר קל לנו לראות את האילוצים ואיתם להבדיל בין הבטחות להייפ. לא התקנתי אבל מאחר והפרויקט בקוד פתוח והמפתח הדגיש שהוא עבד עם סוכן קידוד כדי לבנות את זה היה לי מעניין להסתכל בקוד. כל מה שצריך זה להשקיע באותן תכונות שהופכות אתכם לבני אדם.
אבל כשהסוכנים עובדים ביחד? תכתבו בדיקות — כן, גם לסוכני AI hire AI development agency אפשר וצריך לכתוב בדיקות. סוכנים שמנטרים מערכות embedded בשטח — מ-IoT gateways ועד מערכות תעשייתיות — מזהים אנומליות, מבצעים עדכוני firmware, ומדווחים על מצב. ניהול תשתיות Embedded — וכאן זה מתחבר לעולם שלנו. לפי מחקר של Google Research מ-2024, סוכני AI לבדיקות מגדילים את כיסוי הקוד ב-15-30% בממוצע. מצד שני, הדוגריות הישראלית — הישירות, ה"יאללה, תגיד לי מה עובד ומה לא" — היא דווקא יתרון עצום בפרויקטים כאלה.
בגדול, AI שלא רק עונה על שאלות אלא פועל. תתחילו עם התיעוד של LangGraph, תבנו סוכן פשוט שעושה משימה אחת, ותתקדמו משם. וזה לא סתם תשובה מנחמת — זו תשובה טכנית. מעבר לפייתון, צריך הבנה טובה ב-API design, ניסיון עם כלי DevOps (kubectl, Docker, CI/CD), והבנה בסיסית של אדריכלות מערכות מבוזרות. ותתחילו קטן — סוכן אחד, משימה אחת, כלי אחד. זה כשאף אחד לא שואל "מה קורה אם הסוכן טועה?" כי כולם נלהבים מדי מהדמו.
ה-on-call קיבל alert, קם מהשינה, התחבר, וגילה שהבעיה היא לא בשירות עצמו אלא בשרשרת של שלושה שירותים שתלויים אחד בשני. חמישה אנשים מול 200 שירותים, עשרות pipelines, ואינסוף alertים שצצים בכל שעה. המקום היחיד בישראל שמרכז את כל מה שצריך לדעת על AI — מבזקים, ניתוחים, כלים ופודקאסט שבועי עם המובילים בתחום. מי שמתעלם היום מהבחירה הזו ובוחר ad-hoc כלי לכל מקרה לחוד, יתעורר בעוד שנתיים עם שבע שכבות סוכנים מקבילות שאי אפשר לנהל ביחד. ארגונים גדולים עושים נכון כאשר הם לא בוחרים קטגוריה אחת— הם בונים מטריצה של קטגוריות לפי סוג העומס. ארגון טכנולוגי עם צוות הנדסה חזק שעבד עם Kubernetes ו-OSS שנים כנראה יבחר ב-LangGraph או CrewAI.