קורס Agentics AI לצוותי פיתוח: הסיפור שלנו מהשטח

קורס Agentics AI לצוותי פיתוח הוא תוכנית הכשרה מעשית שמלמדת מפתחים/ות לבנות סוכני AI אוטונומיים — תוכנות שיודעות לקבל החלטות, לתכנן משימות ולבצע פעולות בלי שמישהו מחזיק להן את היד בכל צעד. אם הצוות שלכם עדיין כותב prompts סטטיים ומקווה לטוב — אתם מפספסים את הקפיצה הגדולה ביותר שקרתה בתעשייה מאז הקונטיינרים. במאמר הזה אני הולך לספר לכם סיפור אמיתי, מצוות פיתוח ישראלי שעבר את המסע הזה, ומה קרה בצד השני.

צוות של חמישה שקיבל משימה של חמישים

לפני כשנה, ישבנו עם צוות פיתוח של חברת SaaS ישראלית — חמישה אנשים, מוצר B2B עם אלפי לקוחות, ובאקלוג שנראה כמו רשימת קניות לחודש שלם של חתונות. המנהל הטכני שלהם, נקרא לו דני, אמר משפט שנשאר איתי: "אנחנו לא צריכים עוד מפתחים. אנחנו צריכים שהקוד שלנו ידע לחשוב."

דני לא חיפש בינה מלאכותית שמשלימה משפטים. הוא חיפש סוכנים — Agents — שיכולים לקחת בעיה, לפרק אותה לשלבים, להפעיל כלים, לבדוק את עצמם, ולהגיע לתוצאה. זו בדיוק ההגדרה של Agentic AI: מערכות שלא רק מגיבות — אלא יוזמות, מתכננות ומבצעות.

מה זה בעצם Agentic AI ולמה זה שונה מ-ChatGPT

בואו נפרק את זה ברמה הטכנית. מודל שפה רגיל (LLM) מקבל קלט ומחזיר טקסט. זהו. סוכן AI, לעומת זאת, הוא ארכיטקטורה שלמה: יש לו לולאת חשיבה (ReAct loop), גישה לכלים חיצוניים (APIs, מסדי נתונים, שירותי ענן), זיכרון לטווח קצר וארוך, ויכולת לתכנן רצף פעולות מרובות-שלבים.

לפי דוח של Gartner מ-2024, עד 2028 כ-33% מתוכנות הארגוניות יכללו סוכני AI — לעומת פחות מ-1% ב-2024. זו לא תחזית — זה מירוץ שכבר התחיל. וחברות ישראליות כמו AI21 Labs ו-Augury כבר מטמיעות ארכיטקטורות אגנטיות בפרודקשן.

שבוע ראשון — להבין את הארכיטקטורה

כשהצוות של דני נכנס לקורס, הם הגיעו עם ידע סולידי ב-Python, ניסיון עם OpenAI API, וציפייה שתוך יומיים הם יבנו סוכן שמחליף צוות QA שלם. את הציפייה הזו פירקנו ביום הראשון.

התחלנו מהיסודות: מה ההבדל בין Chain, Agent ו-Multi-Agent System. איך לולאת ReAct (Reasoning + Acting) עובדת מתחת למכסה המנוע. למה סוכן בלי כלים הוא בסך הכול צ'אטבוט יקר. ולמה כל הקסם נמצא ב-Tool Calling — היכולת של הסוכן לבחור ולהפעיל פונקציות חיצוניות בהתאם להקשר.

הנה הדגמה פשוטה שבנינו ביום הראשון — סוכן שמקבל שאלה, מחליט אם הוא צריך לחפש במסד נתונים או לענות מהזיכרון, ומבצע את הפעולה:

from langchain.agents import initialize_agent, Tool
from langchain.chat_models import ChatOpenAI
from langchain.tools import tool

@tool
def search_customer_db(query: str) -> str:
    """Search the customer database for account information."""
    # Simulate DB lookup
    customers = {
        "acme": {"plan": "enterprise", "mrr": 15000, "health": "green"},
        "globex": {"plan": "startup", "mrr": 500, "health": "red"},
    }
    key = query.lower().strip()
    if key in customers:
        c = customers[key]
        return f"Customer: {key}, Plan: {c['plan']}, MRR: ${c['mrr']}, Health: {c['health']}"
    return f"Customer '{query}' not found in database."

@tool
def create_jira_ticket(summary: str) -> str:
    """Create a Jira ticket for the customer success team."""
    # In production, this calls the Jira REST API
    ticket_id = "CS-" + str(hash(summary) % 10000)
    return f"Ticket {ticket_id} created: {summary}"

llm = ChatOpenAI(model="gpt-4o", temperature=0)
tools = [search_customer_db, create_jira_ticket]

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent="openai-tools",
    verbose=True,
    handle_parsing_errors=True
)

# The agent decides WHICH tools to use and in WHAT order
result = agent.invoke(
    "Check the health status of Globex. If it's red, open a ticket for the CS team."
)
print(result["output"])

שימו לב למה שקרה פה: אנחנו לא אמרנו לסוכן "תחפש ואז תפתח טיקט". נתנו לו מטרה, והוא החליט לבד לחפש קודם, לבדוק את הסטטוס, ואז ליצור טיקט כי הסטטוס אדום. זו החשיבה האגנטית — ההבדל בין אוטומציה לבין אוטונומיה.

שבוע שני — Multi-Agent Systems ותזמור סוכנים

בשבוע השני הגענו לחלק שבו הדברים נהיים באמת מעניינים: מערכות מרובות סוכנים. במקום סוכן אחד שעושה הכול, בונים צוות של סוכנים מתמחים שמדברים ביניהם.

דני והצוות שלו בנו מערכת של שלושה סוכנים לתהליך ה-Code Review שלהם: סוכן אחד שמנתח את הקוד ומזהה בעיות אבטחה, סוכן שני שבודק תאימות ל-coding standards של הארגון, וסוכן שלישי שמסכם את הממצאים ופותח PR comments. את התזמור עשינו עם CrewAI — פריימוורק שנבנה בדיוק בשביל לנהל צוותים של סוכנים.

התוצאה? תהליך Code Review שלקח בממוצע 45 דקות ירד ל-8 דקות. לא כי הסוכנים מושלמים — הם לא — אלא כי הם מסננים את 80% מהדברים הטריוויאליים ומשחררים את המפתחים/ות להתמקד בלוגיקה העסקית.

שבוע שלישי — RAG אגנטי ו-Long-Term Memory

אחד הרגעים המכוננים בקורס היה כשדני הבין מה RAG אגנטי באמת אומר. לא סתם "לשלוף מסמכים ולדחוף אותם ל-prompt". אלא סוכן שמחליט לבד מתי הוא צריך מידע נוסף, מאיזה מקור לשלוף, ואיך לאמת את מה שהוא מצא.

לפי מחקר של Stanford HAI מ-2024, סוכני RAG שמשתמשים ב-self-reflection (בודקים אם התשובה שלהם הגיונית לפני שהם מחזירים אותה) מדויקים ב-23% יותר מ-RAG סטנדרטי. זה לא שיפור קוסמטי — זה ההבדל בין מערכת שאפשר לסמוך עליה לבין מערכת שצריך לבדוק אחריה כל פעם.

בנינו סוכן שמחובר לתיעוד הטכני של המוצר של דני — מאות דפים ב-Confluence — ויכול לענות לשאלות של צוות ה-Support. הסוכן לא רק מוצא את המסמך הרלוונטי; הוא קורא, מצליב עם מסמכים אחרים, ואם הוא לא בטוח — הוא אומר "אני לא בטוח" במקום להמציא.

השוואת פריימוורקים לבניית סוכני AI

השוק מוצף בכלים. כל שבוע יוצא פריימוורק חדש עם README מבריק ושלושה כוכבים ב-GitHub. הנה ההשוואה הכנה, מבוססת על מה שאנחנו רואים בפרודקשן אצל חברות ישראליות:

בקורס אנחנו מלמדים את כולם, אבל מתחילים עם LangChain/LangGraph כי זה נותן את הבסיס הטכני הרחב ביותר. מי שמבין LangGraph — יעבור לכל פריימוורק אחר תוך שעות.

הכלים שמסביב: Observability, Testing, Guardrails

בניית סוכן זה 30% מהעבודה. ה-70% הנותרים? לוודא שהוא לא ישתגע בפרודקשן. הנה הסטאק שאנחנו מלמדים ומטמיעים:

LangSmith — לצפייה בכל שלב של חשיבת הסוכן, כולל עלויות token בזמן אמת. Guardrails AI — לוודא שהפלט עומד בפורמט מסוים ולא מכיל מידע רגיש. Promptfoo — לבדיקות רגרסיה על prompts, כי prompt שעבד בינואר יכול להישבר במרץ כשהמודל מתעדכן. Weights & Biases — למעקב אחר ביצועים לאורך זמן.

דני סיפר לנו שבלי LangSmith הוא היה "עיוור" — הסוכן עבד, אבל הוא לא ידע למה. ברגע שהם הפעילו observability, הם גילו שהסוכן עושה 4 קריאות מיותרות ל-API בכל run, מה שעלה להם $2,000 בחודש בלי סיבה. תוך שעה הם חתכו את זה.

פרויקט מקצה לקצה, לא דוגמאות צעצוע

בואו נהיה כנים: 90% מהטיוטוריאלים ביוטיוב מראים לכם סוכן שמחפש ב-Google ועונה על שאלות. יפה, אבל בפרודקשן אתם צריכים סוכן שמתמודד עם timeouts, rate limits, תשובות לא צפויות מ-APIs, פלוציות של המודל (hallucinations), ומשתמשים שמנסים לשבור אותו — בכוונה או בטעות.

בקורס אצלנו, כל צוות בונה פרויקט אמיתי מהארגון שלו. הצוות של דני בנה סוכן CI/CD שמנתח build failures, מזהה את שורש הבעיה, ופותח PR עם ה-fix המוצע. הנה חלק מה-pipeline שהם יצרו:

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated, Literal

class BuildAnalysisState(TypedDict):
    error_log: str
    root_cause: str
    suggested_fix: str
    confidence: float
    action_taken: str

def analyze_error(state: BuildAnalysisState) -> BuildAnalysisState:
    """Agent analyzes the build error log to identify root cause."""
    # LLM call with specialized prompt for build error analysis
    analysis = llm.invoke(f"""Analyze this CI/CD build error log and identify the root cause.
    Be specific about the file, line number, and nature of the error.
    
    Error log:
    {state['error_log']}
    
    Return JSON with: root_cause, suggested_fix, confidence (0-1)""")
    
    parsed = json.loads(analysis.content)
    return {
        **state,
        "root_cause": parsed["root_cause"],
        "suggested_fix": parsed["suggested_fix"],
        "confidence": parsed["confidence"]
    }

def should_auto_fix(state: BuildAnalysisState) -> Literal["create_pr", "notify_human"]:
    """Route based on confidence level."""
    if state["confidence"] > 0.85:
        return "create_pr"
    return "notify_human"

def create_pr(state: BuildAnalysisState) -> BuildAnalysisState:
    """Create a pull request with the suggested fix."""
    # In production: GitHub API call to create branch + PR
    return {**state, "action_taken": f"PR created with fix: {state['suggested_fix']}"}

def notify_human(state: BuildAnalysisState) -> BuildAnalysisState:
    """Send Slack notification for human review."""
    # In production: Slack webhook
    return {**state, "action_taken": f"Slack alert sent. Root cause: {state['root_cause']}"}

# Build the agent graph
workflow = StateGraph(BuildAnalysisState)
workflow.add_node("analyze", analyze_error)
workflow.add_node("create_pr", create_pr)
workflow.add_node("notify_human", notify_human)

workflow.set_entry_point("analyze")
workflow.add_conditional_edges("analyze", should_auto_fix)
workflow.add_edge("create_pr", END)
workflow.add_edge("notify_human", END)

app = workflow.compile()

שימו לב לתבנית: הסוכן מנתח, מעריך את רמת הביטחון שלו, ומחליט אם לפעול לבד או לקרוא לבן אדם. זה לא AI שמחליף מפתחים — זה AI שמכבד את הגבולות של עצמו. וזה בדיוק מה שמלמדים בקורס: לא רק לבנות סוכנים, אלא לבנות סוכנים אחראיים.

מה שקרה אחרי שדני סיים

שלושה חודשים אחרי הקורס, דני שלח לנו הודעה. הצוות שלו פרס שלושה סוכנים לפרודקשן: סוכן Code Review שחיסך 12 שעות עבודה בשבוע, סוכן Support שעונה על 60% מהפניות ברמה 1 בלי התערבות אנושית, וסוכן Monitoring שמזהה אנומליות בלוגים ופותח incidents אוטומטית.

אבל הדבר שהפתיע אותו יותר מכל? "הצוות שלי חושב אחרת עכשיו," הוא כתב. "כל בעיה חדשה, השאלה הראשונה היא — אפשר לבנות לזה סוכן? ואם כן, מה הוא צריך לדעת, מה הוא צריך לגשת אליו, ומתי הוא צריך לעצור ולקרוא לבן אדם?"

זו בדיוק התוצאה שאנחנו רוצים. לא ללמד כלי — אלא לשנות את צורת החשיבה.

מתאים

צוותי פיתוח עם ניסיון ב-Python שרוצים לשלב AI אגנטי בתהליכי העבודה שלהם. מנהלי/ות פיתוח (Team Leads, Engineering Managers) שצריכים להבין מה אפשרי ומה הייפ. מפתחי/ות Backend ו-Full-Stack שרוצים להוסיף "Agent Engineering" לארגז הכלים שלהם.

לא מתאים

מי שמחפשים "לבנות סטארטאפ AI בשלושה ימים". מי שאין להם רקע בפיתוח — הקורס הזה לא מלמד Python מאפס. ומי שמאמינים שסוכני AI יחליפו את כל המפתחים — אנחנו לא מוכרים פנטזיות.

לפי סקר Stack Overflow Developer Survey 2024, 76% מהמפתחים/ות כבר משתמשים/ות בכלי AI בעבודה, אבל רק 12% בונים סוכנים אוטונומיים. הפער הזה הוא ההזדמנות — למי שיודע לגשר עליו.

מה ההבדל בין קורס Agentic AI לבין קורס Prompt Engineering?

Prompt Engineering מלמד לתקשר עם מודל שפה — לכתוב הוראות טובות ולקבל תשובות טובות. Agentic AI הוא שכבה מעל: לבנות מערכות שמשתמשות במודלים כחלק מארכיטקטורה רחבה יותר שכוללת כלים, זיכרון, תכנון ולולאות פעולה. זה כמו ההבדל בין לדעת לנהוג לבין לתכנן מערכת תחבורה שלמה.

צריך ניסיון קודם עם LLMs כדי להצטרף?

ניסיון בסיסי עם API של OpenAI או מודל שפה דומה הוא יתרון, אבל לא חובה. מה שכן חובה: ניסיון של שנתיים לפחות בפיתוח תוכנה ב-Python, והבנה בסיסית של REST APIs. אנחנו מתחילים מהיסודות של LLM ובונים משם למעלה.

כמה זמן הקורס וכמה שעות צריך להשקיע?

הקורס בנוי כתוכנית של 8 שבועות, עם מפגש שבועי של 4 שעות (סינכרוני, מעשי, עם קוד חי). בין המפגשים יש תרגול עצמאי של כ-4-6 שעות שבועיות, כולל עבודה על הפרויקט הצוותי. סה"כ כ-80-100 שעות למידה.

האם הקורס מתאים לצוותים שעובדים עם שפות שאינן Python?

הקורס מלמד ב-Python כי שם נמצאים כל הפריימוורקים המובילים (LangChain, CrewAI, AutoGen). אבל העקרונות הארכיטקטוניים — ReAct loops, tool calling, multi-agent orchestration — הם אגנוסטיים לשפה. צוותים שעובדים ב-TypeScript יכולים ליישם את הידע עם LangChain.js. הקוד בקורס הוא Python, ואנחנו מצפים שתהיה נוחות בסיסית.

מה לגבי אבטחת מידע? סוכנים שמריצים קוד לבד זה לא מפחיד?

שאלה מצוינת, וזה בדיוק למה יש לנו מודול שלם על AI Safety ו-Guardrails. אנחנו מלמדים sandboxing — להריץ סוכנים בסביבה מבודדת, input/output validation — לוודא שהסוכן לא מקבל ולא מוציא מידע רגיש, ו-human-in-the-loop — לדעת מתי לדרוש אישור אנושי לפני פעולה. סוכן AI בלי guardrails זה כמו מכונית בלי בלמים. אנחנו מלמדים לבנות את הבלמים לפני שדורכים על הגז.

האם אפשר ללמוד Agentic AI לבד מתיעוד ויוטיוב?

אפשר ללמוד הרבה לבד, ואנחנו מעודדים את זה. אבל יש שלושה דברים שלמידה עצמאית לא נותנת: ביקורת מקצועית על הארכיטקטורה שלכם מאנשים שכבר שרפו את האצבעות, פרויקט מלא מקצה לקצה עם feedback שבועי, ושיח עם צוותים אחרים שמתמודדים עם אתגרים דומים. אנחנו לא מתחרים ביוטיוב — אנחנו משלימים אותו.

מה קורה אחרי הקורס? יש תמיכה מתמשכת?

כן. בוגרי/ות הקורס מקבלים/ות גישה לקהילה סגורה ב-Slack עם מנטורים ובוגרים/ות אחרים/ות, webinars חודשיים על טכנולוגיות חדשות (השטח מתעדכן בטירוף), ו-office hours שבועיים לשאלות טכניות. כי ללמוד זה לא אירוע — זה תהליך.

אם הסיפור של דני נשמע לכם מוכר — צוות קטן עם שאיפות גדולות שמחפש את המנוף הטכנולוגי הנכון — אנחנו פה. לא כדי למכור לכם חלום, אלא כדי ללכלך ביחד את הידיים בקוד, לבנות סוכנים שעובדים, ולצאת מהקורס עם יכולת שהשוק מחפש בטירוף. הדלת פתוחה. תבואו לשיחה, נבין ביחד אם זה בשבילכם.

• קורס סייבר ואבטחת מידע
• קורס Real Time Embedded
• קורס דאטה סיינס
• קורס למידת מכונה AI
• קורס דאטה אנליסט
• קורס DEVOPS
• קורס IT
• קורס אוטומציה
• קורס Full Stack
• קורס בניית אתרים