עולם הסוכנים פרק 2: התחום האירגוני ארבעה מחנות, אותו לקוח, ושאלה אחת אסטרטגית של מיליארדים דורון לב חמישים גוונים של בינה

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.

הסוכן בפרודקשן: מה שלא מלמדים ב-tutorials

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.

מה זה בכלל Agentic AI ולמה זה שונה מכל מה שהכרתם

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.

חברות וארגונים שכבר ייעלו את העבודה איתנו:

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.

מה ההבדל בין Agentic AI לבין Generative AI?

שנית, יש שלב verification — הסוכן לא סוגר incident בלי לוודא שהתיקון באמת עבד. שימו לב לכמה דברים קריטיים בקוד הזה. עם guardrails נכונים — הוא השותף הכי אמין שיש לכם.

‏Ofir‏ יכול/ה להציג אותך בפני ‏3‏ אנשים ב-‏Genpact‏

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.

מ MCP ל Skills

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.

זיכרון (Memory) — הסוכן שומר הקשר לאורך השיחה או המשימה. כלים (Tools) — פונקציות קונקרטיות שהסוכן יכול להפעיל. זו לא תחזית — זו מגמה שכבר במומנטום. כי יש כאן בלבול גדול בשוק, ואני רואה את זה כל יום — אנשים שמערבבים בין מושגים ומפספסים את התמונה הגדולה.

בחברה שמגייסת 5 אנשים בחודש – שעות בחודש. מי שלא – נשאר מאחור. ואם משהו לא עובד, הוא מנסה גישה אחרת. הוא לא רק מבצע – הוא חושב מה לעשות, ואז עושה. בלי שבן אדם מחזיק לו את היד בכל צעד. מקבל משימה, מפרק אותה לתת-משימות, משתמש בכלים, מקבל החלטות ביניים, ומגיע לתוצאה.

• צריך observability לפני scale.
• MCP הוא בסך הכל אוסף "כלים", כלומר אוסף של פקודות שהמודל יכול להפעיל.
• אם יותר אנשים היו זוכים הלוטו אולי לא היה מרוויח.
• בפרק הקודם עסקנו בעולם הסוכנים המשרתים את המשתמש הבודד — מפתח, יזם, עובד שמתקין משהו על המחשב שלו.
• מה שאפשר לא לעשות עדיף לא לעשות, ואם חייבים לעשות עדיף כמה שיותר מאוחר.

דום סקרולינג זה השם שנתנו לרשתות חברתיות בהן אנשים גוררים עוד ועוד בשביל הסיכוי הקטן לקרוא משהו מעניין. אני בטוח שהכוונות שלהם טובות אבל אני נזכר בכל הפעמים שמודל שפה דמיין רמזים בלוגים על בסיס נתוני האימון שלו, רמזים שרק הובילו עמוק יותר למחילת AI agency pricing 2026 הארנב. אנחנו מבינים ש LLM הוא מכונת השלמה ושהטקסט שהוא יכתוב הוא תוצאה של הפרומפט ושל נתוני האימון שלו, בתוספת תיבול סטטיסטי.