|אנחנו לא לומדים כמו בקורס עם 30 תלמידים.אנחנו לומדים בצוות של שבעה מפתחים, שכל אחד מקבל ליווי אישי מלא.

הבסיס ההנדסי שעליו נשען שאר הקורס: סביבת עבודה מתפקדת (Git, IDE, Docker וסביבת סוכן-קוד מוגדרת), תבניות עיצוב מונחות-עצמים והאנטי-תבניות שצצות בקוד שנוצר על ידי AI, איך מודלים מגיבים לפרומפטים, HTTP/APIs וביצוע אסינכרוני, אחסון רלציוני, NoSQL ואחסון אירועים/אנליטיקה עם אינדוקס וסקיילינג, caching ותורי הודעות, דיבאגינג ופרופיילינג שיטתיים, פירמידת הבדיקות ו-TDD, ואבטחת אפליקציות מ-OWASP Top 10 דרך אימות והרשאות, injection, התקפות frontend וסיכוני supply chain.

מפרומפטים לתוכנה: קריאה ל-APIs של מודלים דרך HTTP ו-SDK עם streaming, פלטים מובנים ואדפטרים לספקים; בניית ה-frontend ב-React של אפליקציית AI, כולל ממשקי צ'אט בסטרימינג, ניהול state ואישורים; התייחסות לחלון ההקשר כמשאב הנדסי מתוקצב, עם דחיסה, הרכבה דינמית ו-caching; ומתן גישה מבוקרת למודלים לנתונים ולפעולות דרך כלים מוקלדים עם ולידציה, retries ודיווח אמין.

עבודה עם סוכני קוד כשותפים ממושמעים: קובצי הנחיות לפרויקט, skills, תת-סוכנים ו-hooks, תהליך Git מותאם לסוכנים, ניווט בבסיסי קוד גדולים, יצירת בדיקות וסקירת קוד; סקירה של נוף הסוכנים העדכני ואיך להעריך כלי חדש במהירות; ופיתוח מונחה-מפרט (spec-driven), שבו כוונה ארכיטקטונית, קריטריוני קבלה ובדיקות מכתיבים מה הסוכן בונה מתוך מאגר קוד חלקי במכוון.

הפיכת ידע ארגוני לניתן לחיפוש לפי משמעות: embeddings, מדדי דמיון וחיפוש מדויק עם FAISS ו-pgvector; צינור RAG מלא, מפירוק מסמכים ואסטרטגיות chunking ועד תשובות מבוססות עם ציטוטים שמטפלות במידע חסר או סותר; והטכניקות שמרימות את האחזור מעבר לדמיון וקטורי פשוט: סינון לפי metadata, חיפוש היברידי, rank fusion, ניסוח מחדש של שאילתות ו-reranking.

מקריאות בודדות למודל לסוכנים מנוהלים: לולאת plan–act–observe, בחירה בין workflows דטרמיניסטיים, מכונות מצבים וסוכנים אוטונומיים, state ב-LangGraph, checkpoints, שערי אישור וביצוע שניתן להמשיך, תנאי עצירה ומצבי כשל; חשיפת כלים לשימוש חוזר דרך Model Context Protocol עם חוזים מוקלדים, transports ואימות; ותבניות מרובות-סוכנים (supervisor, router, specialist, handoff) על שיקולי האמינות והעלות שלהן.

הרצת מערכות AI בפרודקשן: הגשת workflow כ-API אמין עם streaming, ביצוע אסינכרוני, תורים ו-backpressure; התייחסות למודל כרכיב לא אמין, עם הגנות מפני prompt injection, אחזור בהרשאות מינימליות, בקרות PII ו-guardrails; מעקב (tracing) אחרי פעילות מודל, כלים ואחזור וניטור latency ועלות; הערכת איכות סמנטית עם golden sets, rubrics ו-LLM-as-judge בתוך לולאת build–test–evaluate מונחית-אימות עם שערי רגרסיה; ואריזה ופריסה עם Docker, CI/CD ו-IAM בענן ציבורי.

לחשוב ולדבר כמו ארכיטקט: הבהרת דרישות וסדרי גודל לפני שמציירים קופסאות, מונוליט מול שירותים, סקיילביליות, בחירות בשכבת הנתונים ובתקשורת אסינכרונית, שיטת הלוח הלבן על מערכות הראיונות הקלאסיות; ואז אותה משמעת למערכות AI: הכרעה בין prompting, RAG ו-fine-tuning, ארכיטקטורת workflow מול סוכן, ותכנון לאמינות, אבטחה, observability, הערכה, latency ועלות.