מעבדת n8n: צוותי סוכנים – מבנים ארגוניים

פרק 1: שרשור (Prompt Chaining)

המודל הבסיסי ביותר של עבודת צוות הוא שרשור. הפלט של סוכן א' הופך לקלט של סוכן ב'. זהו תהליך ליניארי שמתאים מאוד למשימות שיש להן סדר כרונולוגי ברור, למשל: מחקר -> כתיבת ראשי פרקים -> כתיבת התוכן המלא. היתרון הגדול הוא שכל סוכן "רואה" רק את המידע הרלוונטי לו וממוקד במשימה קטנה, מה שמעלה את הדיוק.

הכנה
צרו Workflow חדש ויבאו לתוכו את הדוגמא המצורפת.
לצורך יבוא הדוגמא – הקליקו על תפריט שלוש הנקודות (למעלה מימין), בחרו ב Import from URL… והכניסו את הקישור הבא:

https://almaya.ai/wp-content/uploads/2025/10/Prompt_Chaining.json

1. בדיקת זרימת המידע (Flow Analysis)
    
   • פתחו את ה-Workflow המיובא.
   • זהו את ה-Node הראשון: Outline Writer. סוכן זה מקבל נושא ומייצר ראשי פרקים.
   • זהו את ה-Node העוקב: Outline Evaluation. שימו לב שהוא מקבל את הפלט של הסוכן הקודם, וקראו את הוראות המערכת.
   • זהו את ה-Node העוקב: Blog Writer. שימו לב איך הוא בונה את תוכן המאמר לפי ה Outline המשופר מהסוכנים הקודמים בתהליך.
   • לחצו על כפתור Chat בתחתית המסך כדי לפתוח את ממשק הבדיקה.

 

2. הרצת התהליך
    
   • בחלון הצ'אט, כתבו נושא לבלוג, למשל: "The future of AI in agriculture".
   • עקבו אחר הריצה (Execution). שימו לב כיצד הסוכנים פועלים בזה אחר זה.
   • פתחו את הפלט הסופי (ב-Node של Post to Docs או בפלט הצ'אט) וראו כיצד המאמר בנוי על בסיס הראשי פרקים שנוצרו בשלב הראשון.

 

3. חידוד ההוראות (System Prompt)
    
   • כנסו להגדרות של ה-Outline Writer.
   • נסו לשנות את הוראות המערכת (System Message) כדי לייצר סגנון אחר.
   • בשדה ה-System Message, הדביקו את ההנחיה הבאה:
     ₪מנדפף

     You are a controversial writer. Create an outline that challenges common beliefs about the topic.

   • הריצו שוב וראו כיצד השינוי בחוליה הראשונה בשרשרת משפיע על התוצר הסופי של החוליה השנייה.
4. היתרון במודל
    
   • כאשר תהליך הביצוע הוא ליניארי – אנו מעדיפים לצמצם את חופש קבלת ההחלטות העצמית של הסוכן, ולהמיר את הוראות הביצוע למבנה ארגוני ליניארי-תהליכי.
   • האם שמתם לב לאיכות ורמת האמינות של הפלט בשיטת העבודה הזאת?

פרק 2: ניתוב (Routing)

במודל הניתוב, יש לנו "שוטר תנועה" או "ממיין ראשי". הבקשה מגיעה לסוכן ראשון שמנתח את כוונת המשתמש (Intent Classification), ובהתאם לכך מחליט לאיזה סוכן מומחה להעביר את הטיפול. זהו מודל קריטי למערכות שירות לקוחות, שם בקשה טכנית צריכה להגיע לתמיכה, ובקשת החזר כספי צריכה להגיע למחלקת כספים.

הכנה
צרו Workflow חדש ויבאו לתוכו את הדוגמא המצורפת.
לצורך יבוא הדוגמא – הקליקו על תפריט שלוש הנקודות (למעלה מימין), בחרו ב Import from URL… והכניסו את הקישור הבא:

https://almaya.ai/wp-content/uploads/2025/10/Routing.json

1. הכרת הנתב (The Router)
    
   • הביטו ב-Workflow. שימו לב ל-Node המרכזי שמפצל את התנועה.
   • בתוך ה-Router, מוגדרים "כלים" (Tools) או ענפים שונים. כל ענף מייצג מחלקה: Customer Support, Finance, Promotion, ו-High Priority.

 

2. סימולציה של פניות שונות
    
   • שלחו לעצמכם מייל בעל אופי מובהק של שירות לקוחות, כגון:
     

     כבר שבוע עבר מאז ההזמנה, ועדיין לא יצרו איתי קשר מחברת השליחויות

   • ודאו שהזרימה הגיעה ל-Customer Support Agent.
   • כעת, נסו הודעה דחופה הקשורה לכסף:
     

     I was charged twice! Please contact immediately!

   • בדקו האם המערכת זיהתה את הדחיפות וניתבה ל-High Priority Agent או ל-Finance Agent.
   • בענף הפניות הדחופות יש 2 אפשרויות שונות לשליחת הודעה מיידית – טלגרם או ווצאפ. חברו אחד מהם עם הרשאות חיבור (Credentials) אמיתיות, ובדקו אם המייל מגיע אליכם במיידי כהודעת ווצאפ / טלגרם.
      
     שימו לב: לצורך שליחת הודעת ווצאפ השתמשנו בבלוק HTTP Request עם פניה לשירות Green API. מי שמכיר את השירות יכול להשתמש בו כאן, להוראות חיבור מדויקות ניתן לפנות למדריך היעודי.

 

3. הוספת נתיב חדש (תרגיל)
    
   • הוסיפו סוכן חדש (Agent) לתרשים בשם HR Agent.
   • חברו אותו לנתב הראשי.
   • נסו לגרום למודל להפעיל אותו על ידי שליחת הודעה כמו: "I want to send my CV for a job".

פרק 3: מיקבול (Parallelization)

מיקבול מאפשר לנו לבצע מספר משימות אנליזה בו-זמנית על אותו קלט, ולבסוף לאחד את התובנות. זה שימושי מאוד כאשר אנו צריכים לבחון טקסט ממספר זוויות (למשל: בדיקת רגש, בדיקת הטיות, וחילוץ עובדות) ורוצים לחסוך זמן בהמתנה סדרתית.

הכנה
צרו Workflow חדש ויבאו לתוכו את הדוגמא המצורפת.
לצורך יבוא הדוגמא – הקליקו על תפריט שלוש הנקודות (למעלה מימין), בחרו ב Import from URL… והכניסו את הקישור הבא:

https://almaya.ai/wp-content/uploads/2025/10/Parallelization.json

1. זיהוי המבנה המקבילי
    
   • שימו לב שבניגוד לשרשור, כאן החיצים יוצאים מנקודה אחת למספר סוכנים במקביל: Intent Agent, Emotion Agent, Bias Agent ו-Fact Agent.
   • שימו לב גם שבניגוד למודל הניתוב – כאן כל הסוכנים משתתפים בתהליך, ולא רק אחד מהם נבחר.
   • בהמשך התהליך, ישנם בלוקים Merge ו-Aggregate שאוספים את כל התשובות ומעביר אותן לסוכן מסכם (Final Agent).
     הכנסו לקלט ולפלט של הבלוקים הללו ושימו לב כיצד הם משנים את מבני הדאטה שזורמים בתהליך.

 

2. הרצת ניתוח מורכב
    
   • הזינו בצ'אט טקסט מורכב, למשל ביקורת מוצר שיש בה גם שבחים וגם תלונות, או תוכן מאמר או פוסט שעלולים להכיל הטיות או אי-דיוק עובדתי. ניתן להעתיק טקסט פוסט מרשתות חברתיות.
   • שימו לב שכל הסוכנים (רגש, כוונה, הטיה, דיוק עובדתי) פועלים במקביל.
   • בדקו את הפלט הסופי של ה-Final Agent וראו כיצד הוא שילב את כל התובנות לדוח אחד מסודר.

פרק 4: מעריך-ומשפר (Evaluator-Optimizer)

זהו אחד המודלים החזקים ביותר לשיפור איכות. הרעיון הוא ליצור לולאת משוב (Feedback Loop): סוכן אחד יוצר תוכן (Optimizer/Writer), וסוכן שני מבקר אותו (Evaluator). אם הציון נמוך מהרף שהוגדר, התוכן חוזר לסיבוב נוסף של שיפורים. התהליך מסתיים רק כשהתוצאה משביעה רצון.

הכנה
צרו Workflow חדש ויבאו לתוכו את הדוגמא המצורפת.
לצורך יבוא הדוגמא – הקליקו על תפריט שלוש הנקודות (למעלה מימין), בחרו ב Import from URL… והכניסו את הקישור הבא:

https://almaya.ai/wp-content/uploads/2025/10/Evaluator_Optimizer.json

1. הבנת הלולאה (The Loop)
    
   • זהו את ה-Biography Agent שכותב את הטקסט הראשוני (Bio).
   • עקבו אחר החיבור ל-Evaluator Agent שנותן ציון וביקורת.
   • זהו את ה-Optimizer Agent שמתקן את הטקסט הראשוני לפי הביקורת שניתנה.
   • שימו לב לבלוק ה-If (או הראוטר) שבודק האם הציון מספק. אם לא – החץ חוזר אחורה ל-Optimizer עם המשוב.
   • שימו לב לאופן העברת הקלט לבלוק ה Set Bio – יש לו שני הורים, ובכל מצב הוא מקבל את הקלט שלו מ״הורה״ אחר.

 

2. בדיקת האיטרציות
    
   • הפעילו את הצ'אט ובקשו משהו כמו: "Write a bio for a wizard named Gandalf". הוסיפו פרטים ועובדות מעניינות לפי ראות עיניכם.
   • שימו לב לסדר ההרצה, סביר להניח שתראו שהלולאה רצה יותר מפעם אחת.
   • פתחו את הפלט של ה-Evaluator בכל סיבוב וראו מה הייתה הביקורת (למשל: "חסר פירוט על ניסיון", "הטון לא מספיק רשמי").

 

3. הקשחת תנאי הקבלה
    
   • אם התהליך מסתיים מהר מדי, נסו להקשיח את ה-Prompt של ה-Evaluator.
   • דרשו ממנו להיות קפדן מאוד ולא לאשר ביוגרפיה שאין בה לפחות 3 מילות מפתח יחודיות ושימוש בפעלים חזקים.

פרק 5: שולחן עגול (Orchestrator-Workers)

במודל ה"שולחן העגול" (לעיתים נקרא Orchestrator), ישנו סוכן ראשי ("המנהל") שמקבל משימה מורכבת ומפרק אותה לתת-משימות. הוא מחלק את העבודה לסוכנים אחרים (Workers), אוסף את התוצאות, ומחליט האם המשימה הושלמה או שיש צורך בעבודה נוספת.
ב-n8n, ניתן לממש זאת בשתי דרכים עיקריות:

1. חיבור סוכן ככלי (Agent as a Tool)
    
   • בשיטה זו, בתוך ה-Agent הראשי, אנו מגדירים "כלים" שכל אחד מהם הוא למעשה Node של AI Agent אחר.
   • הסוכן הראשי "קורא" לסוכן המשנה כמו שהוא קורא לכל כלי תכנותי אחר (מחשבון, חיפוש בגוגל).
   • זה מאפשר גמישות מירבית – המנהל מחליט באיל סדר להפעיל את העובדים וכמה פעמים.

 

2. קריאה ל-Workflow משני (Execute Workflow Tool)
    
   • כאן, הסוכן הראשי משתמש בכלי שמפעיל Workflow שלם ונפרד.
   • זה מתאים כאשר ה"עובד" הוא למעשה תהליך מורכב בפני עצמו (למשל: עובד שתפקידו "מחקר מתחרים" והוא מבצע סדרה של פעולות גלישה וסיכום).
   • בתוך הגדרות ה-Agent הראשי, מוסיפים כלי מסוג Call Workflow ומגדירים לו את הקלט והפלט המצופים.

תרגול פתוח

כעת שיש לכם את אבני הבניין של תבניות העבודה, זה הזמן לשלב ביניהן. בעולם האמיתי, מערכות משלבות לרוב מספר תבניות יחד.

1. שילוב Routing עם Chaining
    
   • צרו Workflow חדש.
   • התחילו עם Router שממיין פניות למחלקת "בלוג" או "מדיה חברתית".
   • חברו את ענף ה"בלוג" לשרשרת (Chain) של כותב ועורך (כפי שעשינו בפרק 1).
   • חברו את ענף ה"מדיה חברתית" לסוכן בודד שמייצר ציוץ קצר.

 

2. המרת ה-Router לקלאסיפייר (Classifier)
    
   • במקום שה-Router יפעיל סוכנים, נסו לגרום לו רק להוציא JSON עם התיוג של הפנייה.
   • השתמשו בתיוג הזה בהמשך הזרם (בעזרת Node מסוג If או Switch) כדי לקבל החלטות לוגיות שאינן מבוססות LLM בחלק השני של התהליך.

לסיכום, המעבר מסוכן בודד לצוות סוכנים (Multi-Agent Systems) מאפשר לנו לבנות מערכות יציבות יותר, מדויקות יותר וסקיילביליות. היכולת של n8n לחבר בין המודלים השונים – שרשור, ניתוב, מיקבול ולולאות משוב – מעניקה לכם את הכוח לבנות "מפעל חכם" של תוכן ודאטה. המשיכו להתנסות ולשלב בין המודלים כדי לפצח את האתגרים העסקיים שלכם.