אני מרגיש שאני עובר תהליך פנימי של הבשלה עם Vibe Coding. ממקום אבוד, מצאתי את נוסחת הקסם שעובדת לי ממש טוב, ואני חולק איתה אתכם.

ככלל, קיימים 3 יוז קייסים שאני נתקל בהם:
1. פיתוח מוצר חדש מאפס
2. התחברות לסביבת פיתוח קיימת והוספת פיצ׳רים
3. התחברות לסביב פיתוח קיימת - וביצוע אופטימיזציות או מיגרציות (מעבר למסגרות פיתוח מתקדמות יותר)

המכנה המשותף לכולם: אני צריך להבין מה הבעיה, איך לתכנן את הפיתרון, מה סביבת הפיתוח, באיזה טכנולוגיות משתמשים, איך. ארכיטקטורה בנויה - ומשם כל פעם אני בוחר את קטע הקונטקסט הרלוונטי בלבד בצ׳אט שלי עם קרסר, מפתח רכיב אחר רכיב, לאט לאט - וזה מה שגורם לי לטוס מהר. למדתי שכשאני רץ מהר אני בסוף חוזר להתחלה ומאבד המון זמן. וכשאני ״רץ לאט״ - אני בעצם ״טס בזכות האיטיות״.

כדי להבין, מצאתי שיטה כיפית: אני מתחיל שיחה עם המודל הקולי של GPT ומשתף אותו בכל. הבעיה. הפיתרון. צולל איתו לטכני, תסביר לי את הקשרים בין הרכיבים, תסביר את הרעיון, במבט על. ואז צולל למכניקה. למה הזדהות כזו, איך מיושמת פונקציה כזו וכזו בקוד (למשל העלאת קבצים), ממש מנהל איתו שיחה ארוכה כדי להבין את כל ההקשר לפרטי פרטים. המטרה כאן היא כדי שאדע איך לצרף את הקונטקסט הכי רלוונטי לצ׳אט בקרסר. למה? כי אם אני מבין את מסגרת הפיתוח שלי מצוין (או את הקוד הקיים), אז אני יודע בדיוק איפה הרכיב של כל פיצ׳ר ובמקום לשאול שאלות כלליות שעולות המון טוקנים - אני ממקד את השאלה ומצרף את ההקשר וזה עובד מדהים.

דוגמאות שעבדתי עליהן:
- פיתוח מוצר מאפס עם NextJS - ביקשתי הסבר על נקסט, על המבנה, איפה כל פיצ׳ר נבנה, למה, ממש בניתי הבנה מקיפה, כנ״ל כשפיתחתי תוסף לוורדפרס או לכרום או ל- VSCode, רציתי להבין איך המבנה נראה, מה זה קובץ המניפסט, גם כי זה מעניין אותי - אבל בעיקר כדי לדעת איזה קובץ לתייג בצ׳אט שלי עם קרסר.

- פיתוח פיצ׳רים במוצר קיים ו/או אופטימיזציות - זה יותר מאתגר, אבל ברגע שיש חיבור לקודבייס עם LLM כמו GitHub Workspace החיים קלים הרבה יותר. מבינים את הקשרים. מבינים את ה-Stack. ואז גם כאן - כשמבינים איזה קונטקסט לצרף למודל, איזה שינוי משפיע על איזה רכיב, הכל הופך לקל יותר.

- מיגרציות - מעבר מאפליקציות לגאסי, ישנות, לטכנולוגיות חדשות יותר. גם כאן צריך להבין את הכל לעומק, ולמצוא פתרונות טובים. לאחר מכן להרים את סביבת הפיתוח החדשה ובהדרגה לבצע את המיגרציה ולבדוק ששום דבר לא נשבר בדרך. בלי LLM זה סיוט. עם LLM זה סיוט. אבל הרבה פחות!

כשאני מדבר על פרקטיקה,
על זה בדיוק אני מדבר. לא עוד כלי שיודע לכתוב קוד. לא עוד תת פיצ׳ר במוצר. אלא שיתוף בתהליכים העסקיים והטכניים. תחשבו כמה זמן כסף מאמץ וכולי נחסכים כאן ע״י שימוש ב-LLMs. כשאין אגו - יש אפשרות לטוס קדימה. העולם גם ככה שועט קדימה. עולם הפיתוח הוא מהראשונים שחווים את הזעזוע העצום הזה, שמצריך מאיתנו להמציא את עצמנו מחדש. יצירתיים יותר. וזה האתגר האמיתי.

עולם הפיתוח באמת משתנה. מנכ״לים שאיתם דיברתי משתוקקים לרגע שבו ההוצאות יקטנו, הרווחים יעלו, גם על חשבון צמצום בכח אדם. ברגע שזה יוכח כמוצלח - כדור השלג יתחיל להתגלגל. אין סנטימנטים בעסקים. זה רווח והפסד נטו. זה לא בית ולא משפחה. ולכן, עסק זה עסק, וגם אנחנו צריכים לפתח את החשיבה הזו ולהבין: ה-AI באמת מאיץ תהליכים דרמטית. אנחנו יכולים להמשיך להתנגד ולצקצק, ויום אחד למצוא את עצמנו בחוץ. או שאנחנו יכולים לאמץ את הכלים ולהבין את המגבלות שלהם - ולנווט את הספינה. הכל בידינו.

פעם ראיתם מודל LLM שעבר Fine Tune ללימודי גמרא? גם אני לא, ולכן התחלתי שיחה עם GPT על איך לאמן מודל כזה, מה ההבדל בין מודל "רגיל" לבין מודל "Reasoning" (היסק) ברמה הכי טכנית שיש?


1. מודל שפה "רגיל", במתכונתו הראשונית ביותר, מתאמן על דאטה ויודע לבצע השלמה. Completion. דוגמא קלאסית היא לאמן מודל על כל הטקסטים של שייקספיר. ברגע שהמודל סיים להתאמן, אם ניתן לו פסקה - הוא ידע להשלים את מה שבא אח"כ.
2. לאחר שלב ההשלמה, במידה ואנחנו רוצים משהו קצת יותר מתקדם כמו מענה על שאלות של טקסטים, אנחנו יכולים לקחת את מודל הבסיס שאומן, ולהמשיך לאמן אותו, הפעם על דאטה של שאלות ותשובות. כך אנחנו "מכווננים" את המודל ומבצעים את ההתאמות הנדרשות כדי לשנות את האופי שלו, ולגרום לו להשיב לנו על שאלות ולא רק להשלים משפטים. זה אפשרי כי בשלב הזה אנחנו לוקחים דאטה של שאלות ותשובות, ועל זה המודל מתאמן. לכן כאשר הוא מקבל שאלה, הוא "מבין" איך הוא אמור להשיב עליה. גם כאן יש חיזוי של הטוקן הבא (או יותר קל להבין את זה כחיזוי של המילה הבאה. כמו לשאול שאלות על הטקסטים של שייקספיר ולא רק לקבל השלמות).
הבעיה היא שכאשר שואלים שאלות על מידע שלא נמצא בדאטה של האימון, או שהוא כן נמצא אבל ביחס קטן מאוד לכל הדאטה, ככל הנראה נקבל תשובות עם הזיות. אם אנחנו רוצים שהמודל יהיה מאוד מדויק, אנחנו יכולים להשתמש בטכניקות שעוזרות להנגיש את הקונטקסט הרלוונטי למודל - ואז הוא ידע להשיב כמו שצריך.

הנגשה של הקונטקסט הרלוונטי יכולה להתבצע באמצעות RAG. לוקחים מידע, מעבירים אותו תהליך, שומרים אותו, וכאשר שואלים שאלה, מייבאים את התשובות הפוטנציאליות, מצרפים אותן לפרומפט, ואז שואלים את ה-LLM, והוא משיב. אחלה. הדרך הנוספת לזה, היא לבצע "כוונון עדין" למודלים, Fine Tune. שזה אומר בא נקח דאטה של מה שאנחנו רוצים, ונשנה שוב את האופי של המודל.
למשל, אם נקח את מודל הבסיס, שיודע להשיב על שאלות ותשובות, אבל נאמן אותו על דאטה של "שלבי פיתרון", או "תהליכי חשיבה", ולא רק שאלות ותשובות, וכמות הדאטה תהיה מספיק גדולה, והדאטה יהיה מעובד ומוכן לאימון כמו שצריך, אז ברגע שהאימון יסתיים, נקבל מודל שלא רק משיב על שאלות ותשובות, אלא גם מבין שיש שלבים עד לפיתרון, וכך בעצם לפני שהוא משיב, הוא "חושב", "מבין", "מסיק". המודלים האלה יקרים יותר, צורכים יותר כוח מחשוב, וזה לא שהם "חכמים" יותר אלא הם פשוט מיועדים למטרות אחרות של בעיות מורכבות. אם אתם רוצים שיר - אתם לא צריכים מודל חשיבה. אם אתם רוצים לפתור בעיה מורכבת - אתם לא רוצים מודל של שירים.

ואם נרצה לקחת את זה שלב אחד קדימה - מה לגבי מודל חשיבה עמוקה של גמרא? למי שלא יודע\ת, לימוד גמרא (פרוטוקולים מהדיונים של חז"ל שכוללים המון חשיבה מעמיקה, פלפולי הלכות, סברות, לוגיקה והסקות מורכבות בשלל נושאים תורניים והלכתיים) דורש הבנה "כבדה". זה לא תחום לימוד קל. הוא מאוד מורכב, מצריך הבנה רצינית, ואסור שיהיו בו הזיות כשם שלהבדיל בחוק אסור פשוט להמציא חוקים ופסקי דין.
זה מה שדיברתי עליו עם GPT, ומצויד בכל ההבנה הזו, שאלתי איך אפשר לאמן מודל בפועל על חשיבה של גמרא? והתשובה: מכינים דאטה סט גדול, ומפרקים את הסוגיות למבנה שמתאים לאימון מודלים. קושיא, תירוץ, נימוק, פירוט, ולאחר מכן מבצעים את האימון בפועל, ובמידה והדאטה יהיה מספיק איכותי וגדול, אנו אמורים לקבל מודל חשיבה עמוקה שמבוסס על הגמרא. אני לא יכול להגיד שאעשה את זה, כי זה תהליך מאוד מייגע, אבל מרתק להבין איך זה עובד מתחת למכסה המנוע.

קבלו את StagewiseAI: תוסף שמשתלט על סביבת הפיתוח ועוזר לשנות אלמנטים בעיצוב על ידי בחירת העיצוב והזנת פרומפט לסוכן הקוד בצורה אוטומטית!

נחשפתי לזה בפוסט המעולה של Elad Cohen האדיר והנדיר, וגם בהתייחסות של אברהם יצחק מאיר הגאון וגם בקהילות המדהימות שלי בקבוצת הדיונים ובקבוצת ה-Vibe Coding החדשה, וכפי שהבטחתי, אני קודם לוקח לסיבוב בעצמי ורק אח"כ מפרסם במידה ומצאתי ערך. וכאן לגמרי מצאתי ערך, אהבתי את זה מאוד וממליץ בחום לנסות! צפו בסקירה שלי ובעוד כמה טיפים >>>

עדכון לכל מי שרכש\ה כרטיס לכנס ה-AI שלי: לפני כמה דקות הפצתי במייל את הפרטים (נשלח דרך מערכת רב מסר)

בראש ובראשונה - ברצוני להודות לשותפיי לאירוע:
שותפים בדרגת יהלום - חברת Amazon Web Services (AWS) Amazon Web Services (AWS)
שותפים בדרגת זהב - החברות eBay, Microsoft, Bit Cloud eBay Microsoft Bit
שותפים נוספים - GitHub, Base44, AT&T, NeuronVision

להלן פרטי האירוע
תאריך: 30.6.2025
שעות: 09:00-16:00
מיקום: מרכז ענב לתרבות, תל-אביב (חניה עצמאית בתשלום ברחבי המתחם)
כשרות: המזון שיוגש באירוע הינו כשר חלבי

לוח הזמנים המשוער לאירוע ויתר הפרטים - אצלכם במייל.

בעזרת השם נתראה בקרוב,
יובל

קלוד אחד ביום: הרבה זמן לא הקלטתי על קלוד ומאז קרו המון דברים כמו למשל האפשרות לחבר את ה-Gmail ואת היומן וקלוד מנהל הכל מאפליקציית הדסקטופ. כך למשל שאלתי אותו האם יש זימונים לפגישות שדיברתי עליהם עם לקוחות במייל אבל טרם שלחתי?

קלוד התחבר למייל, חיפש תכתובות, אחרי 2 דקות בערך זיהה מקרה, לאחר מכן בדק ביומן לגבי הזמינות שלי וסיכם לי הכל. זה חוסך לי את הצורך לחפור במייל בעצמי וזו רק דוגמה קטנה ומאוד מועילה עבורי אישית. תחשבו כמה דבר כזה קטן מייעל דברים קטנים במהלך היום שגורמים לתחושת עול כבד. פה כל הקסם טמון.

וואו וואו וואו!! 🤯🤯🤯 עזבו הכל ותפעילו ווליום: מודל הטקסט לדיבור הזה בעברית יפיל לכם את הלסת לרצפה! הוא זמין ב-API ותומך באומניות שונות כמו צעקות, לחישות, פאניקה, ואפילו שכפול קול!

זה אשכרה קרה. לא מאמין שהגענו לשלב הזה. אפשר לפתח עכשיו סוכנים קוליים בעברית! זה לא יהיה מושלם כי צריך לפתור בעיות של זכר ונקבה אבל זה הכי טוב בפער אדיר על כל מה שיצא לי לבחון. וואו וואו ושוב וואו! זכרו את השם: deepdub!!

ואם אהבתם תנו קרדיט! 😬🫶

Deepdub

זה מאוד(!) מרשים: כלי AI מקבל קובץ CSV עם 11 אלף שורות של נתונים מספריים - מנתח *הכל* ומייצר מצגת עם גרפים! 📊

יש לנו אתגר גדול בניתוח נתונים בסקייל. ונכון שאפשר לקחת מודלים עם קונטקסט גדול ולהעלות קבצים ולבקש לנתח, אבל הדרך שבה כל מודל ניגש למשימות היא אחרת. כאן, בכלי הזה שנקרא סונה של חברת Kortix, נראה שהם כיוונו לעקוף את ManusAI ומאוד הצליחו, והקטע שהם שחררו את הסוכן שלהם כקוד מקור פתוח (חפשו Kortix Suna GitHub), ושם הם הגדירו את סונה כ״AI Employee״. להגיד לכם שזה מפיל מהרגליים וחידוש שלא ראינו? לא.

להגיד לכם שיש פה פוטנציאל מאוד טוב למשימות שנדרש בהן עומק? כן. אם יש לכם משימות מחקריות, או כאלה שמאוד חשוב לצלול לכל אות, נראה שהם מנצחים את כל השאר כרגע. גם את Manus גם את Abacus וגם אחרים, והצליחו למשל לכתוב דוח מקיף ומעמיק אחרי חילוץ של מידע של חברות מ Y Combinator (הם היחידים שהצליחו לחלץ את המידע על כל 99 החברות שהיו באתר בניגוד לכל שאר הכלים).

כל הישועות וכל הברכות! שבת שלום 🫶

איך פיתחתי סוכן AI לטלגרם שיוצר תמונות, מתמלל קבצי מדיה ואפילו סרטונים מיוטיוב, מחפש באינטרנט, מבצע פעולות מתמטיות ומשיב בשפה טבעית?

נתחיל מהסוף. כבר פיתחתי משהו דומה לפני שנתיים. לקח לי כמה ימים ולא מעט צלילה לדוקומנטציות. והפעם? בערך שעה עם Cursor והכל כבר היה באוויר ומשם רק עוד כל מיני כיוונונים. הקסם נעוץ בדרך שבה אנחנו עובדים עם סוכן קוד, ובעיקר - להבין מה אנחנו רוצים ואיך אנחנו רוצים.

אני קורא המון לאחרונה את הספר המדהים של Tal Florentin הענק (שאגב, אני מציין שוב ושוב שהקרדיט למצגות היפות שלי הולך אליו כי הוא המקור של העיצוב הזה!), ובספר שלו הוא מדבר המון על חוויית משתמש, וזה הוריד לי אסימונים גם בהקשר של פיתוח. לא מספיק לפתח. צריך לתכנן, להבין מה אנחנו רוצים מבחינת פיצ'רים אבל בעיקר גם איך להנגיש את זה נכון למשתמש. אנחנו לא המשתמשים. המשתמשים הם אלה שקובעים האם המוצר שלנו מצליח או לא. עם הגישה הזו בראש, החלטתי במקום לפתח אפליקציה או אתר, ללכת על ממשק פשוט, בוט בטלגרם, מאוד ידידותי למפתחים, קל ונוח, וגם לא אהיה תלוי ב-n8n או אחרים לפריסה שלו בפועל.

החלטתי שלבוט שלי יהיו הפיצ'רים הבאים: יצירת תמונות, תמלולים, מענה בשפה טבעית, מתמטיקה וחיפוש באינטרנט. ניסיתי להיעזר ב-LLMs כדי לבנות תשתית. קיבלתי תוצאות גרועות. בסוף חשבתי עם עצמי והחלטתי:

חיפוש באינטרנט - עם Brave API, עד 2000 חיפושים חינם כל חודש

יצירת תמונות - עם API של Freepik, זה מאוד שווה וקל ונוח

תמלולים לרבות מיוטיוב - עם AssemblyAI שאני מאוד אוהב

מענה בשפה טבעית - עם Cohere האגדיים שנותנים API Key חינמי לשימוש סביר

מתמטיקה - יכולת הרצת Python

זה בעצם סוכן AI מבוסס Cohere עם כלים שהוא יכול להריץ. כל יכולת כזו זה עוד כלי שהסוכן קיבל. את כל הטוב הזה חיברתי לבסיס נתונים של MongoDB, כדי להוסיף שכבת ״מטמון״, Cache. למה? כי אם אני מנסה לתמלל משהו שכבר תמללתי, או לחפש מידע על משהו שכבר חיפשתי, למה לבצע את זה שוב? פשוט לבדוק ב-DB ולהחזיר את מה שקיים. ועם מונגו זה כל כך קל. בלי מיגרציות. בלי סכמות. פשוט להתחבר למונגו אטלס, לפתח וליהנות. MongoDB

והנה הסרטון שבו אני מאוד מתלהב, ברמה שהקלטתי עוד לפני שהסתפרתי והתגלחתי לכבוד החג! ובנימה זו - חג שמח לכולם!!!

שדרגתי את Logan AI ועכשיו הוא לא סתם סוכן, הוא חיבור של MCP עם A2A, שזה אומר: יש סוכן על שמנהל את האינטראקציה בין סוכני AI באמצעות MCP!

חיברתי 2 באזוורדס ביחד. MCP מאפשר למודל שפה לבחור איזה כלי להפעיל, ו-A2A זה ״רשימת הסוכנים״, ה״כלים״, שיש ב-MCP. למה זה טוב? כי כל סוכן הוא יישות נפרדת שאפשר לפרוס בנפרד, יש לו API משלו, והתקשורת בין הסוכנים מתבצעת בהתאם.

כאשר משתמש שולח פנייה, היא עוברת לסוכן העל, מודל שפה, שבהתאם לסוג הפנייה יודע איזה כלי עליו להפעיל. זה ה-MCP. לאחר שהוא בוחר את הכלי, הוא בעצם מפעיל סוכן שהוא הכלי. וכך מתנהלת האינטראקציה בין כולם. כמה זה טוב יותר, כמה זה משפר דברים אם בכלל, עוד אצטרך לבדוק לעומק. כרגע לצורך המחקר זה מאוד מעניין.

אין ספק שזה הדבר הכי גדול שקורה כרגע. אפשר לקחת את זה למיליארד כיוונים, אבל זה מרתק. תזכרו את השילוב, MCP ו-A2A. חג שבועות שמח!!

את הכלי של גוגל שמפתח אתרים מאוד מהר הכרתם? גיליתי אותו לא מזמן וכנראה באיחור, אבל הוא זמין ב-Google AI Studio והוא ממש אחלה! מצרף לכם הדגמה בווידאו כדי לחסוך במילים. בשורות טובות לכולנו ו״אחרי החגים״ שמח! >>>

את סוכן הקוד של קלוד הכרתם? סופסוף לקחתי אותו לסיבוב אחרי ההמלצה של אביץ הגאון , התקנתי אותו בתוך הסביבה של Cursor ומה אגיד לכם? סוכן על! לא יודע איך לא ניסיתי אותו קודם!

👈 הוא יודע לתכנן לעצמו סט של משימות
👈 הוא מתחיל לבצע משימה אחר משימה
👈 הוא מעדכן סטטוס של כל משימה שהוא ביצע
👈 הוא עדיין מרגיש לי פחות נוח כי הוא רץ ב-CLI (שורת הפקודה) ולא בחלון צ'אט נפרד כמו Cursor אבל זה רק עניין של הרגל

הבא בתור שאנסה (בלי נדר) זה Amazon Q שגם נראה מאוד מעניין! בקיצור, קבלו כמה דקות על Claude Code האדיר!

סדר בבאלגן המודלים של OpenAI: בואו נפרק את זה בפשטות - מתי להשתמש בכל מודל ולאיזו מטרה?



אז אתמול אנדרי קארפתי הגאון פרסם ציוץ שעושה סדר בכל המודלים של OpenAI: בואו נפרק את זה:

1. מודל GPT-4o הוא המודל הקלאסי שמספיק לנו לרוב המשימות היום-יומיות, לרבות יצירת תמונות, ניסוח מיילים, תשאול כללי ועוד. עובד מהר. עובד טוב.

2. מודל o3 הוא ה-מודל ה-חכם של OpenAI ונשתמש בו למשימות מורכבות של קוד, חשיבה, מתמטיקה, עומק. מדובר במודל שאומן להשיב ע"י פירוק התשובה לתהליכי "חשיבה" ולכן לוקח לו זמן רב יותר. לא צריך אותו כל הזמן וזה לא אומר שהוא הכי "טוב".

3. אם רוצים להפעיל חיפוש באינטרנט - יש כפתור בשורת הצ'אט של Search, פשוט להפעיל אותו

4. אם רוצים מחקר מעמיק - יש כפתור של Deep Research בשורת הצ'אט - פשוט ללחוץ עליו

5. מודל שזמין למנויי פרו הוא o1 pro mode ואין מה להשתמש בו, בנוסף מודלים o4-mini, o4-mini-high, GPT-4.1-mini הם מודלים שלא מומלץ להשתמש בהם ולא ברור מה התועלת מהם בכלל

6. מודל נוסף הוא GPT-4.5 שמאוד טוב בהתנסחות או סתם צ'אט כללי כלשהו, לא דרמטי מדי, אין מה להתאמץ להשתמש בו כשיש את 4o שהוא מספיק מהיר וטוב

7. מודל GPT-4.1 הוא אחלה ל-Vibe Coding במה שכרוך בשינויים של קטעי קוד קטנים. אם צריך לעבוד על קודבייס גדול, תשתמשו ב-o3, אם אתם יודעים מה אתם רוצים לשנות או לתקן ואתם ממוקדים - לכו על 4.1

והנה התמונה שהוא העלה, מספרת את כל הסיפור בקצרה.

מה מהניסיון שלכם עובד הכי טוב - ולאיזה צורך? אני אישית משתמש בעיקר ב-4o עם המודל הקולי, או לשאלות כלליות או כשאני גם משתמש בחיפוש דרכו (כבר כמעט לא נוגע במנועי חיפוש רגילים), ב-o3 אני משתמש לשאלות שצריכות Debug של קוד או הבנה משמעותית מתוך קרסר.

למה נמאס לי מ-n8n או make והעדפתי לפתח הכל בקוד עם קרסר? כי אם רוצים לעבוד בסקייל ולא על התשתית שלהם זה הופך להיות בלתי נסבל.

תחשבו על זה. ראיתם תרחיש אוטומציה מעניין, עובד מצוין בענן שלהם או אפילו לוקאלית. איך אתם הופכים אותו למשהו שרץ ועובד בסקייל אמיתי?

במייק בניתי אוטומציות שנשברו בשלב מסוים והייתי צריך מדי פעם להפעיל אותן שוב. הן נשברו בגלל שהתשובות של ה-LLM לא תמיד זהות במבנה שלהן וזה שובר את השרשרת לפעמים. מעצבן. אבל קורה. במייק ו-n8n מאוד נוח לעבוד אונליין, אבל בפועל בסופו של דבר אני מרגיש שאין תחליף לפיתוח עם קרסר ולפרוס את האוטומציה על איזו Azure Functions או AWS Lambda וכדומה.

כדי לפרוס בעצמנו אוטומציה שפיתחנו עם n8n כנראה נצטרך להתעסק עם דוקר, קוברנטיס, אולי ec2, טרה-פורם. לא כיף. לא נעים. לא נחמד. ואם אפשר לעשות את זה קל יותר אז למה לא?

נחמד שיש משחקים עם אוטומציות וזה עובד יפה לתרחיש קטן שלנו, אבל כשרוצים מראש משהו שבאמת יעבוד לאורך זמן מבלי להתעסק בהגדרות של הברזלים שוב ושוב - כאן כבר (לדעתי האישית) הכלים האלה מאוד מאכזבים, ומנגד - סוכני הקוד זורחים.

ומה הרושם שלכם מפריסה של תהליכי אוטומציות? האם יש לכם העדפה לפיתרון כלשהו?

סיימתי להעביר סדנא של 3 שעות על GitHub Copilot לעומק אצל Applied Materials הנפלאים! תמיד אני חושש לפני סשן למפתחים/ות - אבל היה כל כך כיף, שאלות חכמות, צלילה לעומק, שיתוף פעולה ומעורבות שבאמת הרגיש לי כיף מתמשך כל הסשן.

דיברתי על Context Window Limit, LLMs, RAG, Embeddings, Agents, MCP, Copilot Custom Insteuctions, והכל גם בסביבת ג׳אווה עם IntelliJ וגם במקביל עם PyCharm ו-VSCode. אני באמת חסיד של מקרי בוחן פרקטיים ותמיד כיף להתחבר לשטח ולהרגיש את הצורך האמיתי של חברות וארגונים, ובעיקר לפגוש את האנשים והנשים ולהתפעל מכמה שהם חכמים.

מפתחים/ות הם כל כך חכמים, אבל ברגע שהבנתי שאני לא בא להתחרות כאלגוריתמאי הכי טוב, אלא אני מגיע על תקן זה שמאוהב ב-AI ״עמוק״, כזה שמתחבר לסוכנים, לקוד, לארכיטקטורה מעניינת, כזה שמשחק עם כל הכלים בתשוקה אמיתית - ומדבר עליהם, זה עושה את כל ההבדל. אני מגיע גם כדי לשתף מהניסיון שלי, ובמקביל זוכה ללמוד גם בעצמי מהמשתתפים/ות.

תודה גדולה ל Ofir Rozenfeld על החיבור ועל הבמה ועל ההזדמנות! תודה גדולה גם לכל מי שלקח/ה חלק, Ofir Rabinian , Noga Hecht , Idan Reuven