הרצאה: סוכני AI (AI Agents) ו־LangChain

הקדמה – למה בכלל סוכני AI?

רוב האנשים מכירים AI כמשהו כזה:

• שולחים prompt

• מקבלים תשובה

• נגמר

אבל במערכות אמיתיות זה לא מספיק.

בפרויקט אמיתי אנחנו רוצים:

• שה-AI יבצע רצף פעולות

• שיחליט לבד מה הצעד הבא

• שיידע לעבוד עם כלים (DB, API, קבצים)

• שיתקן את עצמו אם נכשל

כאן נכנסים סוכני AI.

---

מה זה AI Agent?

הגדרה:

AI Agent הוא ישות שמקבלת:

• מטרה (Goal)

• הקשר (Context)

• סט כלים (Tools)

והיא:

• מתכננת צעדים

• מבצעת אותם

• בודקת תוצאות

• ממשיכה עד השגת המטרה

כלומר:

לא תשובה אחת- אלא תהליך חשיבה ופעולה

---

השוואה: LLM רגיל מול Agent

LLM רגיל	AI Agent
Prompt → תשובה	Goal → פעולות
אין זיכרון	זיכרון
לא יודע לבצע קוד	יודע להפעיל כלים
חד־פעמי	לולאתי
פסיבי	אקטיבי

---

דוגמה אינטואיטיבית

LLM רגיל:

“תכתוב לי תיאור לטיול בפריז”

Agent:

“צור טיול בפריז כולל:

• בדיקת מלונות

• יצירת מסלול

• שמירה ל־DB

• שליחת סיכום למשתמש”
  

ה-Agent:

• מחליט מה לעשות

• שואל את עצמו שאלות

• משתמש בכלים

---

אז מה זה LangChain?

הLangChain היא ספריית פייתון (וגם JS) שעוזרת לבנות:

• סוכני AI
• שרשראות פעולות
• חיבור בין LLMs לכלים

---

אבני הבניין של LangChain

1. LLM

המודל עצמו (OpenAI, Anthropic וכו’)

llm = ChatOpenAI(model="gpt-4")

---

2. Prompt Template

תבנית קבועה לפרומפטים

from langchain.prompts import PromptTemplate

prompt = PromptTemplate(
    input_variables=["destination"],
    template="Create a travel plan for {destination}"
)

---

3. Chain

שרשרת של שלבים

from langchain.chains import LLMChain

chain = LLMChain(llm=llm, prompt=prompt)
result = chain.run(destination="Tokyo")

Chain =
קלט → עיבוד → פלט

---

למה Chain זה לא מספיק?

Chain הוא:

• לינארי

• צפוי

• בלי החלטות

אבל בפרויקטים אמיתיים:

• לפעמים צריך API

• לפעמים DB

• לפעמים retry

• לפעמים לבחור פעולה אחרת

לכן עוברים ל־Agents.

---

Tools – הנשק האמיתי של Agents

בעצם Tool = פונקציה שפייתון מספק ל־Agent.

לדוגמה:

• חיפוש טיסות

• כתיבה ל־DB

• קריאה ל־API

• שליחת מייל

from langchain.tools import tool

@tool
def get_hotels(city: str):
    return hotel_service.search(city)

ה-Agent:

• בוחר מתי להשתמש ב־tool

• עם אילו פרמטרים

• לפי המטרה

---

AI Agent ב־LangChain

Agent = LLM + Tools + Strategy

from langchain.agents import initialize_agent

agent = initialize_agent(
    tools=[get_hotels, get_flights],
    llm=llm,
    agent="zero-shot-react-description"
)

agent.run("Build a 5-day trip to Rome")

ה-Agent:

• חושב

• מפעיל כלים

• ממשיך לבד

---

מה זה ReAct?

ReAct = Reason + Act

הלולאה:

1. Think – מה הצעד הבא?

2. Act – להפעיל כלי

3. Observe – לקרוא תוצאה

4. Repeat

זה מה שהופך Agent ל"חושב".

---

זיכרון (Memory)

בלי זיכרון:

• כל פעולה מנותקת

עם זיכרון:

• ה-Agent זוכר מה כבר עשה

• יודע לא לחזור על עצמו

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()

---

Agents בפרויקט שלכם (TRIP)

דוגמה לסוכן "Trip Builder"

מטרה:

לבנות טיול מלא לפי בקשת משתמש

ה-Agent:

1. מבין יעד

2. בוחר טיסות

3. בוחר מלונות

4. יוצר itinerary

5. שומר ל־DB

6. מחזיר סיכום

כל שלב = Tool

---

שילוב עם FastAPI

FastAPI:

• מקבל בקשה

• מפעיל Agent

• מחזיר תוצאה

@app.post("/build-trip")
def build_trip(request: TripRequest):
    return agent.run(request.prompt)

ה-Agent:

• לא חלק מה־API

• אלא מנוע לוגי חכם

---

Multi-Agent Systems (שלב מתקדם)

לא Agent אחד — אלא צוות.

לדוגמה:

• Planner Agent

• Research Agent

• Writer Agent

• Validator Agent

כל אחד:

• תפקיד ברור

• מתקשר דרך תוצאות

---

בעיות נפוצות וחשובות

חוסר דטרמיניזם

• Agents לא תמיד צפויים

עלויות

• הרבה קריאות ל־LLM

שליטה

• צריך להגביל כלים

• צריך Timeouts

---

Best Practices

• כל Tool חייב להיות:

  • קטן

  • ברור

  • בטוח

• Agent לא נוגע ישירות ב־DB

• לעולם לא לתת Agent גישה חופשית