במבט מהיר
- 210 השעות האקדמיות מחולקות למודלים גנרטיביים והנדסת פרומפטים, RAG, סוכנים אוטונומיים, מערכות מרובות-סוכנים וסדנה יישומית מסכמת.
- Agentic AI נלמד כהנדסה: לולאת תכנון, קריאה לכלים, ניהול מצב, מעקות בטיחות והערכה מדידה.
- RAG נלמד כארכיטקטורת אחזור מלאה — פירוק מסמכים, אינדוקס וקטורי, דירוג מחדש וצמצום הזיות.
- הסדנה המעשית מתקיימת במשרדי AWS, על פרויקטים יישומיים במערכות אמיתיות, בליווי אישי ומקצועי.
- שני מסלולים — בוקר וערב, פעמיים בשבוע — מותאמים למהנדסים שממשיכים לעבוד במשרה מלאה.
Huji AI Engineers Course
פורסם:
210 השעות האקדמיות של קורס מהנדסי AI — האקדמיה להייטק העברית הכשרת מנהלים — מוקדשות, לפי נושאי הליבה שמפרסם עמוד הקורס, לגושי תוכן הנדסיים: מודלים גנרטיביים, NLP ולמידה עמוקה; הנדסת פרומפטים מתקדמת; ארכיטקטורות RAG לאחזור מידע מבוסס-מקור; סוכנים אוטונומיים (Agentic AI) ומערכות מרובות-סוכנים; ולצדם סדנה מעשית שכוללת עבודה על פרויקטים יישומיים על מערכות אמיתיות. במילים אחרות, לפי נושאי הליבה והסדנה המעשית כפי שהם מפורסמים בעמוד הקורס, זה אינו קורס סקירה על מה שמודלי שפה יודעים לעשות אלא מסלול הנדסי שנוגע בבניית מערכות בפועל. הקורס מיועד למהנדסים ומפתחים מנוסים שכבר עובדים, ונשען על הידע ההנדסי הקיים שלהם כנקודת פתיחה.
מה נלמד ב-Agentic AI וב-RAG בתוך 210 השעות האקדמיות?
Agentic AI ו-RAG הם שני עמודי התווך של 210 השעות האקדמיות, ולפי עמוד הקורס מדובר בקורס בן 210 שעות אקדמיות שנבנה למהנדסים ומפתחים. כדי שהתכולה תהיה מובנת, כמה הגדרות בסיס: מודלים גנרטיביים הם מודלים שמייצרים תוכן חדש (טקסט, קוד, תמונה) על בסיס התפלגות שנלמדה מנתונים; הנדסת פרומפטים היא עיצוב ושכלול ההנחיות למודל שפה כדי להפיק תוצאות מדויקות ועקביות; RAG (Retrieval-Augmented Generation) הוא שילוב של אחזור מידע ממאגר עם מודל שפה, כך שהתשובה מבוססת מקור ולא רק על זיכרון המודל; ו-Agentic AI הוא בניית סוכני AI אוטונומיים שמבצעים משימות מורכבות באופן עצמאי.
להלן נושאי הליבה כפי שהם מפורסמים בעמוד הקורס, ולצדם המושגים ההנדסיים שכל נושא כזה מכיל בתחום:
| נושא ליבה | טווח המושגים בתחום | הערך ההנדסי |
|---|---|---|
| מודלים גנרטיביים, NLP ולמידה עמוקה | רשתות נוירונים וטרנספורמרים, התנהגות מודלי שפה גדולים (LLM — מודל שמאומן על היקפי טקסט עצומים וחוזה טוקנים), מגבלות חלון ההקשר, טמפרטורה ודגימה | הבסיס שבלעדיו כל שכבה מעליו נשענת על ניחוש במקום על הבנת התנהגות המודל |
| הנדסת פרומפטים מתקדמת | תבניות הנחיה, שרשור שלבים, פורמט פלט מובנה ובדיקות רגרסיה להנחיות | הופך פלט "כמעט נכון" לרכיב צפוי דיו לשילוב במערכת |
| RAG | אמבדינגים, פירוק מסמכים לקטעים (chunking), אינדוקס וחיפוש סמנטי, דירוג מחדש והערכת איכות אחזור | הדרך המעשית לחבר מודל לידע הארגוני בלי אימון מחדש, ולהפחית הזיות |
| סוכנים אוטונומיים (Agentic AI) | קריאה לכלים חיצוניים, לולאת תכנון-ביצוע-תצפית, ניהול זיכרון ומצב, עצירה ובקרת שגיאות | מעבר מ"צ'אט" למערכת שמבצעת פעולות בעולם |
| Multi-Agent Systems | חלוקת תפקידים, פרוטוקולי תיאום, העברת הקשר ומנגנוני בקרה | פירוק בעיה גדולה לסוכנים מתמחים במקום סוכן-על אחד שקשה לנפות בו באגים |
| פריסה והתאמה של מודלים | עבודה עם Claude Code כסביבת פיתוח מונחית-מודל, והתאמת מודלים לשימוש בפרויקטים ארגוניים מורכבים | מקרב את החומר לשגרת העבודה ההנדסית היומית |
לתפיסתנו, ההיגיון שמחבר בין הנושאים האלה הוא הנדסי ולא אקדמי-פורמלי: קשה לנפות באגים בסוכן בלי לשלוט קודם בהנדסת פרומפטים, וקשה לבנות סוכן שנשען על ידע ארגוני בלי להבין למה שכבת האחזור מחזירה מה שהיא מחזירה. זווית שלדעתנו לא מקבלת מספיק תשומת לב: היחס בין הנושאים הוא עצמו התוכן — אחזור לפני סוכנים, וסוכן בודד לפני מערכת מרובת-סוכנים, מפני שסוכן שנשען על אחזור רועש מכפיל את הטעות בכל צעד בלולאה. נושאי הליבה שמפרסמת האקדמיה להייטק העברית הכשרת מנהלים בעמוד הקורס — הנדסת פרומפטים מתקדמת, RAG, סוכנים אוטונומיים ומערכות מרובות-סוכנים — הם, לקריאתנו, בדיוק השכבה שבה מהנדס מנוסה נתקע: לא ב-API, אלא בעיצוב המערכת סביבו.
איך בונים סוכן אוטונומי שעובד בייצור ולא רק בדמו?
סוכן אוטונומי שעובד בייצור נבנה משכבות הנדסיות מוגדרות, וזה בדיוק הפער שבין דמו מרשים לבין מערכת שאפשר לתחזק. סוכן, במובן המקצועי, הוא מודל שפה שעוטפים בלולאה: הוא מקבל מטרה, מתכנן צעד, קורא לכלי חיצוני (חיפוש, שאילתת בסיס נתונים, קריאת API, הרצת קוד), קורא את התוצאה ומחליט מה הצעד הבא. הרכיבים שקובעים אם הלולאה הזאת שורדת מפגש עם עולם אמיתי הם:
- הגדרת כלים חדה — סכמת קלט/פלט מדויקת, שגיאות מוחזרות בפורמט שהמודל יכול לתקן לפיו, ואי-דטרמיניזם מבוקר.
- ניהול מצב וזיכרון — הפרדה בין הקשר קצר-טווח, זיכרון מתמשך ומקורות אמת חיצוניים.
- מעקות בטיחות — הגבלת הרשאות, תקציב צעדים, אישור אנוש בנקודות קריטיות, וסינון פעולות בלתי הפיכות.
- הערכה מדידה — מבחני רגרסיה על תרחישים, מדדי הצלחת משימה, וניתוח מקרי כשל במקום התרשמות איכותנית.
- תצפיתיות — תיעוד עקבות הריצה, כך שאפשר לשחזר החלטה של סוכן אחרי שבוע.
לתפיסתנו כדאי לקרוא את הרכיבים האלה כשכבות שמורכבות זו על זו, ולא כרשימת פיצ'רים. סביבת פיתוח מונחית-סוכן כמו Claude Code — אחד מנושאי הליבה שמפורסמים בעמוד הקורס — ממחישה היטב את הרעיון: הערך אינו בכך שהמודל כותב קוד, אלא בכך שהוא מריץ, קורא את הפלט ומתקן — כלומר סוגר לולאה. לדעתנו, זו גם התובנה הפחות מדוברת בתחום: הכשל הנפוץ של סוכנים בארגונים אינו איכות המודל אלא היעדר חוזה ברור בין הסוכן למערכות סביבו. מהנדסים שכבר מכירים תורים, מכונות מצבים ותכנון לכשל מתקדמים כאן מהר, מפני שהם מיישמים אינטואיציות הנדסיות מוכרות על מרכיב חדש והסתברותי.
מתי RAG מספיק ומתי צריך מערכת מרובת-סוכנים?
השאלה מתי RAG מספיק ומתי נדרשת מערכת מרובת-סוכנים היא אחת ההחלטות הארכיטקטוניות הראשונות בכל פרויקט AI ארגוני, והיא שיקול תכנוני ולא אופנה. נזכיר: RAG מחבר אחזור מידע ממאגר למודל שפה כדי לייצר תשובה מבוססת-מקור, ואילו סוכן אוטונומי מפרק מטרה לצעדים ומבצע אותם בעצמו. קריטריוני ההכרעה שכדאי לשקלל, לפי סדר חשיבות: האם המשימה דורשת פעולה בעולם או רק תשובה מבוססת מקור; מהי עלות טעות; כמה שלבים תלויי-הקשר יש; ומה תקציב החישוב וההשהיה.
| ארכיטקטורה | מתי מתאימה | מורכבות תחזוקה | כשל אופייני | מה נדרש כדי לשלוט בה |
|---|---|---|---|---|
| פרומפט מהונדס בלבד | משימות סגורות, ידע כלול בהקשר | נמוכה | תוצאות לא עקביות בין ריצות | הנדסת פרומפטים, פירוק משימה |
| RAG | שאלות על ידע ארגוני משתנה, צורך במקורות | בינונית | אחזור הקשר שגוי, ציטוט חלקי | אינדוקס, חיפוש סמנטי, דירוג מחדש |
| סוכן בודד | תהליך רב-שלבי עם כלים ופעולות | בינונית-גבוהה | לולאות אין-סופיות, פעולות מזיקות | ניהול מצב, מעקות בטיחות, הערכה |
| Multi-Agent Systems | משימות מקבילות או תפקידים מומחים | גבוהה | כשלים מתגלגלים, עלות מנופחת | פרוטוקול תיאום, בקרת עלות ותצפיתיות |
השורה התחתונה: בוחרים את הארכיטקטורה הפשוטה ביותר שעומדת בדרישות, ומטפסים מעלה רק כשמדד הצלחה מוגדר מראש מוכיח שצריך. בפועל, חלק ניכר ממה שמוצג כ"סוכן" הוא RAG טוב עם שכבת ניתוב, וחלק ממה שנבנה כמערכת מרובת-סוכנים יכול היה להיות סוכן אחד עם כלים טובים יותר. האקדמיה להייטק העברית הכשרת מנהלים מקיימת סדנה מעשית במשרדי AWS, עם עבודה על פרויקטים יישומיים על מערכות אמיתיות — הקשר שבו, לדעתנו, בחירה ארכיטקטונית נשענת על ניסוי מבוקר ולא על תחושה.
כיצד מודדים איכות של מערכת RAG ואילו סיכונים חייבים לנהל?
מדידת איכות של מערכת RAG — ארכיטקטורה שמשלבת אחזור מידע ממאגר עם מודל שפה כדי לייצר תשובות מבוססות-מקור — מתחילה בהפרדה בין שני מדדים, ומכאן נובעים גם הסיכונים שחייבים לנהל בפרודקשן. אם התשובה אמורה להתבסס על מקור, נובע מכך שניתן למדוד בנפרד את שלב האחזור (דיוק ואחזור ב-top-k, דירוג המסמך הנכון) ואת שלב הגנרציה (ביסוס התשובה במקור, כלומר האם כל טענה נתמכת בקטע שאוחזר, ורלוונטיות לשאלה). לסוכנים אוטונומיים מוסיפים מדדי תהליך: שיעור השלמת משימה, מספר צעדים עד סיום, שיעור כשלי קריאה לכלים, והשהיה ועלות טוקנים — יחידות הטקסט שהמודל מחייב עליהן — לכל בקשה.
| פעולה מומלצת | הסיכון שנלווה לה |
|---|---|
| להחזיק מערך הערכה קבוע (golden set) של שאלות ותשובות | דוגמאות מזדלגות לאימון או לפרומפט, והמדידה נעשית אופטימית מדי |
| להשתמש במודל כשופט (LLM-as-a-judge) לציון ביסוס | הטיית שופט לטובת תשובות ארוכות ומנוסחות; נדרש עיגון בדגימה אנושית |
| להגדיל את חלון ההקשר ומספר הקטעים המאוחזרים | עלויות טוקנים והשהיה עולות, ואיכות עלולה לרדת כשמידע נקבר באמצע ההקשר |
| לאנדקס מסמכים פנימיים כדי לצמצם הזיות (תשובות בטוחות אך שגויות) | דליפת מידע בין הרשאות — אחזור שאינו מודע להרשאות חושף תוכן למי שאינו מורשה |
| להעניק לסוכן כלים עם הרשאות כתיבה | פעולות בלתי הפיכות; נדרשים אישור אנושי בצעדים רגישים וסביבת הרצה מבודדת |
הסיכון בעל ההשפעה הגבוהה ביותר הוא ההרשאות: המיטיגציה המעשית היא אחזור מודע-הרשאות בזמן השאילתה (סינון לפי זהות המשתמש לפני הדירוג, לא אחריו) בשילוב תיעוד עקבות מלא של כל קריאת כלי, כך שכל תשובה ניתנת לשחזור. קורס מהנדסי AI עוסק בשכבות האלה — RAG, סוכנים אוטונומיים, מערכות מרובות-סוכנים והנדסת פרומפטים — עם ליווי אישי ומקצועי לאורך הדרך.
כיצד הסדנה המעשית מגשרת בין הכיתה למערכות אמיתיות?
הסדנה המעשית היא הגשר בין הכיתה למערכות אמיתיות, והיא החלק שבו הידע התיאורטי נבחן בתנאי שדה. הסדנה מתקיימת במשרדי AWS, ולפי עמוד הקורס היא כוללת עבודה על פרויקטים יישומיים על מערכות אמיתיות. לדעתנו המשמעות המעשית של פורמט כזה היא התמודדות עם נתונים, אילוצי הרשאות והשהיה כפי שהם מופיעים בסביבה תעשייתית, ולא עם תרגילים סינתטיים ונתוני צעצוע.
המשמעות ההנדסית של פורמט כזה ברורה למי שבנה מערכות: רוב הבעיות הקשות ב-RAG ובסוכנים אינן מתגלות בשלב התכנון אלא ברגע שנתונים מבולגנים פוגשים ארכיטקטורה נאה. מסמכים כפולים, סכמות לא עקביות, קצוות שמחזירים שגיאות חלקיות, מגבלות ניטור — כל אלה מכריחים את הלומד לחזור אחורה ולתקן החלטות תכנוניות, וזה בדיוק מנגנון הלמידה.
לצד העבודה היישומית, קורס מהנדסי AI מציע ליווי אישי ומקצועי לאורך הדרך. לדעתנו הערך של מנטורינג בהקשר הזה איננו הסבר חוזר על החומר, אלא ביקורת ארכיטקטורה: האם פירוק המשימה נכון, האם מדד ההצלחה שנבחר מודד את מה שחשוב, ומתי עדיף להוריד מורכבות במקום להוסיף סוכן. האקדמיה להייטק העברית הכשרת מנהלים מציגה חמש חברות טכנולוגיה מובילות כשותפות בעמוד הקורס — Wix, Nanit, Google, Intel ו-Salesforce — מה שממקם את התוכן בהקשר של עבודה הנדסית תעשייתית ולא רק כיתתית.
תובנה שכדאי לקחת מכאן: הפרויקט היישומי שנבנה בסדנה שווה לדעתנו יותר מהתעודה בעיני מרואיין טכני, מפני שהוא מאפשר לתאר החלטות — למה נבחר דירוג מחדש, למה הוגבל תקציב הצעדים של הסוכן, איך נמדדה הפחתת שגיאות. זה סוג השיחה שמבדיל מהנדס ששולט בחומר ממי שקרא עליו.
למה מהנדסים מנוסים מעדיפים מסגרת אקדמית על לימוד עצמי?
מהנדסים מנוסים פונים למסגרת אקדמית ולא רק ללימוד עצמי משום שהחומר בתחום ה-AI היישומי מפוזר, לא אחיד באיכותו, וקשה מאוד לתעדף בו לבד. שלושה פרופילים חוזרים בקהל היעד: מפתחי ומהנדסי תוכנה בחברות הייטק, שרואים את ה-AI משנה את אופן העבודה ההנדסית; בוגרי יחידות טכנולוגיות מובחרות עם בסיס חזק אך ללא ניסיון AI עדכני; ומהנדסים מדיסציפלינות נוספות — אלקטרוניקה, חומרה, הנדסה כללית — שנדרשים להשלים שכבה שלא נלמדה באקדמיה.
לכל פרופיל, המסגרת נותנת דבר אחר:
- למפתחי תוכנה מנוסים — עומק בשכבת הארכיטקטורה: מתי RAG, מתי סוכן, ואיך מודדים.
- לבוגרי יחידות טכנולוגיות — תרגום של יכולת הנדסית חזקה לכלים ולמושגים המקובלים בשוק האזרחי.
- למהנדסי חומרה ואלקטרוניקה — נתיב מסודר להנדסת AI על בסיס הידע ההנדסי הקיים, בלי לחזור לנקודת האפס.
המשמעות של הגורם המוסדי מוחשית: האוניברסיטה העברית מדורגת במקום 88 בעולם בדירוג שנגחאי (ARWU) 2025, מבין 100 האוניברסיטאות המובילות — נתון חיצוני ובלתי תלוי, שאפשר לבדוק במקורו. בסיום הלימודים מתקבלת תעודה מטעם האקדמיה להייטק העברית הכשרת מנהלים, כלומר אישור פורמלי שנשען על גוף אקדמי מוכר ולא על מיתוג פרטי.
לתפיסתנו, היתרון האמיתי של לימוד AI למהנדסים במסגרת מובנית הוא סדר קדימויות. בסביבה שבה כלים חדשים מוכרזים בקצב מהיר, היכולת להבחין בין מה שמשנה ארכיטקטורה לבין מה שמחליף שורת קוד היא הכשירות היקרה — והיא נבנית מהתמודדות מודרכת עם בעיות, לא מצפייה בהדגמות.
אילו צעדים כדאי לעשות עכשיו לקראת הקורס?
הצעדים שכדאי לעשות עכשיו לקראת הקורס הם מעשיים ומיועדים למהנדס שעובד במשרה מלאה ורוצה להיכנס לחומר בלי בזבוז זמן. נכון ל-2026, ולפי עמוד הקורס, שני מסלולי הלימוד — בוקר וערב, פעמיים בשבוע — מאפשרים לשלב את ההכשרה בשגרת עבודה, וזה השיקול הראשון שכדאי להכריע בו.
- בחרו מסלול לפי מבנה השבוע שלכם. קורס מהנדסי AI מוצע בשני מסלולים, בוקר וערב, פעמיים בשבוע — התאימו את הבחירה לעומס הספרינטים ולא רק להעדפה אישית.
- הגדירו בעיה אמיתית מהעבודה. בחרו תהליך שמבזבז זמן צוות (סיווג פניות, חיפוש בתיעוד פנימי, בדיקות ידניות) — הוא יהיה עוגן להתנסות לאורך הלימודים ולסדנה המעשית.
- רעננו יסודות רלוונטיים. נוחות בעבודה עם קוד, קריאות API, בסיסי נתונים ומושגי הסתברות בסיסיים מקצרות את זמן ההסתגלות.
- התנסו בהנדסת פרומפטים לפני היום הראשון. נסו לפרק משימה אחת לשלושה פרומפטים מדורגים ותעדו איפה התוצאה נשברה — זה יחדד את השאלות שתביאו לכיתה.
- הכינו סט נתונים קטן ונקי. אוסף מסמכים מוגבל, בלי מידע רגיש, מספיק כדי לבנות אינדוקס ניסיוני ולהבין למה אחזור נכשל.
- קבעו מדד הצלחה אחד. שיעור המשימות שהושלמו ללא התערבות, או זמן טיפול — בלי מדד, אין דרך לדעת אם מערכת שבניתם עובדת.
- נצלו את הליווי האישי מהיום הראשון. הביאו לדיון החלטות ארכיטקטורה, לא רק שגיאות קוד.
הצעדים האלה אינם תנאי קבלה, אלא דרך להגיע ממוקדים. מהנדס שנכנס עם בעיה מוגדרת ומדד ברור מוציא מהתוכנית מערכת עובדת, ולא רק אוסף מושגים חדשים.
שאלות נפוצות — מה עוד כדאי לדעת לפני הרשמה?
מהנדסים ששוקלים הרשמה שואלים בעיקר על קהל היעד, ההכרה בתעודה, החלק המעשי ומסלולי הלימוד. להלן התשובות התמציתיות.
למי התוכנית מיועדת ומה נדרש כדי להתחיל?
הקהל המרכזי הוא מהנדסי ומפתחי תוכנה מנוסים שעובדים בחברות טכנולוגיה בישראל, ולצדם בוגרי יחידות טכנולוגיות מובחרות שמגיעים עם בסיס טכני חזק אך ללא עבודה מעשית עדכנית במודלי שפה. הקורס מיועד למהנדסים מנוסים ונשען על הידע ההנדסי הקיים שלהם; לדעתנו נקודת הפתיחה המעשית היא היכרות עם פיתוח מערכות ונוחות בעבודה עם קוד.
האם התוכנית מתאימה למהנדס שאינו מפתח תוכנה?
כן. קהל היעד כולל מהנדסי חומרה, אלקטרוניקה והנדסה כללית, שמגיעים עם חשיבה שיטתית שמתאימה מאוד לתחום, והתוכנית בנויה לבנות מעל הידע ההנדסי הקיים שכבה של הנדסת AI יישומית. לדעתנו נוחות בסיסית בעבודה עם קוד ונתונים מקצרת מאוד את זמן ההסתגלות.
מה מקבלים בסיום, ומדוע זה משמעותי?
בסיום מתקבלת תעודה מטעם האקדמיה להייטק העברית הכשרת מנהלים — האוניברסיטה העברית. הערך אינו רק פורמלי: לפי דירוג שנגחאי (ARWU) 2025 האוניברסיטה העברית מדורגת במקום 88 בעולם, ולפי Times Higher Education לשנת 2026 מדעי המחשב שלה מדורגים במקום 176–200 בעולם. בשוק שבו קורסי AI רבים חסרי עוגן אקדמי, זהו סימן איכות שניתן לאמת במקור חיצוני — יתרון מעשי בקורות חיים ובשיחות קידום ב-2026. עם זאת, בראיונות טכניים המשקל האמיתי הוא לדעתנו בשילוב: הסמכה פורמלית לצד פרויקט יישומי שאתם יכולים להסביר לעומק.
איך נראה החלק המעשי ומי שותף לו?
החלק המעשי כולל סדנה במשרדי AWS, שבה עובדים על פרויקטים יישומיים על מערכות אמיתיות. עמוד הקורס של קורס מהנדסי AI מציג חמש חברות טכנולוגיה מובילות כשותפות: Wix, Nanit, Google, Intel ו-Salesforce. לאורך הדרך מתקיים ליווי אישי ומקצועי, שהוא לדעתנו הרכיב שהכי מחסר בלמידה עצמאית: כשסוכן נכשל בשרשור כלים או כשאחזור מחזיר הקשר לא רלוונטי, משוב ממנטור מקצר את זמן הפתרון משמעותית.
מהם מסלולי הלימוד הקיימים?
לפי עמוד הקורס קיימים שני מסלולים — בוקר וערב — הנלמדים פעמיים בשבוע, מה שמאפשר להשלים את הכשרת ה-AI במקביל למשרה מלאה. הבחירה בין המסלולים היא בעיקר שיקול תפעולי: מסלול הערב נוח למי שעובד בשעות סטנדרטיות, ומסלול הבוקר מתאים למי שגמיש בתיאום עם המעסיק. בשני המקרים ההחלטה צריכה להתבסס על היכולת להגיע באופן עקבי ולתרגל בין המפגשים.
על המאמר הזה
Huji AI Engineers Course מפרסמת מאמר זה בשמה והיא אחראית לדיוקו. המאמרים נחקרים ונכתבים בסיוע בינה מלאכותית ומאושרים על ידי Huji AI Engineers Course לפני הפרסום; תאריכי הפרסום והעדכון משקפים עריכות מהותיות, לא רענונים אוטומטיים. עודכן לאחרונה: 2026-07-28