הנדסת הקשר (Context Engineering) – תרגול מנטלי בבניית ידע ארגוני עבור סוכני Ai

תוכן עניינים

בתרגולי ה-Mindset הקודמים מיפינו משימות, זיהינו תהליכים עסקיים, ובחנו כיצד להפוך אותם לתהליכים אוטומטיים המשלבים כלים ושירותי רשת. הגדרנו את ה"מה" ואת ה"איך" של הפעולות שהסוכן (Agent) שלנו צריך לבצע.

 

כעת, אנו עוברים לשלב קריטי לא פחות: ה"ידע". סוכן חכם אינו רק מבצע משימות; הוא עושה זאת בהתבסס על הקשר (Context) רלוונטי. בשיעור הטכני ראינו כיצד לבנות RAG (Retrieval-Augmented Generation) באמצעות כלים כמו n8n, Pinecone ו-Cohere. תרגול מנטלי זה נועד לגשר על הפער שבין היכולת הטכנית לבין היישום האסטרטגי בעסק שלכם.

 

בתרגול זה, נתבונן פנימה אל תוך הארגון ונשאל: מה הסוכן שלנו צריך לדעת כדי להיות יעיל באמת? אילו מאגרי מידע ייחודיים יהפכו אותו מעוזר גנרי למומחה ארגוני?

 
בהצלחה!

פרק 1: זיהוי מאגרי הידע (The "Context" in Context Engineering)

בשלב זה, נחזור אל מיפוי התהליכים שבניתם. הפעם, נתמקד ב"צווארי הבקבוק" של המידע — הנקודות בתהליך שבהן נדרש ידע ספציפי כדי להמשיך.

 

  1. תרגיל 1 – סקירת תהליכים קיימים:
     

    • פתחו את מפת התהליכים העסקית שהכנתם בתרגול המנטלי הקודם (זה שבו הפכנו משימות לתהליכים).
    • בחרו תהליך מרכזי אחד, לדוגמא: "קליטת ליד חדש", "מענה לפניות תמיכה טכנית", או "הכנת הצעת מחיר".
    • עברו על כל שלב בתהליך ושאלו: "איזה מידע חיוני לביצוע השלב הזה?"

    2.  

  2. תרגיל 2 – מיפוי מקורות הידע (The "R" in RAG):
     

    • עבור כל פיסת מידע שזיהיתם, רשמו היכן היא נמצאת כיום בארגון. היו ספציפיים ככל האפשר.
    • לדוגמא:

      • "כדי לתת הצעת מחיר…" – אני צריך: "מחירון מוצרים" (נמצא ב-Google Sheet), "היסטוריית הצעות קודמות" (נמצאת בתיקיית Drive), "מיילים עם הנחות מיוחדות שסוכמו" (נמצא ב-Gmail/Outlook).
      • "כדי לענות לתמיכה טכנית…" – אני צריך: "מסמכי FAQ" (נמצא ב-Notion), "תיעוד פתרונות קודמים" (נמצא במערכת טיקטים כמו Jira/Zendesk), "פרוטוקולי שיחות זום" (נמצא ב-Drive).
    • צרו רשימה של כל מקורות המידע הללו. אלו הם ה"מסמכים" שהסוכן שלכם יצטרך "לקרוא". זהו ה-Context שנעשה לו Engineering.

פרק 2: הבחנה בין חיפוש סמנטי (Vector) לחיפוש מבוסס מטא-דאטה (Metadata)

לא כל הידע זהה, ולא כל שאלה דורשת את אותה שיטת חיפוש. כפי שלמדנו, יש לנו שתי דרכים עיקריות למצוא מידע: חיפוש סמנטי (מה המשמעות?) וחיפוש מטא-דאטה (מה המאפיינים?).

 

  1. תרגיל 3 – ניסוח שאלות משתמשים:
     

    • עבור התהליך שבחרתם בפרק 1, נסחו 5-10 שאלות היפותטיות שלקוח (או עובד) עשוי לשאול את הסוכן.
    • דוגמאות (לתהליך תמיכה):

      • "איך מאפסים סיסמה באפליקציה?"
      • "מה היתה הפנייה האחרונה של לקוח מספר 452?"
      • "יש תקלה בחיבור ל-API, מה עושים?"
      • "שלח לי את כל הטיקטים שנסגרו השבוע וקשורים ל'בעיות חיוב'."
      • "הלקוח מתלונן על איטיות, מה היו תלונות דומות ואיך פתרנו אותן?"

    2.  

  2. תרגיל 4 – סיווג שיטת החיפוש (Vector vs. Metadata):
     

    • עבור כל שאלה שניסחתם, קבעו מהי הדרך העיקרית למצוא את התשובה:
    • חיפוש מטא-דאטה (Metadata Search): האם השאלה היא על מאפיינים ידועים ומוגדרים? (למשל: תאריך, מזהה לקוח, סטטוס, סוג מסמך, שם מחבר).
       

      • דוגמא: "מה היתה הפנייה האחרונה של לקוח מספר 452?" -> חיפוש מטא-דאטה. מסננים לפי `customer_id = 452` וממיינים לפי `date DESC`.
      • דוגמא: "שלח לי את כל הטיקטים שנסגרו השבוע…" -> חיפוש מטא-דאטה. מסננים לפי `status = 'closed'` ו-`date BETWEEN [start_of_week] AND [today]`.
    • חיפוש סמנטי (Vector Search): האם השאלה היא על המשמעות או התוכן של המסמכים? (למשל: "איך", "מה דעתך", "מה המשמעות של…").
       

      • דוגמא: "איך מאפסים סיסמה באפליקציה?" -> חיפוש וקטורי. אנו מחפשים מסמכים שהמשמעות שלהם קרובה ל"תהליך איפוס סיסמה".
      • דוגמא: "הלקוח מתלונן על איטיות, מה היו תלונות דומות…?" -> חיפוש וקטורי. אנו מחפשים פניות קודמות שהתוכן שלהן דומה סמנטית ל"תלונה על איטיות".
    • אתגר: זהו שאלות שדורשות שילוב של השניים (Hybrid Search). לדוגמא: "מה היו תלונות דומות על איטיות (וקטורי) בשבוע שעבר (מטא-דאטה) מלקוחות VIP (מטא-דאטה)?"

פרק 3: חשיבה על חשיבות ודירוג מחדש (Reranking)

במערכת RAG, החיפוש הוקטורי (כמו ב-Pinecone) מוצא מסמכים רלוונטיים סמנטית, אך לא בהכרח חשובים או מדויקים ביותר. כאן נכנס ה-Reranker (כמו זה של Cohere) לפעולה.

 

  1. תרגיל 5 – הגדרת קריטריונים לחשיבות:
     

    • נניח שביצעתם חיפוש וקטורי לשאלה "איך מטפלים בבעיית חיוב?" וקיבלתם 10 תוצאות רלוונטיות (למשל, 5 מיילים, 3 מסמכי נוהל ו-2 פתרונות מ-Jira).
    • מה הופך תוצאה אחת ל"טובה יותר" מאחרת? רשמו את הקריטריונים לדירוג.
    • דוגמאות לקריטריונים (שיכולים להפוך למטא-דאטה):
       

      • רשמיות: האם זהו "נוהל רשמי" של החברה (עדיפות גבוהה) או "מייל בין עובדים" (עדיפות נמוכה)? (אפשר להוסיף מטא-דאטה `source_type: 'official_procedure'`).
      • עדכניות: האם המסמך נוצר בשנה האחרונה? (שימוש במטא-דאטה `created_at`).
      • מחבר: האם המסמך נכתב על ידי "מנהל מחלקת כספים" (אמינות גבוהה) או "מתמחה" (אמינות נמוכה)? (מטא-דאטה `author_role: 'manager'`).
      • סטטוס (אם רלוונטי): האם פניית התמיכה הזו "נפתרה בהצלחה" או "נסגרה ללא פתרון"? (מטא-דאטה `ticket_status: 'resolved_successfully'`).
    • נסו לחשוב כיצד ה-Reranker (כמו שלמדנו בשיעור) יכול להשתמש בקריטריונים אלו (שיוזנו אליו, אולי כחלק מהטקסט או כמאפיינים נוספים) כדי למקם את התשובה הטובה ביותר בראש הרשימה.

פרק 4: שיקולים נוספים בהקניית ידע לסוכן

כעת, קחו את המפות המנטליות שיצרתם בתרגול זה ונסו להרחיב אותן.

 

  1. מיפוי הרשאות:
     

    • עבור מאגרי הידע שזיהיתם, מי בארגון חשוף אליהם? האם הסוכן שלכם צריך להיות חשוף לכל הידע?
    • איך תטפלו בידע רגיש? (למשל, מידע פיננסי, נתוני שכר, מידע אישי של לקוחות).
    • חשבו כיצד מטא-דאטה של "הרשאות" (למשל `allowed_roles: ['manager', 'finance']`) יכול לסייע לסוכן להחליט האם מותר לו בכלל לגשת למידע מסוים עבור המשתמש ששואל.

    2.  

  2. יצירת ידע חדש (Augmentation):
     

    • מה קורה אם הידע לא קיים בצורה טקסטואלית? למשל, יש לכם סרטוני הדרכה ארוכים ב-YouTube או הקלטות שיחות זום.
    • חשבו על תהליך (אולי ב-n8n) שיכול לקחת סרטון, לתמלל אותו (למשל עם Whisper AI), לפצל את התמלול לפי נושאים, ולהכניס אותו כ"ידע" ל-Pinecone.
    • כיצד הייתם מוסיפים מטא-דאטה לקטע מתומלל? (למשל: `source: 'video_tutorial.mp4'`, `timestamp: '02:35'`, `topic: 'password_reset'`).

    3.  

  3. תכנון ה-Prompt למערכת (System Prompt):
     

    • כעת, כשאתם יודעים איזה ידע זמין, איך הייתם מנחים את הסוכן (ב-System Prompt) להשתמש בו?
    • נסחו פרומפט שמסביר לסוכן שהוא מומחה בתחום X, ויש לו גישה למסמכים פנימיים. לדוגמא:
       

      #Role
      You are an expert customer support agent for [My Company].
      You have access to our internal knowledge base, including FAQs, past support tickets, and official procedural documents.
       
      #Instructions
      – When a user asks a question, your primary goal is to find the most relevant and up-to-date answer from this knowledge base using the provided search tools.
      – Always prioritize answers from 'official procedural documents' over 'past tickets' if available. If you cannot find an answer, state that you do not have that information.

סיכום

בתרגול זה הפכנו את המושג המופשט "Context Engineering" למפת דרכים מעשית. זיהינו את הידע הארגוני הייחודי שלנו, סיווגנו אותו, ותכננו כיצד לשלוף אותו ביעילות (באמצעות חיפוש סמנטי ומטא-דאטה) וכיצד לדרג אותו (Reranking).

 

הכוח האמיתי של סוכני AI מתקדמים אינו רק ביכולתם לבצע משימות, אלא ביכולתם לבצע אותן עם ההקשר הנכון. המפות שיצרתם כעת הן התשתית האסטרטגית לבניית סוכן שהוא לא רק "עושה", אלא גם "יודע" ו"מבין".