בשביל הדוגמה לקחתי 4 ספרים מפרויקט גטנברג ובניתי 4 פונקציות שמורידות את ארבעת הספרים, כל אחת בדרך אחרת. בואו נראה איך זה עובד דרך תוכנית קצרה וגם נשווה זמנים בין גרסה טורית, מקבילית ואסינכרונית. שימוש בספריית קוד פתוח בפרויקט אומר שסוכן הקידוד צריך להתאמץ יותר בשביל לבנות את הפיצ’ר הבא או לתקן באג. צריך להוריד קבצים מהאינטרנט עם אופציה להזדהות וטיפול בנסיונות חוזרים?
למה צוותי פיתוח צריכים ללמוד את זה — ולמה הגישה הרגילה לא מספיקה
- כי יש כאן בלבול גדול בשוק, ואני רואה את זה כל יום — אנשים שמערבבים בין מושגים ומפספסים את התמונה הגדולה.
- ה-on-call קיבל alert, קם מהשינה, התחבר, וגילה שהבעיה היא לא בשירות עצמו אלא בשרשרת של שלושה שירותים שתלויים אחד בשני.
- מצד שני הרבה מהשדרוגים בספריות קוד פתוח הם תוספת של פיצ’רים שאני לא צריך ויוצא שאני מבזבז זמן על התאמות לממשק של גרסה חדשה שבכלל לא ביקשתי.
- מקבל משימה, מפרק אותה לתת-משימות, משתמש בכלים, מקבל החלטות ביניים, ומגיע לתוצאה.
- אבל גם כשהם משמשים ארגון, כל instance עדיין משרת אדם אחד.
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.
Onboarding עובד חדש
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.
מה זה בכלל Agentic AI ולמה זה שונה מכל מה שהכרתם
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.
הגדירו בדיוק מה ה-agent צריך לעשות, לאיזה מערכות הוא צריך גישה, ומה ה-guardrails. ההיגיון מאחורי tool use, חלוקת המשימות, ניהול ההקשר — כל זה נכתב על ידי אותם אנשים שאימנו את המודל. אם יש דבר אחד שאני רוצה שתיקחו מהמאמר הזה — זה שהטכנולוגיה הזו כבר לא ניסיונית. צוותי פיתוח שלא ילמדו לבנות סוכני AI אוטונומיים בשנתיים הקרובות — יגלו שהם מפתחים כלים שאף אחד לא צריך. רוב האנשים שמגיעים למסך הזה ממילא לא ישתמשו בשם האקראי אלא יבחרו שם בעצמם, וגם אלה שיבחרו רוב הזמן יקבלו מזהה פנוי. בכל מקרה מה שחשוב לסיפור שלנו הוא לא הקוד האמיתי אלא הבדיקה.
מה ההבדל בין Agentic AI לבין Generative AI?
מצד שני הרבה מהשדרוגים בספריות קוד פתוח הם תוספת של פיצ’רים שאני לא צריך ויוצא שאני מבזבז זמן על התאמות לממשק של גרסה חדשה שבכלל לא ביקשתי. הסוכן יצר קומפוננטה של גיטרה שנראית ממש אחלה ועובדת עבור המשחק לא פחות טוב מ react-fretboard או react-guitar, עם קוד ציור יפה ב SVG. ככל שיותר קוד נכתב על ידי סוכני קידוד הסוכן משתמש בספריות שהוא “מכיר” או “מעדיף”, ומקודד מאפס את הרכיבים שהוא לא מכיר. חסרון אחד של MCP הוא שהרבה אנשים התקינו אותם אבל מעט אנשים כתבו אותם. המטרה היא לא רק להבין איך הבינה המלאכותית עובדת, אלא לצאת מהסדנה עם יכולת מוכחת להפעיל את הכלים, לכתוב “פרומפטים” (הנחיות) מדויקים וליצור תוצרים באופן עצמאי. סדנת AI למפתחים ב-2026 היא אחת ההשקעות הטובות ביותר שמפתח יכול לעשות בקריירה שלו.
אבל כשהסוכנים עובדים ביחד? תכתבו בדיקות — כן, גם לסוכני AI 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.
ההבדל הזה נקרא Agentic AI. פערי השכר בין נשים לגברים בהייטק עומדים על כ-10,000 ₪ בחודש, ובדרגי הניהול הפערים עמוקים עוד יותר – רק 17% מהדרג הבכיר הן נשים. אז אתם מתחילים לפזול לצדדים אחרים, פתאום גיליתם שחברים בתפקיד שלכם במקום אחר מרוויחים יותר.
Backend Engineer (GenAI / AI Agents)
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.
מחנה 2: ספקי המודלים
קורסים בינלאומיים AI MVP development company כמו DeepLearning.AI (חינמיים) ו-Udemy (15-50 דולר במבצע) זולים משמעותית אך כולם באנגלית. לרוב המפתחים עם ניסיון, תכנית של 8-12 שבועות היא האיזון האופטימלי בין עומק לזמן. צריך להבסיס טוב לפני שמתעמקים ב-Agents ו-RAG. מה לומדים, אילו כלים חיוניים, כמה עולה – וממה כדאי להתחיל כדי לעשות את הקפיצה לפיתוח AI בפועל הסברים פשוטים, ברורים וללא ז׳רגון מיותר, גם למי שלא מגיע מרקע טכנולוגי.
לדבריו, MongoDB מפשטת משמעותית את תהליך הפיתוח בכך שהיא מבטלת את הצורך בהקמת תשתיות נתונים מורכבות, ניהול Embeddings או סנכרון בין מערכות שונות. בתפקיד תהיה לך בעלות מקצה לקצה על פיצ’רים משמעותיים, ותיקח/י חלק בעיצוב הדרך שבה אנשים וסוכני AI עובדים יחד. החוב הטכני שאף אחד לא רוצה לדבר עליו אתה יודע את הרגע הזה? תבנו agent אחד שפותר בעיה אחת.
Ofir יכול/ה להציג אותך בפני 3 אנשים ב-Genpact
הצוות כולו צריך לדבר באותה שפה, להבין את אותם patterns, ולהסכים על אותם guardrails. ב-frameworks מודרניים כמו LangGraph, CrewAI ו-AutoGen של מיקרוסופט, הארכיטקטורה הזו מגיעה כבנייה מודולרית. 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.
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.
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.