# פרק 06: מערכות סוכנים מבוססות SLM: סקירה מקיפה

העולם של הבינה המלאכותית עובר שינוי יסודי כאשר אנו מתקדמים מצ'אטבוטים פשוטים לסוכנים מתקדמים המונעים על ידי מודלים שפתיים קטנים (SLMs). מדריך מקיף זה בוחן שלושה היבטים קריטיים של מערכות סוכנים מודרניות מבוססות SLM: מושגים בסיסיים ואסטרטגיות פריסה, יכולות קריאה לפונקציות, ושילוב פרוטוקול הקשר מודל (MCP) המהפכני.

## [חלק 1: יסודות סוכני AI ומודלים שפתיים קטנים](./01.IntroduceAgent.md)

החלק הראשון מבסס את ההבנה הבסיסית של סוכני AI ומודלים שפתיים קטנים, וממקם את שנת 2025 כשנת הסוכנים המתקדמים לאחר עידן הצ'אטבוטים של 2023 והפריחה של עוזרי הקופיילוט ב-2024. חלק זה מציג **מערכות AI סוכניות** שחושבות, מסיקות, מתכננות, משתמשות בכלים ומבצעות משימות עם מינימום התערבות אנושית.

### מושגים מרכזיים שנידונו:
- **מסגרת סיווג סוכנים**: החל מסוכנים רפלקסיביים פשוטים ועד סוכנים לומדים, המספקת טקסונומיה מקיפה לתרחישי מחשוב שונים
- **יסודות SLM**: הגדרת מודלים שפתיים קטנים כמודלים עם פחות מ-10 מיליארד פרמטרים שיכולים לבצע הסקה מעשית על מכשירי צרכנים
- **אסטרטגיות אופטימיזציה מתקדמות**: כיסוי פריסת פורמט GGUF, טכניקות כימות (Q4_K_M, Q5_K_S, Q8_0), ומסגרות מותאמות לקצה כמו Llama.cpp ו-Apple MLX
- **הבדלים בין SLM ל-LLM**: הדגמת הפחתת עלויות של פי 10-30 עם SLMs תוך שמירה על יעילות עבור 70-80% ממשימות סוכנים טיפוסיות

החלק מסתיים עם אסטרטגיות פריסה מעשיות באמצעות Ollama, VLLM, ופתרונות הקצה של Microsoft, ומבסס את SLMs כעתיד של פריסת AI סוכנית חסכונית ומגנה על פרטיות.

## [חלק 2: קריאה לפונקציות במודלים שפתיים קטנים](./02.FunctionCalling.md)

החלק השני מתעמק ביכולות **קריאה לפונקציות**, המנגנון שממיר מודלים שפתיים סטטיים לסוכני AI דינמיים המסוגלים לאינטראקציה בעולם האמיתי. ניתוח טכני מעמיק זה מכסה את כל תהליך העבודה, החל מזיהוי כוונה ועד שילוב תגובות.

### תחומי יישום מרכזיים:
- **תהליך עבודה שיטתי**: חקירה מפורטת של שילוב כלים, הגדרת פונקציות, זיהוי כוונה, יצירת פלט JSON וביצוע חיצוני
- **יישומים ספציפיים לפלטפורמות**: מדריכים מקיפים עבור Phi-4-mini עם Ollama, קריאה לפונקציות ב-Qwen3, ושילוב Microsoft Foundry Local
- **דוגמאות מתקדמות**: מערכות שיתוף פעולה בין סוכנים, בחירת כלים דינמית, ודפוסי שילוב ארגוניים עם טיפול מקיף בשגיאות
- **שיקולים לפריסה**: הגבלת קצב, רישום ביקורת, אמצעי אבטחה, ואסטרטגיות אופטימיזציה ביצועית

חלק זה מספק הן הבנה תיאורטית והן דפוסי יישום מעשיים, ומאפשר למפתחים לבנות מערכות קריאה לפונקציות חזקות שיכולות להתמודד עם הכל, החל מקריאות API פשוטות ועד תהליכי עבודה ארגוניים מורכבים ורב-שלביים.

## [חלק 3: שילוב פרוטוקול הקשר מודל (MCP)](./03.IntroduceMCP.md)

החלק האחרון מציג את **פרוטוקול הקשר מודל (MCP)**, מסגרת מהפכנית שמגדירה סטנדרט לאופן שבו מודלים שפתיים מתקשרים עם כלים ומערכות חיצוניים. חלק זה מדגים כיצד MCP יוצר גשר בין מודלים AI לעולם האמיתי באמצעות פרוטוקולים מוגדרים היטב.

### נקודות עיקריות בשילוב:
- **ארכיטקטורת פרוטוקול**: עיצוב מערכת שכבתית המכסה שכבות יישום, לקוח LLM, לקוח MCP, ושכבות עיבוד כלים
- **תמיכה בריבוי מערכות אחוריות**: יישום גמיש התומך הן ב-Ollama (פיתוח מקומי) והן ב-vLLM (פריסה בייצור)
- **פרוטוקולי חיבור**: מצב STDIO לתקשורת תהליכים ישירה ומצב SSE להזרמת HTTP
- **יישומים בעולם האמיתי**: דוגמאות לאוטומציה של אתרים, עיבוד נתונים, ושילוב API עם טיפול מקיף בשגיאות

שילוב MCP מדגים כיצד ניתן להרחיב את יכולות ה-SLMs באמצעות כלים חיצוניים, תוך פיצוי על מספר הפרמטרים הקטן שלהם באמצעות פונקציונליות משופרת, תוך שמירה על היתרונות של פריסה מקומית ויעילות משאבים.

## השלכות אסטרטגיות

שלושת החלקים הללו יחד מציגים מסגרת מקיפה להבנה וליישום מערכות סוכנים מבוססות SLM. ההתפתחות ממושגים בסיסיים דרך קריאה לפונקציות ועד שילוב MCP מדגימה נתיב ברור לעבר פריסת AI דמוקרטית שבה:

- **יעילות פוגשת יכולת** באמצעות מודלים קטנים מותאמים
- **חסכוניות** מאפשרת אימוץ רחב
- **פרוטוקולים סטנדרטיים** מבטיחים תאימות
- **פריסה מקומית** שומרת על פרטיות ומפחיתה השהיה

התקדמות זו מייצגת לא רק התקדמות טכנולוגית אלא שינוי פרדיגמה לעבר מערכות AI נגישות, יעילות ומעשיות שיכולות לפעול ביעילות בסביבות מוגבלות משאבים תוך אספקת יכולות סוכניות מתקדמות.

השילוב של SLMs עם אסטרטגיות פריסה מתקדמות, קריאה לפונקציות חזקה, ופרוטוקולים סטנדרטיים לשילוב כלים ממקם מערכות אלו כבסיס לדור הבא של סוכני AI שישנו את האופן שבו אנו מתקשרים עם הבינה המלאכותית ומפיקים ממנה תועלת בתעשיות ויישומים שונים.

---

**כתב ויתור**:  
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור הסמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. איננו נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה.