אני מאמין בלחלוק ידע. הנה המשאבים שאני אוצר ומתחזק באופן אישי כדי לעזור לכולנו במסע.
הבסיס הרעיוני: תפקידים, guardrails, טופולוגיה, זיכרון ואבטחה לבניית מערכות סוכנים שימושיות.
למה זה חשוב: בלי ארכיטקטורה ברורה, סוכנים נשארים דמו יפה. עם חוזה עבודה, טופולוגיה ברורה וגבולות אבטחה, הם הופכים לכלי עבודה אמיתי.
raw/ - ריכוז כל המידע הגולמי.wiki/ - המוח המבני שמנוהל על ידי ה-LLM.outputs/ - תוצרים (סיכומים, מצגות).CLAUDE.md שמנהל את מבנה הידע.אז ככה — NVIDIA, החברה שכולם מכירים בזכות הכרטיסים הגרפיים, מריצים פלטפורמה שנקראת NIM (NVIDIA Inference Microservices). מה זה בעצם? זה API חינמי שנותן לכם גישה למגוון מודלי AI מתקדמים — כולל DeepSeek R1, Kimi K2.5, Qwen 3.5 ועוד הרבה אחרים.
כשאתם נרשמים, אתם מקבלים בדרך כלל 1,000 קרדיטים בחינם. זה מספיק לאלפי בקשות עם מודלים קטנים, או כמה מאות עם מודלים גדולים. לא רע בכלל לניסוי ולמשימות קלות.
הדבר הכי מגניב? ה-API תואם לחלוטין ל-OpenAI. מה שזה אומר בפועל: כל כלי, ספרייה, או סקריפט שעובד עם OpenAI — עובד גם עם NIM. פשוט מחליפים את ה-base URL וה-API key, וזהו. זה כמו לקבל גישה לסופרמרקט שלם של מודלים, בחינם, עם אותה כתובת כניסה.
הנה המודלים הכי מעניינים שזמינים דרך NIM נכון לפברואר 2026:
| מודל | שם API | גודל | יכולות עיקריות | מתאים ל... |
|---|---|---|---|---|
| DeepSeek R1 | deepseek-ai/deepseek-r1 | 671B MoE | reasoning, chain-of-thought | משימות חשיבה מורכבות |
| DeepSeek R1-0528 | deepseek-ai/deepseek-r1-0528 | 671B MoE | reasoning משופר, פחות הזיות | גרסה משודרגת של R1 |
| DeepSeek V3.1 | deepseek-ai/deepseek-v3-1 | 671B MoE | 128K context, tool use, hybrid | סוכנים עם כלים |
| Kimi K2.5 | moonshotai/kimi-k2.5 | 1T MoE | מולטימודל — וידאו ותמונות | ניתוח תמונות ווידאו |
| Qwen 3.5 397B | qwen/qwen3.5-397b-a17b | 400B MoE | vision, chat, RAG, agentic | סוכנים מתקדמים + ראייה |
| GLM-5 744B | z-ai/glm5 | 744B MoE | reasoning, agentic tasks | משימות ארוכות ומורכבות |
| Nemotron Nano 30B | nvidia/nemotron-3-nano-30b-a3b | 30B MoE | 1M context, tool calling | משימות עם הקשר ארוך |
| DeepSeek R1 Distill Llama 8B | deepseek-ai/deepseek-r1-distill-llama-8b | 8B | reasoning קל ומהיר | משימות מהירות, חיסכון |
| DeepSeek R1 Distill Qwen 32B | deepseek-ai/deepseek-r1-distill-qwen-32b | 32B | reasoning + כתיבה | איזון מעולה מחיר/ביצועים |
כמה דגשים: המודלים מסומנים כ-MoE (Mixture of Experts), מה שאומר שהם ענקיים מבחינת פרמטרים כוללים אבל מפעילים רק חלק קטן בכל בקשה — ולכן הם מהירים יחסית. Kimi K2.5 הוא טריליון פרמטרים (!), אבל עובד מעולה לניתוח תמונות ווידאו. Nemotron Nano הוא הבחירה החכמה אם אתם צריכים חלון הקשר של מיליון טוקנים.
היכנסו ל-build.nvidia.com והירשמו — אפשר עם Google או GitHub, לוקח 30 שניות.
בעמוד של כל מודל תמצאו כפתור "Get API Key". לחצו, העתיקו את המפתח. הוא מתחיל ב-nvapi-.
export NVIDIA_API_KEY="nvapi-YOUR-KEY-HERE"
curl -s https://integrate.api.nvidia.com/v1/chat/completions \
-H "Authorization: Bearer $NVIDIA_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-ai/deepseek-r1",
"messages": [{"role": "user", "content": "What is 2+2?"}],
"max_tokens": 100
}'
אם הכל עובד, תקבלו JSON עם התשובה "4" וגם chain-of-thought reasoning (תהליך החשיבה של המודל). מגניב, לא?
ערכו את הקובץ openclaw.json והוסיפו ל-models.providers:
{
"nvidia": {
"api": "openai-completions",
"baseUrl": "https://integrate.api.nvidia.com/v1",
"authEnv": "NVIDIA_API_KEY"
}
}
עכשיו אתם יכולים להשתמש בשם nvidia/deepseek-ai/deepseek-r1 בכל מקום ב-OpenClaw שמקבל שם מודל — סוכני-משנה, cron jobs, מה שתרצו.
pip install openai
python3 << 'EOF'
from openai import OpenAI
client = OpenAI(base_url="https://integrate.api.nvidia.com/v1", api_key="YOUR-KEY")
r = client.chat.completions.create(
model="deepseek-ai/deepseek-r1",
messages=[{"role": "user", "content": "Hello!"}],
max_tokens=50
)
print(r.choices[0].message.content)
EOF
אם קיבלתם תשובה — מצוין, הכל מחובר ועובד.
כמה דברים חשובים שצריך לדעת:
למה NIM מושלם? הנה הרשימה:
הקומבינציה המנצחת שאני משתמש בה כל יום:
Opus/Sonnet כמודל ראשי — חכם, עם tool use מלא, מבין הקשר מורכב. NIM כסוכני-משנה — חינמי, מהיר, מספיק חכם למשימות ממוקדות.
התוצאה? עובדים פחות, חוסכים יותר. ה-Opus מנהל, וה-NIM עושים את העבודה השחורה. כמו מנהל עם צוות עובדים חינמיים — רק בלי ניצול עובדים. 😄
הרבה אנשים בונים סוכני AI כאילו הם פשוט “אישיות עם פרומפט ארוך”. בפועל זה יוצר מערכות מבולגנות, עם יותר מדי הרשאות, התנהגות לא יציבה וקושי אמיתי לסמוך על התוצאה.
דרך טובה יותר היא לחשוב על סוכן כעל יחידת עבודה עם חוזה ברור.
סוכן טוב צריך חמישה דברים:
המדריך הזה מסביר איך לבנות סוכנים בצורה מסודרת, מאובטחת ופרקטית — לא רק מרשימה, אלא באמת שימושית.
האתגר האמיתי בבניית סוכנים הוא בדרך כלל לא prompting. הוא הרבה יותר קרוב לעיצוב ארגוני:
זו גם הסיבה שפרויקטים כמו AgenTopology מעניינים: הם מזיזים את הדיון מ-"מה סוכן אחד חכם יודע לעשות" ל-"איך מערכת של כמה סוכנים אמורה לעבוד יחד".
הגדרה שימושית היא:
תכנון סוכנים הוא בעיקר תכנון ארגון עבור עובדים תוכנתיים.
זה הסוכן שחושב ברמת המערכת:
דוגמאות: chief-of-staff, planner, dispatcher.
אלו סוכנים עם התמחות צרה:
אלו סוכנים או שכבות שלא מייצרות את העבודה העיקרית, אלא מגינות על האיכות והבטיחות של המערכת:
לא תמיד סוכן בפני עצמו, אבל תמיד שכבה קריטית:
אם אי אפשר לתאר את הסוכן במשפט אחד, הוא רחב מדי.
דוגמאות טובות
דוגמאות רעות
סוכנים רחבים נראים מרשימים, אבל הרבה יותר קשה לשלוט, למדוד ולאבטח אותם.
אבטחה בבניית סוכנים מתחילה ב-Least Privilege.
דוגמאות:
אם סוכן לא צריך כלי — אל תיתן לו אותו.
אורקסטרציה טובה תלויה בפלטים צפויים.
דוגמאות:
בלי פלטים מוגדרים, מערכות multi-agent נהיות בוץ.
טעות נפוצה היא לדחוף את כל ה-policy לתוך פרומפט ענק אחד. מבנה הרבה יותר יציב הוא:
מי הסוכן.
מה הוא חייב או אסור לו לעשות.
איך הוא מבצע את המשימה.
למשל:
Role: מאמת טכני
Guardrails: לא לנחש; לא לערוך קבצים; לסמן אי-ודאות בצורה ברורה
Procedure: חלץ טענות → אמת כל טענה → סווג סטטוס → החזר סיכום
הדפוס הכי טוב להתחיל איתו הוא:
Planner → Specialist → Verifier → Human
למה זה עובד:
דוגמה:
כאן AgenTopology הופך לשימושי כמודל חשיבה.
Fan-out אומר שכמה סוכנים מומחים עובדים במקביל על תתי-זוויות, ואז reducer או synthesizer מאחד את התוצאות.
דוגמה בסגנון AgenTopology:
זה חזק מאוד — אבל רק אחרי שה-workflows הפשוטים שלך כבר יציבים.
כל סוכן מקבל רק את הכלים שהוא באמת צריך.
לא שמים API keys או secrets בתוך prompts, skills, markdown או memory. שומרים secrets ב-runtime config / env / connectors.
כל פעולה ששולחת, מפרסמת, מוחקת או כותבת למערכת חיצונית — עדיף שתעבור checkpoint.
אם אפשר לאמת:
אז בודקים — לא מסתמכים על vibe.
לא כל סוכן צריך את כל שכבת הזיכרון. חלק צריכים רק את המשימה. חלק צריכים working memory. ורק מעט צריכים long-term personal context.
אם סוכן נכשל באותה דרך יותר מפעם אחת — מתעדים. הופכים את זה ל-checklist, שיפור skill או כלל prompt.
השתמש בתבנית הזו לפני יצירת כל סוכן חדש:
שם קצר וברור.
מה הוא עושה במשפט אחד.
באילו טריגרים מזמנים אותו.
מה הוא מקבל.
מה הוא חייב להחזיר.
רק מה שמינימלית צריך.
מה אסור ומה חובה.
דוגמה
אם אתה רק מתחיל, חמשת אלה מכסים חלק גדול מאוד מהעבודה האמיתית:
הימנע מהמלכודות הבאות:
הדרך הכי מהירה להשתפר היא ללמוד מערכות שכבר חושפות את דפוסי העבודה שלהן:
מערכת סוכנים עובדת עדיפה על מערכת סוכנים מתוחכמת מדי.
תתחיל פשוט:
ואז תגדל בזהירות.
ככה בונים סוכנים שהם לא רק מרשימים בדמו — אלא שימושיים בעולם האמיתי.