לפני כמה שבועות קראתי מאמר על “למידה מתמשכת של העני” לאייג’נטים של AI. הרעיון המרכזי: במקום לעשות fine-tuning למודלים, בונים שכבת retrieval שצוברת ידע מובנה. המודל נשאר אותו דבר - המערכת סביבו מתחכמת.
אני לא רק קוראת. אני בונה.
סוכן המחקר
בניתי סוכן מחקר עם Claude שמיישם את המתודולוגיה הזו:
- Snapshots: כל שאלה נשמרת עם embedding לחיפוש סמנטי
- Claims: טענות מזוקקות שחולצו מהמחקר, כל אחת עם ציון אמינות
- Sources: מעקב מקורות לכל טענה
כששאלה חדשה מגיעה, הסוכן מחפש שאלות דומות מהעבר, מריץ מחקר באינטרנט, מחלץ טענות, משווה חדש לקיים. מה חדש? מה התחזק? מה נעלם? האמינות מתעדכנת, כפילויות מסוננות.
בניתי ממשק FastAPI לויזואליזציה של כל התהליך.
אז לקחתי את זה צעד קדימה - יצרתי /command לקלוד קוד שמיישם את אותה מתודולוגיה על השיחות שלנו. מחלץ תובנות, שומר ל-knowledge base, תובנות חוזרות מתחזקות.
ואז הגיעה עבודה אמיתית
Pure Blue Fish היו צריכים מחקר שוק להתרחבות לאטלנטה. לא דמו - חומר להחלטות עסקיות אמיתיות.
התהליך היה מורכב. 8 שלבים:
- הגדרת אזור - מיקום המתקן + רדיוס משלוח 4-6 שעות
- איסוף נתוני מסעדות - Google Places API, הסרת כפילויות
- אגרגציה לפי עיר/מדינה
- נתוני אוכלוסייה - US Census Bureau, חישובי צפיפות
- אימות תמחור - בדיקה ב-3+ ספקי פרימיום
- בניית טבלאות ניתוח
- תחזיות הכנסה
- הפקת דוח
הרבה איטרציות. בכל סבב הבנתי שמשהו צריך תיקון - לאמת נתונים, לדייק חיפושים, לתקן חישובים. למשל: התמחור היה צריך להתמקד במסעדות ישירות, לא במפיצים, כי החברה רוצה למכור ישירות וצריכה להבין את הכלכלה ברמת היחידה.
לאורך כל התהליך, השתמשתי ב-/command כדי לשמור תובנות ל-knowledge base.
לשחזר את העבודה
הגיעה בקשה למחקר שוק הבא. לפני שהתחלתי מאפס, שלפתי מה-knowledge base. התובנות שהצטברו מאטלנטה - מה עבד, מה היה צריך התאמה, שיפורי מתודולוגיה - הכל זמין.
הפקתי דוח דומה. אותו עומק, אותה איכות.
ארכיטקטורת הסקיל - יותר מתבנית
סקילים יכולים להיות פשוטים - כמה הוראות בקובץ markdown. אבל הם יכולים להיות גם מערכות מורכבות.
סקיל מחקר השוק כולל:
- Workflows - תהליכים צעד-אחר-צעד לכל שלב
- References - תיעוד API, מקורות נתונים, מתודולוגיה
- Scripts - קוד Python אמיתי לאיסוף ועיבוד נתונים
- Cross-references - סקיל המחקר מפנה לסקיל עיצוב נפרד להפקת הדוח
ההפרדה הזו חשובה. לוגיקת מחקר משתנה בנפרד מעיצוב ויזואלי. מעדכנים אחד בלי לשבור את השני.
pbf-market-research/ ├── SKILL.md # Router + עקרונות ├── workflows/ │ ├── full-research.md # תהליך 8 שלבים │ ├── collect-restaurants.md │ ├── add-population.md │ └── validate-pricing.md ├── references/ │ ├── google-places-api.md │ ├── data-aggregation.md │ ├── population-sources.md │ ├── pricing-sources.md │ ├── revenue-model.md │ └── methodology-template.md └── scripts/ ├── sushi_search_template.py ├── aggregate_by_city.py ├── add_population.py ├── calculate_density.py ├── calculate_financials.py ├── compare_pricing.py └── market_summary.py
איך הגענו לכאן
לא תכננו את הארכיטקטורה הזו מראש.
אחרי מחקר אטלנטה הראשון - מבולגן, איטרטיבי, הרבה תיקונים - ביקשתי מקלוד קוד לקרוא את הדוח הסופי ולפרק אותו לרכיבים. בשילוב עם תובנות שנשמרו דרך /command לאורך התהליך, ותיעוד של מה שעבד.
מחקר שני נהנה מ:
- מתודולוגיה מתועדת מהמחקר הראשון
- תובנות מצטברות מה-/command
- פירוק מובנה של רכיבי הדוח
אותו עומק ואיכות, אבל חוסר עקביות בעיצוב. ביקשתי מקלוד קוד לנתח את העיצוב של דוח אטלנטה וליצור סקיל עיצוב. אז עיצבנו מחדש את הדוח השני - יצא יפהפה.
אחרי שני מחקרים מוצלחים, עצרנו לגבש. בנינו את ארכיטקטורת הסקיל המלאה על בסיס התהליך המאומת - workflows, references, scripts, הפניות לסקיל העיצוב.
העיקרון: אחרי תהליך מורכב, לעצור להפיק לקחים ולבנות תהליכי עבודה שניתנים לשחזור. ככה מתודולוגיה הופכת לסקיל.
תהליך → סקיל → אייג’נט
זו הייתה התוכנית מההתחלה: קודם לאמת שהמתודולוגיה עובדת, אז לעטוף באייג’נט.
המטרה: לבנות אייג’נט Claude Agent SDK עם הסקיל הזה מוטמע.
זה “Build skills, not agents” בפרקטיקה:
- לפתח את הסקיל דרך עבודה אמיתית
- לאמת שהוא משחזר איכות
- אז לבנות את האייג’נט
האייג’נט הופך למנגנון הפצה של מתודולוגיה מוכחת. לא ניסוי - יכולת מוצרית.
כל שוק שPure Blue Fish רוצה להיכנס אליו: אייג’נט אחד, ידע מצטבר, פלט עקבי.
מה למדתי
“Build skills, not agents” - זה מה שזה אומר בפרקטיקה.
סקילים ניתנים לשימוש חוזר, צוברים ידע, משתפרים עם השימוש. המודל לא משתפר. המערכת סביבו כן.
אבל זה יותר מסקילים. זו דרך עבודה עם AI:
- ניהול קונטקסט - שמירה על רציפות בין סשנים
- למידה מתהליך - לתעד מה עובד, מה לא
- משמעת איטרציה - כל סבב מחדד הבנה
- יישום מעל תיאוריה - לקרוא מאמרים זה קל, לבנות עד פרודקשן זה איפה שהלמידה הופכת לאמיתית
מאמר הלמידה המתמשכת נתן לי קונספט. בניית סוכן המחקר גרמה לי להבין אותו. שימוש בעבודה אמיתית הוכיח אותו. יצירת סקילים הפכה אותו לסקיילבילי.
זה הלופ: ללמוד → לבנות → להשתמש → לסדרר → לפרוס.