21 Mar דרוש ה Gen AI Platform Team Leader 10816 נישה השמה להייטק

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.

חברות וארגונים שכבר ייעלו את העבודה איתנו:

• אז אתם מתחילים לפזול לצדדים אחרים, פתאום גיליתם שחברים בתפקיד שלכם במקום אחר מרוויחים יותר.
• התוצאה היא שהרבה יותר קל לכתוב Skill וגם לקרוא את הקוד שלו.
• זה גם מסביר מדוע רבים מהארגונים מתנסים קודם עם Copilot Studio, גם כשהם לא בטוחים שזהו הכלי המיטבי, זוהי האופציה עם הכי פחות סיכון אסטרטגי.
• ב-frameworks מודרניים כמו LangGraph, CrewAI ו-AutoGen של מיקרוסופט, הארכיטקטורה הזו מגיעה כבנייה מודולרית.
• סך הכל זה חמוד שהם עושים לעצמם פרסומת למרות שצריך להגיד את האמת המודל שעשה את התיקון היה חיקוי סיני בשם qwen ולא קלוד אופוס.
• זהו הכיוון של ארגונים שלמדו את שיעור ה-vendor lock-in הקודם וזוכרים איך התקשו לצאת מ-Oracle או מ-VMware.

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?

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.

צריך שתביאו אתכם גם

התחילו ב-"shadow mode" — הסוכן רץ, מחליט, אבל לא מבצע. הסוכן ביצע rollback לשירות לא נכון כי ה-alert לא הכיל מספיק הקשר. ושלישית, יש escalation path — אם הסוכן לא מצליח לפתור, הוא מעביר לאדם עם כל AI agency pricing 2026 ההקשר.

מ MCP ל Skills

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.

העולם מתקדם מהר, ומי שלא מאמץ AI נשאר מאחור

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.

Agentic AI – מעבר ל-chatbot

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.

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.

קורסים בינלאומיים 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.

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.

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.

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.