[warm] שלום לכולם וברוכים הבאים לשיעור חמש נקודה שש. בשיעור הקודם, חמש נקודה חמש, בנינו יסודות עם פייתון בסיסי. היום אנחנו קופצים מדרגה ועונים על שאלה קריטית: איך אנחנו מחברים מודלי שפה גדולים, או LLMs, לעולם האמיתי? [calm] נלמד על פרוטוקול מהפכני בשם MCP, או Model Context Protocol. תחשבו עליו כמו על יו-אס-בי-סי של עולם הבינה המלאכותית – חיבור אחיד, פשוט וחזק שמחבר הכל להכל. בואו נתחיל.

[מעבר שקף]

[calm] הבעיה המרכזית עד היום הייתה מה שנקרא "ג'ונגל של איי-פי-אייז". כל שירות, בין אם זה סלאק, גיטהאב, או גוגל דרייב, מדבר בשפה טכנית אחרת. כדי לחבר שניים או שלושה שירותים כאלה יחד, מפתחים היו צריכים לכתוב קוד מורכב ומתסכל. [calm, confident] כל אינטגרציה הייתה פרויקט בפני עצמו, סיוט של תחזוקה. אפילו כאן בישראל, חברה כמו מאנדיי דוט קום משקיעה משאבים אדירים כדי להתממשק למאות כלים שונים. זה לא מצב שמאפשר צמיחה מהירה.

[מעבר שקף]

[calm, confident] הפתרון הוא אם-סי-פי, Model Context Protocol. זהו פרוטוקול פתוח שנועד ליצור שפה משותפת בין מודלי בינה מלאכותית וכלים חיצוניים. הוא הושק לראשונה בנובמבר אלפיים עשרים וארבע, וכבר בדצמבר אלפיים עשרים וחמש נתרם לקרן לינוקס כדי להבטיח את עתידו כסטנדרט פתוח. [calm] נכון למרץ אלפיים עשרים ושש, ה-SDK שלו כבר הגיע לשבעה ותשעים מיליון הורדות חודשיות. כל הגדולות – OpenAI, גוגל ומיקרוסופט – כבר תומכות בו באופן מלא.

[מעבר שקף]

[calm, confident] הארכיטקטורה של אם-סי-פי פשוטה להפליא ומבוססת על שלושה שחקנים מרכזיים. יש לנו את ה-Host, שזה היישום הראשי שהמשתמש עובד איתו, למשל קלוד דסקטופ. בתוך ה-Host יושב ה-Client, רכיב שיודע לדבר אם-סי-פי. והשחקן השלישי הוא ה-Server, שזה בעצם הכלי שלנו, השירות שאנחנו רוצים לחבר. [calm] הזרימה היא כזאת: המשתמש כותב פרומפט, ה-Client שולח בקשה ל-Server, ה-Server מבצע את הפעולה ומחזיר תשובה, והתשובה הזו נשלחת ל-LLM כדי לייצר את התוצאה הסופית.

[מעבר שקף]

[calm, confident] שרת אם-סי-פי יכול לספק שלושה סוגי תוכן עיקריים למודל. הסוג הראשון והנפוץ ביותר הוא Tools, כלומר כלים או פעולות שהמודל יכול להפעיל, כמו למשל פונקציה ששולחת אימייל. הסוג השני הוא Resources, כלומר משאבי מידע שהמודל יכול לקרוא מהם, כמו מסמכים או נתונים. והסוג השלישי הוא Prompts, תבניות פרומפט מוכנות מראש. [calm] חברות ישראליות יכולות למנף את זה: פייבר יכולה לחשוף כלים לפרילנסרים, וויקס יכולה לספק משאבים על אתרי לקוח, ואלביט יכולה לחבר כלים למערכות פנימיות.

[מעבר שקף]

[calm] האקוסיסטם סביב אם-סי-פי צמח בקצב מסחרר. כיום קיימים יותר מחמשת אלפים שרתי אם-סי-פי קהילתיים ופתוחים כמעט לכל שירות שתוכלו לחשוב עליו. סקר שנערך לאחרונה הראה ששבעים ושמונה אחוז מצוותי הבינה המלאכותית בארגונים גדולים כבר השתמשו באם-סי-פי בפרודקשן. [calm, confident] כלים פופולריים כמו גיטהאב, סלאק, פוסטגרס ונושן כבר זמינים כשרתים מוכנים להתקנה בלחיצת כפתור, מה שחוסך אין סוף שעות פיתוח.

[מעבר שקף]

[calm] בואו נראה איך זה עובד בפועל, וניקח לדוגמה את קלוד דסקטופ שמשמש כ-Host. כדי להוסיף כלי חדש, כל מה שצריך לעשות זה להיכנס להגדרות, לבחור "הוסף שרת אם-סי-פי" ולהדביק את הכתובת של השרת. זה הכל. [calm, confident] מרגע החיבור, רכיב ה-Client שבתוך קלוד סורק את השרת באופן אוטומטי, מגלה את כל הכלים, המשאבים והפרומפטים שהוא מציע, ומציג אותם למודל. אין צורך בקונפיגורציה ידנית.

[מעבר שקף]

[calm] בתרגול הראשון שלנו, אנחנו לא נבנה שרת מאפס, אלא נשתמש בשרת קיים ופופולרי שמאפשר למודל לגשת למערכת הקבצים המקומית שלנו. המטרה כאן היא לא לכתוב קוד, אלא לחוות כמה פשוט לחבר כלי חיצוני עוצמתי ואיך זה מרגיש כשהבינה המלאכותית מקבלת "ידיים ועיניים" בעולם האמיתי. [calm] נראה איך בכמה פקודות בודדות, אנחנו נותנים למודל גישה מלאה לקבצים על המחשב שלנו.

[מעבר שקף]

[calm] השלב הראשון הוא פשוט. פותחים את הטרמינל או שורת הפקודה ומתקינים את השרת באמצעות מנהל החבילות של פייתון. הפקודה היא פיפ אינסטול, מקף, אם-סי-פי, מקף, פיילסיסטם, מקף, סרבר. לאחר ההתקנה, מריצים אותו עם הפקודה המתאימה. [calm, confident] באופן מיידי, נראה הודעה שהשרת התחיל לרוץ ומאזין על כתובת מקומית, בדרך כלל על פורט שמונת אלפים. השרת שלנו חי ומוכן לפעולה.

[מעבר שקף]

[calm] עכשיו לשלב השני והמרגש. אנחנו חוזרים לקלוד דסקטופ, מוסיפים את הכתובת המקומית של השרת שהרצנו, וזהו. עכשיו אפשר להתחיל לכתוב פרומפטים. למשל, "סכם לי את הנקודות המרכזיות מהמסמך שנקרא 'סיכום פגישה' שנמצא בתיקיית 'מסמכים' שלי". [calm, confident] המודל ימצא את השרת, ישתמש בכלי לקריאת קבצים, יקבל את התוכן ויסכם אותו. הבינה המלאכותית מחוברת עכשיו למחשב שלנו.

[מעבר שקף]

[calm] אז אם יש כל כך הרבה שרתים קהילתיים, למה שנרצה לבנות שרת משלנו? התשובה פשוטה: לכל ארגון יש מערכות פנימיות ייחודיות. [calm, confident] תחשבו על בנק ישראלי עם מערכת ליבה ותיקה, או על חברת הייטק עם כלי ניהול פרויקטים שפותח אין-האוס. לאף אחד מהם אין, ולא יהיה, שרת אם-סי-פי קהילתי. היכולת לבנות שרת כזה בעצמנו היא מה שמאפשר להכניס את כוחה של הבינה המלאכותית ללב הפעילות העסקית של כל ארגון.

[מעבר שקף]

[calm, confident] כדי להקל על בניית שרתים, נוצרה ספריית פייתון נהדרת בשם FastMCP. הספרייה הזו, שהגרסה היציבה שלה, שלוש פוינט אפס, יצאה בינואר אלפיים עשרים ושש, מפשטת את התהליך באופן קיצוני. כל מה שצריך לעשות זה לקחת פונקציית פייתון רגילה ולהוסיף לה שורה אחת מעליה – דקורייטור שנקרא "שטרודל אם-סי-פי נקודה טול". [calm] השורה הזו הופכת את הפונקציה באופן אוטומטי לכלי שהמודל יכול להבין ולהפעיל.

[מעבר שקף]

[calm, confident] בואו נסתכל על האנטומיה של שרת FastMCP בסיסי. מתחילים עם ייבוא: פרום פאסט-אם-סי-פי אימפורט פאסט-אם-סי-פי. יוצרים אובייקט: אם-סי-פי שווה פאסט-אם-סי-פי. ואז, מעל הפונקציה שלנו, כותבים את הדקורייטור. חשוב להגדיר חתימת פונקציה ברורה עם טייפ הינטס. [clear] והדבר החשוב ביותר: הדוקסטרינג, התיעוד של הפונקציה, הוא ה-API שלכם לבינה המלאכותית. כשאתם כותבים דוקסטרינג, אתם למעשה מתכנתים את ה-LLM.

[מעבר שקף]

[calm] בתרגול השני שלנו, ניקח את כל מה שלמדנו ונבנה מאפס שרת אם-סי-פי משלנו. הכלי שניצור יהיה פשוט אך שימושי מאוד בהקשר הישראלי: מחשבון מע"מ. הוא יקבל סכום לפני מע"מ, ויחשב את סכום המע"מ ואת הסכום הכולל. [calm, confident] נקרא לכלי שלנו "קאלקיולייט ואט אנד טוטאל". נגדיר מראש שהמע"מ בישראל עומד על שבעה עשר אחוז. המטרה היא לראות כמה מעט קוד נדרש כדי ליצור כלי שימושי.

[מעבר שקף]

[calm, confident] בקוד עצמו, נשתמש בספריית pydantic כדי להגדיר מבנה תשובה מסודר. ניצור קלאס בשם VatResult שיורש מ-BaseModel, ויהיו לו שני שדות: סכום המע"מ והסכום הכולל. הפונקציה שלנו תקבל סכום כקלט, תבצע את החישוב, ותחזיר אובייקט מסוג VatResult. [calm] השימוש ב-pydantic הוא קריטי, כי הוא מבטיח שהמודל תמיד יקבל תשובה מובנית וצפויה, מה שמאפשר לו לעבוד בצורה אמינה יותר.

[מעבר שקף]

[calm] כדי להריץ את השרת שבנינו, נצטרך להתקין את פאסט-אם-סי-פי עם התוספת של שרת: פיפ אינסטול "פאסט-אם-סי-פי בסוגריים מרובעים סרבר". לאחר מכן, נריץ אותו עם שרת יישומים כמו יוביקורן, עם הפקודה: יוביקורן ואט-סרבר נקודתיים אם-סי-פי עם דגל רילואד. [calm, confident] נחבר אותו לקלוד דסקטופ בדיוק כמו קודם, ונבדוק אותו עם שאלות בעברית כמו "כמה זה מאתיים שקל כולל מע"מ?" וגם באנגלית, כדי לראות את הגמישות.

[מעבר שקף]

[clear] חשוב להבין את ההבדל המהותי בין אם-סי-פי ל-API מסורתי. API מסורתי נבנה עבור מפתחים. הוא קשיח ודורש קריאות מדויקות. אם-סי-פי, לעומת זאת, נבנה עבור בינה מלאכותית. יש שלושה הבדלים מרכזיים: גילוי עצמי, כלומר המודל לומד לבד מה הכלי יודע לעשות. תיאור סמנטי, דרך הדוקסטרינג. וגמישות בקלט, בזכות עיבוד שפה טבעית. [calm] זה כמו ההבדל בין מפת נייר קשיחה לבין ג'י-פי-אס שמבין לאן אתה רוצה להגיע.

[מעבר שקף]

[calm] לאם-סי-פי יש השפעה אדירה על השוק הישראלי. ראשית, הוא מאיץ דרמטית את מהירות הפיתוח של אבות טיפוס מבוססי בינה מלאכותית. שנית, הוא יוצר סטנדרטיזציה של כישורים, מה שמקל על גיוס והכשרת עובדים. [calm, confident] בנוסף, הוא פותח דלת לקטגוריות מוצרים חדשות לחלוטין, כמו חנויות אפליקציות מבוססות אם-סי-פי, בדומה לאפ-אקסצ'יינג' של סיילספורס. זו גם הזדמנות אדירה לפרילנסרים ישראלים בפלטפורמות כמו פייבר להציע שירותי פיתוח שרתים.

[מעבר שקף]

[calm, confident] ומה צופן העתיד? מפת הדרכים של אם-סי-פי לשנת אלפיים עשרים ושש מרתקת. העבודה מתמקדת בשלושה תחומים עיקריים. הראשון הוא Stateless Operation, שיאפשר לשרתים לעבוד בסביבות ענן ולהתרחב אוטומטית לפי העומס. השני הוא Agent Communication, פרוטוקול שיאפשר לסוכני בינה מלאכותית לדבר אחד עם השני. [calm] והשלישי הוא יכולות Enterprise כמו הזדהות אחידה, ניהול הרשאות ורישום ביקורת. כנס אם-סי-פי האחרון בניו יורק כבר משך אלף ומאתיים משתתפים.

[מעבר שקף]

[clear] אז בואו נסכם את מה שלמדנו היום. דיברנו על אם-סי-פי כסטנדרט הפתוח לחיבור כלים למודלי שפה. הבנו את הארכיטקטורה של הוסט, קליינט וסרבר. למדנו על שלושת סוגי התוכן: כלים, משאבים ופרומפטים. וראינו איך בעזרת FastMCP בפייתון, אנחנו יכולים בקלות לבנות שרת משלנו. [warm] במודול שש נעבור מעולם הפיתוח לעולם העסקי. בשיעור הבא, שש נקודה אחת, נלמד איך להשתמש בבינה מלאכותית כדי לכתוב תוכן שיווקי שממיר. תודה רבה שהייתם איתי, ונתראה בשיעור הבא.