שאלות ותשובות שלא שואלים כל יום
11 שאלות ותשובות שילמדו אתכם... איך להישמע חכמים ומבינים.
במה שונה סייען AI אישי (כמו Instinct או Grokbot) מצ'אטבוט רגיל?
צ'אטבוט רגיל ממתין שתפתחו חלון שיחה ותקלידו לו שאלה. סייען או עמית אישי פועל באופן פרואקטיבי ברקע: Grokbot מתפקד כקולגה אוטונומי עם מחשב ענן עצמאי שכותב קוד למפתחים או סורק שווקים למכירות 24/7. מנגד, אפליקציית Instinct פועלת כעוזר אישי אנושי שמנהל שיחות טלפון והודעות, מתאם פגישות, מנהל מו"מ על חשבונות ומטפל בבירוקרטיה ללא צורך בישיבה מול המסך.
מה ההבדל בין Skills (מיומנויות) לבין קובץ הנחיות (כמו claude.md)?
חשבו על Skills כעל מהלכים מיוחדים שאתם מלמדים את ה-AI (כמו 'כתוב תמיד בסגנון זה'). קובץ הנחיות (claude.md) הוא כמו ספר החוקים שאתם נותנים לו בתחילת הדרך, המסביר את כללי המשחק והפרויקט.
תן דוגמאות ל-3 אירועים שבהם מופעלים Hooks (ווים/טריגרים)
Hooks הם כמו חוטי מילכוד אוטומטיים — כשמשהו קורה, הם מפעילים פעולה מיידית: 1. כשמשתמש שולח הודעה → שמירה אוטומטית ביומן (Log). 2. כשה-AI מסיים משימה → שליחת התראה למשתמש. 3. כשמתרחשת שגיאה → התרעה מיידית למפתח.
מה מוסיף MCP (Model Context Protocol) מעבר ל-Skills?
MCP הוא כמו חיבור USB לבינה המלאכותית — הוא מאפשר למודל להתחבר ישירות לכלים ומאגרי מידע חיצוניים (כמו Google, בסיסי נתונים ויישומים), ולא רק לבצע משימות שהוא כבר מכיר מראש.
מה היתרון בעבודה עם תת-סוכנים (Sub-agents) במקום סוכן ענק אחד?
דמיינו שף אחד שמנסה לבשל, למלצר ולשטוף כלים לבד, לעומת צוות מטבח שלם. תת-סוכנים הם מומחים עצמאיים — מהירים יותר, מדויקים יותר ופועלים במקביל.
מה ההבדל בין סוכן (Agent) לתהליך עבודה קבוע (Deterministic Workflow)?
תהליך עבודה קבוע (Workflow) תמיד עוקב אחרי אותם שלבים מוגדרים מראש (כמו מתכון). סוכן AI חושב ומחליט בעצמו על השלבים בהתאם לסיטואציה ולתוצאות הביניים — הוא גמיש וחכם.
מתי עדיף לא להשתמש ב-RAG אלא בכוונון עדין (Fine-Tuning)?
RAG הוא כמו שליפת דף נוסחאות במבחן בזמן אמת. Fine-Tuning הוא למידה עמוקה של החומר כך שהידע מוטמע לצמיתות במוח של המודל. השתמשו ב-Fine-Tuning כשהסגנון והידע חייבים להיות טבועים במודל ולא רק להישלף כמסמך.
למה זה רעיון רע לדחוס את כל ההקשר והקבצים לפרומפט בכל פעם?
זה כמו לקרוא ספר שלם מההתחלה לפני שעונים על שאלה אחת קטנה. זה איטי, יקר ומבלבל את ה-AI. כדאי להזין ל-AI רק את המידע הרלוונטי בדיוק לאותה שאלה.
מה הסכנה בלתת ל-LLM גישה ישירה לבסיס הנתונים או ל-Production API?
לתת ל-AI גישה ישירה לנתוני ייצור חיים זה כמו לתת למתמחה ביומו הראשון את מפתח המאסטר של הבניין. טעות אחת עלולה למחוק מידע רגיש. תמיד נדרשות שכבות בטיחות ובקרת הרשאות באמצע.
איך מודדים איכות של מערכת מבוססת LLM בסביבת Production?
בסביבת ייצור עוקבים אחרי מדדים קריטיים: אחוז התשובות הנכונות (Accuracy), תדירות הזיות או שגיאות, זמני תגובה (Latency) ושביעות רצון המשתמשים.
איך מנהלים זיכרון במערכת סוכנים — מה ההבדל בין Vector DB לבסיס נתונים רגיל?
בסיס נתונים רגיל שומר נתונים בטבלאות מסודרות (כמו אקסל). Vector DB שומר מידע לפי 'משמעות סמנטית' — כך שה-AI יכול למצוא דברים דומים לפי רעיון ולא רק לפי התאמת מילים מדויקת. זהו הפתרון המושלם לזיכרון AI.