לא עומדים בקצב, אתם לא לבד.

לפני ארבע - חמש שנים (איך שזהמן רץ) סוף עידן הבאזז סביב הטרנספומציה הדיגיטלית, היה נראה שעולם הטכנולוגיה קפא. זה לא שלא היו חידושים. אבל הם לא היו מלהיבים, עוד שדרוג בשיווק האוטומטי, עוד פרסנליזציה באתר הקומרס או בחווית הלקוח. נראה שהשעמום מהבאזוורדס שספקי הטכנולוגיה ניסו לייצר היה גדול.

ואזז... GenAI, ומאז נראה שכל בוקר מישהו קם עם מושג חדש ששורף את הרשת, הקצב מסחרר... טוב או רע ? כל אחד יחליט לעצמו, מה שבטוח זה שקשה עד בלתי אפשרי לעמוד בקצב.

בתחילת 2024 כתבתי סדרה של פוסטים ( חלק ראשון, חלק שני, חלק שלישי) על הנדסת הנחיות, תוך פחות משנה התפיסה התפחתה להנדסת הקשר, ומשם הדרך לבאזז התורן, הנדסת רתמות או Harness Engineering היה קצר. והנה כעבור 4 חודשים נולד מושג חדש הנדסת לולאות או Loop Engineering.

מעבר מכתיבת הנחיות לתכנון מערכת שכותבת אותן בעצמה

הייתי רוצה להגדיר את ההנדסה החדשה כקפיצת דרך משמעותית בתפיסה של הפעלת כלים וסוכנים מבוססי בינה מלאכותית, אבל במציאות כל אחת מתפיסות הנדסת ה GenAI בעבר הייתה קפיצה משמעותית באבולוציה של הפעלת מודלי בינה מלאכותית כחלק מאוטומציות ובניה של סוכני AI.

כך גםב מקרה של Loop Engineering, זו פרקטירה חדשה משנה את צורך ההפעלה של מודלי ה AI בצורה משמעותית.

במקום לחשוב כיצד אדם מפעיל AI פעם אחר פעם כמו בהנדסת הנחיות או הקשר, הנדסת לולואת גורמת לנו לחשוב כיצד לבנות מערכת שמפעילה את ה-AI בעצמה. כלומר, המערכת מגדירה משימה, מאפשרת לסוכן לפעול, בודקת את התוצאה, מספקת משוב ומפעילה אותו מחדש עד להשגת יעד מוגדר. לכן זו מוגדרת כלולואה.

במילים אחרות, אנחנו עוברים מעבודה בסיוע AI לתכנון מערכות שעובדות באמצעות AI.

כמו במקרים קודמים, מי שאחראי לתפיסה הוא לא אחר מאשר בוריס צ'רני, מנהל הפיתוח של קלוד קוד באנתרופי'ק. בשיחה שהוא קיים בכנס Meta @Scale AI & Data 2026, ביוני 2026 YouTube הוא הסביר את המעבר מכתיבת קוד ידנית, לעבודה עם Agents שכותבים קוד בעצמם, ומשם לשלב הבא שבו סוכנים מפעילים סוכנים אחרים באמצעות לולאות, הוא מתאר זאת כעליית מדרגה משמעותית נוספת ברמת ההפשטה של תפיסת ההפעלה של סוכני בינה מלאכותית.

בהמשך מי שטבע את המושג Loop Engineering הוא Addy Osmani מהנדס בכיר בגוגל שגם הפך זאת למסגרת עבודה מסודרת.

איך לולאת בינה מלאכותית פועלת בפועל ?

ברמה הפשוטה ביותר, אפשר לתאר Loop בארבעה שלבים כשהחלק הראשון הוא המאתגר והחשוב מכולם.

• הגדרת ה Goal - מגדירים יעד ברור לביצוע על ידי הסוכן.
• ביצוע הפעולה (Action) - הסוכן מבצע את הפעולה.
• תצפית ובחינת התוצאה (Observation) - הסוכן או המערכת שעוטפת אותו בוחנת את התוצאה שהתקבלה לאחר הפעולה הראשונה
• התאמה או כיוונון (Adjustment) - בהתאם לתוצאה, הסוכן משנה את דרך הפעולה הבאה שלו ומנסה שוב.
• כך המערכת פועלת בלולאה עד שהיא משיגה את היעד הרצוי.

כאמור, החלק החשוב ביותר הוא שהיעד חייב להיות מדיד. לדוגמא, "תקן את האתר" הוא יעד בעייתי, בעוד ש "סיים כאשר כל הבדיקות עוברות בהצלחה והדרישות שהוגדרו מתקיימות" הוא כבר יעד שהמערכת יכולה לבדוק באופן אוטומטי.

מכאן מגיע אחד העקרונות החשובים ביותר של Loop Engineering: אי אפשר לייצר אוטונומיה אמינה בלי יכולת אימות.

עד היום שאלנו: "מה אני רוצה שה-AI יעשה?"

בעולם של Agentic AI המבוסס על Loop Engineering צריך להתחיל לשאול גם: "מה צריך לקרות אחרי שה-AI עשה את זה?"

כלומר, מי בודק את התוצאה?, מה קורה אם היא שגויה?, איזה מידע נשמר כדי לבדוק את הפעולות שכבר בוצעו ?, מתי מנסים שוב?, כמה ניסיונות?, מתי המערכת צריכה לעצור?, ומתי חייבים לערב אדם בלולאה?

מתי באמת צריך Loop Engineering ומה נדרש כדי להפעיל זאת?

לא כל הפעלה של סוכן או אוטומציה צריכה להפוך למערכת אוטונומית. אם אתם משתמשים ב-AI כדי לסכם מסמך, ליצור רעיון לקמפיין או לנסח מייל טוב שימוש בהנדסת הנחיות און הנדסת הקשר נכונים בהחלט עשויים להספיק. שימוש ב Loop Engineering מתחיל להיות מעניין כאשר התהליך מורכב, דורש מספר רב של שלבים, בדיקות וחזרות. לדוגמא כאשר מערכת סורקת באופן קבוע בעיות פתוחות בפרויקט ומנסה לטפל בהן. הסוכן שמבצע את המשימה, מריץ בסוף כלשלב בדיקה, מזהה כשל ומנסה תיקון נוסף לפני שהוא עובד לשלב הבא בתהליך.

דוגמא נוספת היא הפעלה של מספר סוכנים שמטפלים במקביל בחלקים שונים של אותה משימה ומעבירים תוצאות לסוכן מרכזי (מתזמר). זה תהליך שיכול לרוץ במשך שעות ללא צורך בכך שאדם יאשר ידנית כל שלב. המתזמר או סוכנים ייעודיים בתהליך יכולים לבדוק את התוצאה, ולהחזיר לסוכן המבצע הוראות שונות להפלעה חדשה או תיקון של התוצאה שהתקבלה כמובן אם התוצאה של אותו שלב לא עמדה ביעד (המדיד) שהוגדר באותו שלב בדרך לתוצאה הסופית.

הפעלה של לולואת בצוה נכונה אינה כוללת רק סוכנים שבודקים את עצמם או אחד את השני. כאן השילוב של הHarness Engineering חשוב.

בין המרכיבים המרכזיים שמסייעים לנהל את תהליך האוטונומיה או הלולואת הם רכיבי תוכנה שהוגדרו מראש או נכתבו בזמן ריצה על ידי הסוכן שמגדירים מתי להפעיל את הלולאות, מה התפקיד של כל סוכן בתהליך, מה הם הכלים בהם הסוכנים עושים שימוש לבדוק את תוצאות המשימות אל מול היעדים, איזה מידע נשמר בתהליך לצורך סקירה של תהליכי ההחלטה של הסוכנים בביצוע המשימה, באיזה הקשר (מידע ונתונים) הם עשו שימוש בביצוע המשימה ועוד.

רכיב הזיכרון הוא משמעותי, כי אם בכל איטרציה הסוכן שוכח מה עשה באיטרציה הקודמת, אין באמת Loop חכם.

סוכנים שמפעילים לולאות עושים שימוש בשילוב מערכות שמאפשרות להם לנהל זיכרון חיצוני, מסמכים, בסיס נתונים, מערכת ניהול משימות ומצבי עבודה מתמשכים שמאפשרים להם לעקוב אחרי התקדמות ולמנוע חזרה על אותן שגיאות.

לצד ההזדמנות, אוטונומיה יוצרת גם סיכונים

ככל שאנחנו מוציאים את האדם מהתהליך, כך הבקרות הופכות לחשובות יותר. לולאה שאינה יודע לזהות טעות לא מפסיקה לטעות. היא פשוט תגרום לסוכן או לאוטומציה לטעות מהר יותר ובקנה מידה גדול יותר.

שלושה סיכונים מרכזיים עולים מהשימוש ב Loop Engineering.

• תוצאה שאף אחד לא באמת אימת בדיקות אוטומטיות הן חשובות, אבל הן אינן בהכרח מוכיחות שהתוצאה נכונה מבחינה עסקית, אתית או רגולטורית. גם סוכן שבודק סוכן אחר הוא עדיין מערכת לא דטרמיניסטית שמבוססת על AI.ץ ולכן ולידציה אנושית היא קריטית בשלבים שונים של התהליך.
• אובדן ההבנה האנושית כאשר סוכני בינה מלאכותית יוצריםעבודה מהר יותר מכפי שאנשים מסוגלים להבין אותה, נוצר פער בין מה שהמערכת עושה לבין מה שהאנשים שמפעילים את הסוכנים מסוגלים להבין. תופעה זו זכתה לכינוי Comprehension Debt - חוב מצטבר של תוצרי הבינה המלאכותית כאשר כמות התוצר גדלה מהר יותר מהיכולת האנושית להבין אותו. (המקרה השכיח ביותר כיום הוא בכתיבת קוד על ידי בינה מלאכותית).
• ויתור על שיקול דעת הסיכון הגדול ביותר הוא אולי לא שהסוכנים יטעו, אלא שהארגון והעובדים בו יתרגלו לקבל את התוצאות ללא ביקורת. כאן חשוב מאד להבין שהמטרה אינה להעביר לסוכנים את שיקול הדעת עצמו, אלא ליצור אוטומציה עם תנאי עצירה ומגבלות ברורים כך שהפעולות יבוצעו על ידי הסוכנים אבל שיקול הדעת בקבלת התוצאה הסופית ישאר בידי בני האדם.

הפעלת לולאת מטרה

לולאה ה AI הנפוצה ביותר היא כמובן לולאה שחותרת להגשת מטרה מסויימת. לדוגמה הפעלת Loop Engineering על קמפיין פרסום ממומן. במקום לבקש מהסוכן "כתוב מודעה טובה יותר", נגדיר את היעד כך: "צור וריאציות חדשות למודעות פרסום לקמפיין X, בדוק את ביצועיהן, והמשך בלולאות עד שה CPA יורד מתחת ל-80 ש"ח. אל תקבל החלטה לפני שנצברו לפחות 50 המרות, עצור אחרי ארבע לולאות או אם נוצלו 5,000 ש"ח מתקציב הקמפיין."

הלולאה הזו תפעל כך:

• פעולה: הסוכן מנתח את המודעות הקיימות ומייצר שלוש וריאציות חדשות לכותרת, מסר ויעד CTA.
• הפעלה: המודעות עולות לקבוצת ניסוי בערוצי הפרסום בתקציב מוגבל כפי שהוגדר.
• מדידה: המערכת (Harness) מושכת מה API של פלטפורמת הפרסום נתונים כמו Spend, Conversions ו CPA.
• בדיקה: אם CPA נמוך מ-80 ש"ח והצטבר מספיק מידע, עוצרים. אם לא, התוצאות חוזרות לסוכן שיוצר לולאה חדשה.

כך תנאי ההצלחה מבוסס על נתון עסקי אמיתי, ולא על תחושה שהקריאייטיב "נראה טוב".

לולאה כזו או דומה ניתן ליצור היום גם ב Claude Code וגם ב Codex באמצעות הפקודה /goal בשני המקרים, הלולאה טובה רק אם יש יעד מדיד, מקור נתונים לאימות, מגבלות ותנאי עצירה. אחרת הסוכן פשוט ממשיך לעבוד בלי לדעת מתי באמת סיים.

לולאה מבוסס זמן וטריגר חיצוני

נניח שאתם מנהלים קמפיין לידים. במקום להיכנס כל שעה למערכת הפרסום כגון Meta Ads או Google Ads לבדוק ידנית אם משהו השתנה, אפשר להגדיר לסוכן לולאת זמן שבודקת את הקמפיין במרווחים קבועים ומגיבה רק כשצריך.

לדוגמה:

ההנחיה הבאה - /loop 1h בדוק את ביצועי קמפיין הלידים. אם ה-CPA עלה ביותר מ-20% לעומת הממוצע של 24 השעות האחרונות, נתח את הסיבה, הצע 3 פעולות תיקון ועדכן אותי. אם הכול תקין, אל תשנה דבר.

בכל שעה הסוכן מושך מחדש את הנתונים, משווה אותם לביצועים הקודמים ופועל בהתאם. כאן הטריגר אינו הודעה חדשה מהמשתמש, אלא הזמן שעבר והנתונים החדשים שהגיעו ב API ממערכת הפרסום.

ב-Claude Code וב Codex אפשר להריץ משימה כזו באמצעות /loop, שמפעיל את אותו prompt שוב במרווח קבוע. Anthropic מציגה /loop בדיוק ככלי למשימות חוזרות או לבדיקת מערכות חיצוניות שהמצב בהן משתנה לאורך זמן. אם רוצים שהמעקב ימשיך גם כשהמחשב סגור, אפשר להעביר אותו ל-/schedule, שמריץ רוטינה בענן. למשל: בדיקה פעם בשעה של נתוני הקמפיין, נתוח חריגות ושליחת התראה לווטסאפ.

לסיכום

הנדסת לולאות או Loop Engineering היא גישה חדשה לעבודה עם סוכני AI, בה לא מסתפקים בכתיבת הנחיה טובה אלא מתכננים מערכת שלמה שמפעילה את הסוכן, בודקת את התוצאה ומאפשרת לו להמשיך לעבוד באופן עצמאי עד להשגת יעד מוגדר בצורה מדויקת ומדידה.

זו התפתחות של שכבות הנדסת ה GenAI הקודמות: Prompt Engineering מגדיר איך לבקש מהמודל לבצע משימות, Context Engineering דואג שהמודל יקבל את המידע הנכון לביצוע המשימה שלו, Harness Engineering מספק למודל את ה כלים הנדרשים לביצוע המשימה שלו, ו Loop Engineering משתמש בשלבים הקודמים לתהליך שחוזר על עצמו על להצלחת ביצוע המשימה שהוגדרה.

הערך הגדול ב Loop Engineering הוא היכולת להעביר לסוכן AI תהליכים ארוכים ומורכבים. אבל אוטונומיה דורשת גם בקרה. לכל לולאה צריכים להיות KPI ברור, מקור מידע לאימות, מגבלות ותנאי עצירה. בכל מקרה חשוב לזכור, אוטונומיה בעבודה עם סוכנים היא לא העברת האחריות לקבלת ההחלטה ל AI אלא אוטונומיה מבוקרת - אמצעי להשגת תוצאה בצורה מהירה ומדויקת תוך הקפדה על שיקול דעת אנושי.