במבט מהיר
- הפער בידע מטופל ב-RAG, פער בביצוע משימות מטופל בסוכן בודד, ופיצול תחומי אחריות מצדיק Multi-Agent.
- התחילו מהארכיטקטורה הפשוטה ביותר שעומדת בדרישות, והוסיפו סוכנים רק כשהקשר או הכלים מתנגשים.
- מערכות מרובות-סוכנים משלמות מחיר בזמן תגובה, בעלות טוקנים וביכולת ניפוי באגים — יש לתכנן תצפיתיות מראש.
- קורס מהנדסי AI של האקדמיה להייטק העברית הכשרת מנהלים מקנה תעודה מטעם האוניברסיטה העברית.
- האוניברסיטה העברית מדורגת במקום 88 בעולם בדירוג שנגחאי (ARWU) 2025.
Huji AI Engineers Course
פורסם:
הבחירה בין RAG, Multi-Agent וסוכן בודד נקבעת לפי סוג הפער שאתם מנסים לסגור, לא לפי מה שטרנדי. אם הפער הוא ידע — המודל לא מכיר את המסמכים, הקוד או הנתונים הארגוניים שלכם — הפתרון הוא RAG (Retrieval-Augmented Generation), כלומר שילוב אחזור מידע ממאגר עם מודל שפה כדי לייצר תשובות מבוססות-מקור. אם הפער הוא ביצוע — צריך לבצע רצף פעולות עם כלים חיצוניים — סוכן בודד עם לופ תכנון-פעולה-תצפית יספיק ברוב המקרים. Multi-Agent, כלומר מערכת מרובת-סוכנים שבה כמה סוכנים מתמחים פועלים יחד, מתאים רק כשהמשימה מתפצלת לתחומי אחריות עם הקשרים נפרדים שמתנגשים זה בזה. שלוש הארכיטקטורות אינן מתחרות: RAG הוא רכיב אחזור שיכול לשמש כל סוכן, וסוכן בודד הוא היחידה שממנה בנויה מערכת מרובת-סוכנים.
מתי מתאים סוכן בודד, מתי RAG ומתי Multi-Agent?
סוכן בודד, RAG ו-Multi-Agent נבחרים לפי שלוש שאלות אבחון קצרות: מה חסר למודל, כמה שלבים המשימה דורשת, וכמה הקשרים שונים צריכים לחיות במקביל.
RAG מתאים כשהמידע קיים אך אינו בתוך המודל: תיעוד פנימי, מסמכי תקינה, טיקטים, קוד מדור קודם. הרכיב המרכזי הוא צינור אחזור — פיצול המקורות לקטעים (chunking), הפיכתם לוקטורים באמצעות מודל embedding, חיפוש דמיון, ולעיתים דירוג מחדש (reranking) לפני ההזרקה לפרומפט. ארכיטקטורת אחזור עדיפה במיוחד כשהידע מתעדכן בקצב גבוה, כשנדרשת עקיבות (traceability) מכל טענה בתשובה למסמך מקור, וכשהזרימה היא בעיקרה סיבוב אחד של שאלה-תשובה ללא שרשרת החלטות ארוכה.
סוכן בודד (single agent) מתאים כשנדרשת פעולה ולא רק תשובה: קריאה ל-API, הרצת סקריפט, תיקון קוד ובדיקתו. הסוכן מקבל מטרה, בוחר כלי, מריץ, קורא את התוצאה וממשיך — לופ איטרטיבי שכלי פיתוח מודרניים כמו Claude Code מדגימים היטב בהקשר של עבודה על בסיס קוד.
Multi-Agent מתאים כאשר סוכן אחד נכשל מסיבה מבנית — חלון ההקשר מתמלא, ההוראות סותרות זו את זו, או שתפקידים דורשים כלים והרשאות שונים. אז מפצלים לסוכן מתכנן (orchestrator) וסוכני ביצוע (workers), כל אחד עם הקשר מצומצם ואחריות מוגדרת.
הכלל המעשי: התחילו מהפתרון הפשוט ביותר שעומד בדרישות. פרומפט ממוקד עדיף על RAG; RAG עדיף על סוכן; סוכן בודד עדיף על אורקסטרציה. כל שכבה שמוסיפים מוסיפה גם נקודות כישלון, זמן תגובה ועלות טוקנים. שכבות ההחלטה האלה — הנדסת פרומפטים, RAG, סוכנים אוטונומיים ומערכות מרובות-סוכנים — הן נושאי הליבה של קורס מהנדסי AI של האקדמיה להייטק העברית הכשרת מנהלים.
במה נבדלות שלוש הארכיטקטורות זו מזו בפועל?
שלוש הארכיטקטורות — RAG, סוכן בודד ומערכת Multi-Agent — נבדלות זו מזו בפועל פחות ביכולת ה"אינטליגנציה" ויותר בפרופיל ההנדסי שלהן: כמה שלבי הסקה הן מריצות, כמה מצב הן שומרות, וכמה קשה לשחזר כשל. לפני כל השוואה כדאי לקבע את קריטריוני ההערכה ואת המשקל שלהם:
- התאמה לבעיה ונאמנות למקור — האם הפער הוא ידע, ביצוע או חלוקת אחריות, והאם התשובה מעוגנת במסמך אמיתי. זה הקריטריון בעל המשקל הגבוה ביותר; שגיאה כאן אינה ניתנת לפיצוי בכיול הנחיות.
- זמן תגובה (latency) — מספר קריאות המודל בשרשרת. קריטי בממשק סינכרוני, כמעט חסר משמעות בתהליך רקע.
- עלות טוקנים — נפח הקלט והפלט המצטבר; גדל כמעט לינארית עם מספר הסוכנים וסבבי ההנמקה.
- מורכבות תחזוקה — כמה רכיבים נשברים כשמחליפים מודל או סכימת נתונים: מאגר וקטורי, כלים, מצב שיתופי בין סוכנים.
- יכולת דיבוג ותצפיתיות — האם קיים עקבות (trace) שמאפשר לשחזר החלטה בודדת ולהסביר אותה.
| קריטריון | RAG (אחזור + מודל שפה) | סוכן בודד (לופ כלים אחד) | Multi-Agent (סוכנים משתפי פעולה) |
|---|---|---|---|
| מתאים כש… | חסר ידע ארגוני מעודכן | נדרש רצף פעולות עם כלים | תחומי אחריות והקשרים נפרדים |
| דיוק ונאמנות למקור | גבוה על שאלות ידע, תלוי באיכות האינדוקס | בינוני-גבוה, תלוי בבחירת הכלים | גבוה במשימות מפורקות, אך רגיש לשגיאה מצטברת |
| זמן תגובה | הקצר ביותר | בינוני, משתנה לפי מספר הצעדים | הארוך והפחות צפוי |
| עלות טוקנים | נמוכה וצפויה | בינונית | הגבוהה ביותר |
| מורכבות תחזוקה | צינור אחזור ושכבת הטמעות | לוגיקת כלים ומגבלות ניסיון חוזר | תזמור, העברת הקשר וניהול מצב |
| יכולת דיבוג | פשוטה — מסמך שאוחזר מול תשובה | סבירה עם רישום צעדים | קשה; דורשת עקבות מלא לכל סוכן |
| סיכון עיקרי | אחזור לא רלוונטי | לופ או פעולה שגויה | התנגשות בין סוכנים |
בשורה התחתונה: RAG הוא ברירת המחדל לבעיות ידע, סוכן בודד לבעיות ביצוע, ומערכת מרובת-סוכנים היא הסלמה מודעת שמצדיקה את עצמה רק כשמדדים מראים שסוכן אחד נשבר. בשנת 2026 סדרת השיקולים הזו כבר אינה נושא מתקדם אלא חלק מהתכנון הארכיטקטוני הבסיסי, ולכן הבדיקה שלה מול מערכות אמיתיות — ולא מול דמו סינתטי — היא מה שקובע.
מה בעצם שובר מערכות RAG בפרודקשן?
מערכות RAG בפרודקשן נשברות כמעט תמיד בשלב האחזור, לא בשלב הגנרציה — וזו הסיבה שצוותים מבזבזים זמן על החלפת מודלים במקום על תיקון הצינור. RAG, אחזור מוגבר-גנרציה, מביא קטעי מידע ממאגר ומזריק אותם לפרומפט; אם הקטעים שגויים, שום מודל לא יציל את התשובה.
ארבעה כשלים חוזרים:
- פיצול גרוע של המקורות — חלוקה לפי מספר תווים קבוע חותכת טבלאות, סעיפי תקן או פונקציות באמצע. פיצול לפי מבנה סמנטי (כותרות, סעיפים, יחידות קוד) משפר את הרלוונטיות בלי לגעת במודל.
- הסתמכות על חיפוש וקטורי בלבד — שאילתות עם מזהי שגיאה, מספרי גרסה או שמות שדות דורשות התאמה לקסיקלית. חיפוש היברידי, שמשלב דמיון וקטורי עם דירוג מסוג BM25, מטפל בדיוק במקרים שהחיפוש הסמנטי מפספס.
- היעדר דירוג מחדש — הבאת קטעים רבים מדי מציפה את חלון ההקשר ומטביעה את הקטע הנכון. שלב reranking ממוקד מחזיר פחות קטעים ואיכותיים יותר.
- חוסר בקרת ביסוס (grounding) — בלי דרישה לציטוט מקור, המודל ממלא פערים מהידע הפרמטרי שלו. הנדסת פרומפטים נכונה מחייבת אותו להימנע מתשובה כשאין אסמכתא.
מהם רכיבי צינור האחזור ובאילו ערכים הם נבדלים?
| רכיב | ערכים אפשריים | מדוע זה משנה להחלטה |
|---|---|---|
| פיצול מסמכים (chunking) | לפי פסקה, לפי כותרות, חלוקה עם חפיפה | קובע אם ההקשר שנשלף שלם או קטוע |
| מודל הטמעה (embedding) | רב-לשוני, ייעודי לקוד, ייעודי לתחום | משפיע ישירות על איכות ההתאמה בעברית ובקוד |
| אינדקס וקטורי | וקטורי בלבד, לקסיקלי, היברידי | היברידי מציל שאילתות עם מספרי גרסה ומזהים |
| דירוג מחדש (re-ranker) | ללא, מודל דירוג ייעודי | מסנן מסמכים דומים-אך-לא-רלוונטיים |
| בקרת הקשר | תקציב טוקנים, מספר מסמכים | מונע הצפה של חלון ההקשר ועלייה בעלות |
| הערכה | נאמנות למקור, כיסוי, זמן תגובה | בלי מטריקות אין דרך להוכיח שיפור |
זווית שממעטים לדבר עליה, לדעתנו: איכות RAG היא בעיית שליפת מידע קלאסית שהוסבה למודלי שפה, ומהנדסים שמכירים אינדוקסים, נורמליזציה של שאילתות ומדדי precision ו-recall מגיעים אליה עם יתרון ברור. שיפור השלב הלקסיקלי והדירוג מחדש מניב לרוב תמורה גדולה יותר מהחלפת מודל השפה — וזו בדיוק נקודת המבט ההנדסית שמפרידה בין דמו לבין מערכת ייצור. זהו אחד המקומות שבהם רקע הנדסי קיים מתורגם ישירות לתוצאה, וזו גם הסיבה שקורס מהנדסי AI של האקדמיה להייטק העברית הכשרת מנהלים פונה למהנדסים ומפתחים מנוסים שכבר עובדים.
מתי סוכן בודד מספיק, ומתי הוא מתחיל להישבר?
סוכן בודד מספיק ברוב המשימות התחומות, והוא מתחיל להישבר בדיוק ברגע שבו המשימה מפסיקה להיות תחומה. אבל התשובה תלויה במה שאתם מתכוונים כשאתם אומרים "סוכן בודד" — יש לביטוי שני פירושים נפוצים, ורק אחד מהם באמת רלוונטי לדיון הארכיטקטוני.
פירוש ראשון: קריאה בודדת למודל שפה. כאן אין לופ ואין כלים — פרומפט נכנס, טקסט יוצא. זה מתאים לסיווג, לסיכום או לחילוץ שדות מלוג. הנדסת פרומפטים (עיצוב ושכלול הנחיות למודל כדי להפיק תוצאה מדויקת) היא כל מה שנדרש, ואין שום סיבה להוסיף תשתית סוכנים.
פירוש שני: סוכן אוטונומי אחד עם כלים. מודל שפה בלופ, עם גישה לקריאות API, מסד נתונים או מערכת קבצים, שמחליט בעצמו איזה כלי להפעיל ומתי — כמו סוכן קוד שרץ בטרמינל בסגנון Claude Code. זה הפירוש המעניין, ובפועל הוא מכסה חלק גדול מהמקרים בייצור: תיקון באג ממוקד, מיגרציה של סכימה, בדיקת רגרסיה, סיווג טיקטים או איסוף נתונים מכמה APIs וסיכומם.
היתרון המרכזי של הפתרון הזה הוא שקיפות: יש שרשרת החלטות אחת לקרוא, לוג כלים אחד לשחזר, וסט הרשאות אחד לאבטח. במערכת מרובת-סוכנים אותה תקלה מתפזרת בין כמה שרשראות, ולעיתים נובעת מהעברת הקשר חסרה בין סוכנים ולא משגיאת מודל.
מהם סימני הקצה שמעידים על הגעה לגבול?
- התארכות לופ ללא התקדמות — הסוכן קורא לאותו כלי שוב ושוב עם וריאציות זעירות.
- הצפת חלון הקשר — היסטוריית הכלים דוחקת את ההוראות המקוריות ואיכות ההחלטות יורדת.
- התנגשות תפקידים — אותו פרומפט נדרש להיות גם מתכנן, גם מבקר וגם מבצע.
- תלות בידע חוץ-פרמטרי — התשובות נכונות תחבירית ושגויות עובדתית, סימן שנדרש אחזור ממאגר.
- הרשאות מפוצלות — חלקים שונים של המשימה דורשים גישות שונות שאסור לאחד תחת סוכן אחד.
בפועל ההמלצה שלנו פשוטה: התחילו בסוכן בודד, מדדו, ופרקו רק כשאחד מהסימנים לעיל חוזר — תחילה בעזרת כלים מורכבים יותר, אחר כך בעזרת תת-שגרות (sub-agents) שמוחזרות לסוכן הראשי, ורק לבסוף בארכיטקטורה מבוזרת. שכבת אחזור פותרת את בעיית הידע; פיצול לכמה סוכנים פותר את בעיית התפקידים המתנגשים — ולעיתים קרובות אלה שתי בעיות שונות שנוטים לבלבל ביניהן. סוכני AI אוטונומיים הם אחד מנושאי הליבה של קורס מהנדסי AI של האקדמיה להייטק העברית הכשרת מנהלים.
איך מתכננים Multi-Agent בלי לאבד שליטה?
תכנון Multi-Agent בלי לאבד שליטה מתחיל בהחלטה על טופולוגיה ובחוזה ברור בין הסוכנים — לא בכתיבת פרומפטים. מערכת מרובת-סוכנים היא ארכיטקטורה שבה כמה סוכני AI, כל אחד עם הגדרת תפקיד, כלים והרשאות משלו, פועלים יחד לפתרון בעיה; מבחינה הנדסית זו מערכת מבוזרת לכל דבר, ולכן חלות עליה אותן שאלות שמהנדסי תוכנה מכירים ממיקרו-סרוויסים: מי מחזיק את המצב, מה קורה בכישלון חלקי, ואיך עוצרים ריצה שיצאה משליטה.
שלוש טופולוגיות עיקריות:
- מתכנן-מבצעים (orchestrator-workers) — סוכן מרכזי מפרק את המשימה, מחלק אותה לסוכני ביצוע (sub-agents) ומאחד תוצאות. הנפוצה והניתנת לניפוי באגים ביותר, אך המתזמר הוא נקודת הכשל היחידה ומקור עיקרי לעלות טוקנים.
- העברת שרביט (handoff) — סוכן מעביר את הבקשה לסוכן מתמחה לפי סיווג. מתאים לניתוב פניות ולתחומי דעת נפרדים; איכות ההעברה — מה עובר (סיכום, מסמך מלא, קריאות כלים) ומה נגזם — קובעת אם המערכת מתכנסת או מתדרדרת לרעש.
- דיון וביקורת (critic) — סוכן אחד מייצר וסוכן שני מבקר לפי קריטריונים מוגדרים. משפר איכות במשימות פתוחות, במחיר סבבים נוספים.
מנגנוני הבקרה שאין לדלג עליהם: תקציב שלבים וטוקנים לכל ריצה; קריטריון עצירה מפורש לכל סוכן; סכמת פלט מוגדרת בין סוכנים (JSON עם ולידציה) במקום טקסט חופשי; הפרדת הרשאות כך שלסוכן חיפוש אין גישת כתיבה; תצפיתיות (observability) עם מזהה ריצה אחיד שמאפשר לעקוב אחר כל קריאה; ואישור אדם בצוואר בקבוקה אחד לפני פעולות בלתי-הפיכות.
מתי הפיצול לתפקידים מחזיר את עלותו?
לדעתנו, המדד המעשי הוא אחד: האם קיים שלב שבו סוכן אחד נדרש להחזיק שתי אמות מידה סותרות — למשל לייצר פתרון וגם לפסול אותו בביקורתיות. הפרדה בין יוצר למבקר, או בין סוכן שמריץ אחזור מסמכים לסוכן שמכריע החלטה, מייצרת שיפור שניתן למדוד בשיעור התיקונים הידניים. כשאין סתירה כזו, סוכן בודד עם כלים טובים יעיל יותר.
נקודה שקל לפספס: מערכות מרובות-סוכנים אינן נכשלות בקול רם אלא בשקט — שני סוכנים מסכימים על תשובה שגויה, או שסוכן ממציא נתון שסוכן אחר מקבל כעובדה. לכן שילוב אחזור מבוסס-מקור בתוך הארכיטקטורה, ולא רק בקצה, הוא מה שמונע התפשטות שגיאות.
איזה תפקיד יש להנדסת פרומפטים, להערכה ולבקרת סיכונים?
הנדסת פרומפטים, הערכה (evaluation) ובקרת סיכונים הן השכבה שמחזיקה כל אחת משלוש הארכיטקטורות — סוכן בודד, אחזור מבוסס-מקור ומערכת מרובת-סוכנים — ובלעדיהן הבחירה הארכיטקטונית נשארת השערה. הנדסת פרומפטים היא עיצוב ושכלול ההנחיות למודל שפה כדי להפיק תוצאות מדויקות וניתנות לחזרה; הערכה היא מדידה שיטתית של איכות הפלט מול סט מקרים מוגדר.
התפקיד משתנה לפי הארכיטקטורה:
- בסוכן בודד — ההנחיה מגדירה מתי לקרוא לכלי, מתי לעצור ומה נחשב הצלחה. מדד הליבה הוא שיעור השלמת משימה ומספר השלבים עד סיום.
- באחזור מבוסס-מקור — ההנחיה מחייבת ביסוס וציטוט. המדידה מפוצלת: איכות האחזור נמדדת בנפרד מאיכות התשובה, אחרת לא ניתן לדעת איזה רכיב נשבר.
- במערכת מרובת-סוכנים — לכל סוכן הנחיה צרה משלו וסכמת פלט מחייבת; המדידה נעשית גם ברמת הסוכן וגם ברמת הריצה כולה.
אם בחרתם ארכיטקטורה, בחרתם גם את מצב הכשל שתצטרכו לנטר:
| מה לעשות | ממה להיזהר |
|---|---|
| להשתית תשובות על מקורות באמצעות RAG | אחזור רועש: חיתוך גרוע של המסמכים או embedding לא מתאים לדומיין |
| לתת לסוכן בודד כלים מוגדרים ולוג צעדים | הזיות בקריאות כלים ובפרמטרים שהמודל "ממציא" |
| לפצל לתפקידים במערכת מרובת-סוכנים | לולאות הדדיות וגידול חד בעלות ובזמן התגובה |
| למדוד לפני שמשדרגים ארכיטקטורה | אופטימיזציה של הנחיות במקום תיקון שכבת הנתונים |
הפרקטיקה שמבדילה מערכת מקצועית מדמו: סט מקרי בוחן קבוע (golden set) שמריצים לפני כל שינוי, בדיקות רגרסיה על תרחישי קצה, מודל שמשמש כשופט אוטומטי לצד ביקורת אנושית מדגמית, ותקרות קשיחות של צעדים ותקציב טוקנים לכל משימה. מודלים גנרטיביים מתעדכנים, ובלי מסגרת מדידה כל שדרוג הוא הגרלה.
הערה מנוסחת כדעה: בשנת 2026 היכולת לכתוב פרומפט טוב הפכה למובנת מאליה, ומה שמבדיל מהנדסים הוא היכולת להוכיח שהמערכת עובדת — לבנות מדדים, לזהות רגרסיה ולהחליט מתי לשדרג ארכיטקטורה. רוב "ההזיות" שמדווחות בפרויקטים הן בעצם כשל אחזור ולא כשל מודל, וההבחנה הזו מעשית מאוד: תיקון שכבת האחזור מייצב תשובות יותר מכל ניסוח הנחיה מתוחכם. זהו הפער שהכשרה מסודרת בהנדסת AI אמורה לסגור.
איך משלימים את הפער הזה ברמה אקדמית-מעשית?
השלמת הפער ברמה אקדמית-מעשית דורשת שילוב של שני דברים שקשה להשיג לבד: מסגרת עיונית מסודרת שמסבירה מדוע ארכיטקטורה מסוימת מתאימה, ועבודה בפועל על מערכות אמיתיות. קורס מהנדסי AI של האקדמיה להייטק העברית הכשרת מנהלים בנוי בדיוק סביב הצירוף הזה, ומיועד למהנדסים ומפתחים מנוסים שעובדים — ולא למי שמתחיל את דרכו בתכנות.
מה שמקבלים בפועל:
- היקף לימוד מוגדר — לפי עמוד הקורס, מדובר בתכנית בת 210 שעות אקדמיות למהנדסים ומפתחים, בהיקף שמאפשר לכסות סוכנים אוטונומיים, אחזור מבוסס-מקור, מערכות מרובות-סוכנים, הנדסת פרומפטים ומודלים גנרטיביים לעומק.
- סדנה מעשית במשרדי AWS — עבודה על פרויקטים יישומיים על מערכות אמיתיות, כפי שמוצג בעמוד הקורס, במקום תרגילי מעבדה מנותקים.
- תעודה אקדמית — בסיום מתקבלת תעודה מטעם האוניברסיטה העברית, שמדורגת במקום 88 בעולם — מבין 100 האוניברסיטאות המובילות — לפי דירוג שנגחאי (ARWU) 2025, ומדעי המחשב שלה מדורגים 176–200 בעולם לפי Times Higher Education 2026.
- חיבור לתעשייה — האקדמיה להייטק העברית הכשרת מנהלים מציגה בעמוד הקורס חמש חברות טכנולוגיה מובילות כשותפות: Wix, Nanit, Google, Intel ו-Salesforce.
- ליווי אישי ומקצועי — לפי עמוד הקורס, התכנית כוללת ליווי אישי ומקצועי (מנטורינג) לאורך הקורס.
- גמישות תעסוקתית — שני מסלולי לימוד, בוקר וערב, פעמיים בשבוע, כך שאפשר ללמוד במקביל לתפקיד הנדסי מלא.
עבור בוגרי יחידות טכנולוגיות מובחרות ומהנדסים מדיסציפלינות אחרות — אלקטרוניקה, חומרה או הנדסה כללית — היתרון הוא שהבסיס ההנדסי כבר קיים, והחסר הוא דווקא השכבה של סוכנים, אחזור והערכה. זו בדיוק השכבה שהתכנית ממקדת בה.
אילו שאלות חוזרות שוב ושוב על בחירה בין RAG, סוכן בודד ו-Multi-Agent?
מה ההבדל המעשי בין RAG לבין סוכן בודד?
RAG (Retrieval-Augmented Generation) הוא שילוב של אחזור מידע ממאגר עם מודל שפה, כך שהתשובה נשענת על מקור מאומת ולא על זיכרון המודל. סוכן בודד, לעומת זאת, הוא רכיב שמקבל מטרה, מתכנן צעדים ומפעיל כלים חיצוניים כדי להשיג אותה. הכלל המעשי: אם הבעיה היא "אין למודל את הידע הנכון" — צריך אחזור; אם הבעיה היא "צריך לבצע פעולה בכמה שלבים" — צריך סוכן.
האם RAG ומערכת מרובת-סוכנים הן חלופות זו לזו?
לא, ובארכיטקטורות ייצור ב-2026 השילוב ביניהן הוא התרחיש הנפוץ: אחזור מוגבר-גנרציה הוא רכיב שמספק ידע, ומערכת מרובת-סוכנים היא תבנית שמחלקת אחריות. האחזור מתפקד כשכבת ידע משותפת שכל סוכן פונה אליה, בעוד שכבת התזמור מחלקת את העבודה. ההפרדה חשובה: תקלות אחזור (מקור לא רלוונטי) ותקלות תזמור (סוכן שנתקע בלופ) דורשות מדדים ותיקונים שונים לחלוטין.
מתי כדאי להשתמש ב-fine-tuning במקום באחזור מבוסס-מקור?
כיול עדין (fine-tuning) מתאים כשצריך לשנות התנהגות, סגנון או פורמט פלט קבוע — לא כשצריך להוסיף עובדות מתעדכנות. עובדות שמשתנות עדיף להחזיק במאגר שניתן לעדכן, כדי שלא יידרש אימון מחדש בכל שינוי.
כיצד מודדים אם הארכיטקטורה שנבחרה נכונה?
מודדים בשתי שכבות. בשכבת האחזור בודקים דיוק וכיסוי של המקורות שהוחזרו ואת שיעור התשובות ללא ביסוס. בשכבת הסוכן בודקים אחוז השלמת משימות מקצה לקצה, מספר צעדי הכלים לכל משימה ותקציב הטוקנים. ללא הפרדה זו, שיפור בפרומפט עלול להסתיר בעיית אחזור אמיתית.
למה הנדסת פרומפטים עדיין קריטית כשהמודלים משתפרים?
הנדסת פרומפטים — עיצוב מדויק של ההנחיות למודל — היא הממשק שבו מוגדרים תפקיד הסוכן, גבולות השימוש בכלים ופורמט הפלט. גם מודל חזק זקוק לחוזה ברור בין הרכיבים, במיוחד כשסוכנים מעבירים ביניהם פלטים. בפועל, שיפור ההנחיות והסכימות הוא לרוב השינוי הזול והמהיר ביותר לפני שמסבכים את הארכיטקטורה.
איזה רקע נדרש כדי להוביל תכנון כזה בארגון?
נדרש ניסיון הנדסי קיים בתכנון מערכות, ועליו השלמה ממוקדת של הנדסת AI: תזמור סוכנים, שכבות אחזור והערכה שיטתית. קורס מהנדסי AI של האקדמיה להייטק העברית הכשרת מנהלים מיועד בדיוק לקהל הזה — מהנדסים ומפתחים מנוסים, ובכללם בוגרי יחידות טכנולוגיות מובחרות ומהנדסים מתחומי הנדסה נוספים. לפי עמוד הקורס ניתן בו ליווי אישי ומקצועי לאורך הדרך, בסיומו מתקבלת תעודה מטעם האוניברסיטה העברית, והלימודים מתקיימים בשני מסלולים — בוקר או ערב, פעמיים בשבוע — כך שמהנדסים העובדים במשרה מלאה יכולים להשתלב.
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