במאמר הזה
פעם בשבוע, קצר, בעברית: כלי שבדקתי, סוכן שבניתי, או טעות שעשיתי כדי שאתם לא תעשו אותה.
בקצרה: LangChain גייסה 300 מיליון דולר בשווי 3 מיליארד דולר, יותר מכפול מהשווי שלה לפני שנה. הכסף מיועד ל-LangSmith, הפלטפורמה שמריצה, משפרת ומפקחת על סוכנים. כלומר, השוק משלם היום על ניהול סוכנים, לא רק על בנייה שלהם. והלקח שהכי חשוב למי שבונה סוכן הגיע דווקא בפוסט שהם פרסמו יום אחרי: סוכן לומד ממשוב של בני אדם, ולכן צריך לתכנן אותו כך שיהיה קל לתת לו משוב.
אני בונה סוכנים כל יום, וכמעט בכל שיחה עם מישהו שמתחיל, השאלה הראשונה היא "איזה מודל הכי טוב?". זו שאלה לגיטימית, אבל היא כמעט אף פעם לא מה שקובע אם הסוכן יעבוד אחרי חודש.
אז כשראיתי שהחברה שמאחורי מסגרת הסוכנים הכי מוכרת גייסה 300 מיליון דולר, הלכתי לקרוא על מה בדיוק הכסף הולך. התשובה מעניינת יותר מהמספר.
מה קרה בגיוס של LangChain?
ב-13 בנובמבר LangChain הודיעה על סבב C של 300 מיליון דולר בשווי 3 מיליארד דולר. את הסבב הובילה CapitalG, שכבר השקיעה בחברה קודם. לפי TechCrunch, בסבב הקודם, לפני כשנה, החברה גייסה 125 מיליון דולר בשווי של כ-1.25 מיליארד. בשנה אחת השווי יותר מהוכפל.
לפי LangChain, יותר מ-7,000 ארגונים משתמשים היום ב-LangSmith, ובין הלקוחות שהיא מציינת יש את NVIDIA, Toyota ו-Salesforce. החברה גם מספרת שאצל Workday זמן הפריסה של סוכן ירד מחמישה חודשים ליום אחד. אלה נתונים שהחברה מפרסמת על עצמה, ובמקורות אין מספרי הכנסות.
מקוד פתוח לניהול סוכנים
הסיפור של החברה מלמד הרבה. LangChain התחילה ב-2022 כפרויקט קוד פתוח שעזר למודלים לעשות מה שהם עוד לא ידעו לבד: לחפש ברשת, לקרוא ל-API, לשלוף ממסד נתונים. עם הזמן, החברות שבונות את המודלים הכניסו את היכולות האלה פנימה. אז LangChain עברה לשלב הבא: לנהל את הסוכנים אחרי שהם נבנו.
על מה בדיוק משלמים 3 מיליארד?
לפי ההודעה הרשמית, הכסף הולך לשלושה חלקים של LangSmith:
- הרצה (Agent Runtime): הכלים לבנות סוכן, להריץ אותו בסביבה מאובטחת, או לקבל אותו כשירות מנוהל.
- שיפור (Agent Improvement): מעקב אחרי מה הסוכן עשה, בדיקות איכות, וסוכן בשם Engine שמוצא שגיאות, כותב תיקונים ובודק שדברים לא נשברו מחדש.
- בקרה (Agent Governance): שערים בין הסוכן לבין המודלים והכלים: תקציב לכל מודל, מודל חלופי כשמשהו נופל, הגנה על מידע, ומי רשאי להפעיל איזה כלי.
שימו לב מה אין ברשימה: מודל חכם יותר. כל שלושת החלקים עוסקים במה שקורה מסביב לסוכן. זה בדיוק המקום שבו רוב הפרויקטים נתקעים, ומי שבנה סוכן אמיתי יודע את זה.
המסר של החברה הוא ש"כל חברה צריכה להיות הבעלים של האינטליגנציה שלה": לבחור מודלים בעצמה, לשלוט בנתונים ובתשתית, ולשפר את הסוכנים כל הזמן. LangChain ממצבת את עצמה כפלטפורמה שלא קשורה למודל אחד או לענן אחד, מול החברות הגדולות שמציעות הכל אצלן. ב-20 בנובמבר מתוכנן אירוע עם יכולות חדשות.
כל שבוע אני לוקח בגיליון אירוע אחד כזה מעולם הסוכנים, ומסביר מה הוא אומר למי שעובד עם AI ביום-יום. הצטרפו לגיליון "אלעד עמרני AI".
מה זה Goal Engineering, ולמה זה מעניין אותי יותר מהגיוס?
יום אחרי ההודעה, LangChain פרסמה פוסט בשם Goal Engineering, יחד עם המייסדים של Actively AI, חברה שבונה סוכני מכירות. הטענה שלהם פשוטה: סוכנים עוברים מכתיבת טקסט וקריאה לכלים למטרות פתוחות, שהם רודפים אחריהן עד שהן מושלמות. ומה שקובע אם זה יעבוד הוא איך מגדירים את המטרה ואת הגבולות שלה. סוכן עם מטרה לא ברורה פשוט שורף טוקנים.
מה חסר לסוכן?
לפי הפוסט, סוכנים נכשלים בעיקר כי חסר להם הקשר. חלק מההקשר קל לתת: מסמכים, גישה למערכת. החלק הקשה הוא הידע שיש למומחה בראש ואף פעם לא נכתב. איך נשמע הטון הנכון של המותג, מה נחשב פנייה טובה ללקוח. את הידע הזה אי אפשר להדביק לפרומפט. הוא מגיע רק דרך משוב: אדם רואה מה הסוכן עשה, ואומר לו מה טוב ומה לא.
פה נפל לי האסימון. אם המשוב הוא מה שמלמד את הסוכן, אז השאלה החשובה היא לא איזה מודל לבחור, אלא כמה קל לבן אדם לסקור את מה שהסוכן עשה.
מסוכן לכל לקוח לסוכן לכל משימה
הדוגמה בפוסט ממחישה את זה יפה. בגרסה הראשונה של Actively AI היה סוכן נפרד לכל חשבון לקוח, שהציע פעולות ונציג אישר. נשמע הגיוני, אבל בפועל הנציגים קפצו בין הרבה סוכנים שונים, ומה שסוכן אחד למד לא עבר לאחרים.
בגרסה השנייה הם הפכו את המבנה: סוכן אחד לכל סוג משימה, שעובד על פני הרבה חשבונות. הם קראו לזה Motions. עכשיו נציג סוקר הרבה משימות דומות ברצף, וכל הערה שלו משפרת את כל המשימות מאותו סוג. את המידע העובדתי על כל לקוח עדיין אוספים סוכני רקע, כי הוא כתוב ואפשר פשוט לשלוף אותו.
הכותבים מסיימים בתחזית: הנדסת פרומפטים והנדסת הקשר יתעמעמו עם הזמן, והנדסת מטרות תישאר. זו דעה שלהם, אבל אני חושב שהכיוון נכון.
מה אני הייתי עושה
אם אתם בונים סוכן, לעצמכם או לצוות, לפני שאתם מתלבטים על מודל, תשאלו שאלה אחת: מי הולך להסתכל על מה שהסוכן עשה, וכמה זמן זה ייקח לו?
צעד ראשון: קחו את הסוכן שלכם, ותגדירו לו משימה אחת צרה במקום "תעזור לי עם הכל". תריצו אותו על עשרה מקרים דומים, ותעברו על התוצאות בבת אחת. ההערות שתכתבו שם הן החומר הכי יקר שיש לכם. זה לא דורש פלטפורמה של 3 מיליארד, רק משמעת.
והמגמה הרחבה ברורה: סוכנים עוברים מהדגמות לתשתית בארגונים. מי שילמד עכשיו לנהל אותם, ולא רק לבנות אותם, יהיה הרבה לפני כולם. במובן הזה, כל עובד הופך בהדרגה למנהל של סוכנים.
שאלות נפוצות
מה זה LangChain?
LangChain התחילה ב-2022 כפרויקט קוד פתוח שעזר למודלים לעשות דברים שהם התקשו בהם, כמו חיפוש ברשת וקריאה למערכות אחרות. היום החברה מתמקדת בפלטפורמה לניהול סוכנים, LangSmith.
מה זה LangSmith?
הפלטפורמה של LangChain להרצה, שיפור ובקרה של סוכנים. לפי LangChain, יותר מ-7,000 ארגונים משתמשים בה.
מה זה Goal Engineering?
הדרך שבה מגדירים לסוכן מטרה ומצמצמים את התחום שלו, כך שבני אדם יוכלו לסקור את מה שהוא עושה ולתת לו משוב. לפי LangChain, זה מה שיישאר חשוב גם כשהנדסת פרומפטים תתעמעם.
זה רלוונטי גם למי שבונה סוכן קטן?
כן. העיקרון של משימה אחת מוגדרת, ומשוב שמתקבל על הרבה מקרים דומים יחד, עובד גם על סוכן אחד שאתם בונים לעצמכם.
מתלבטים אם לבנות סוכן אחד או כמה סוכנים קטנים? כתבתי על זה כאן.
רוצים לקבל כל שבוע את מה שחשוב בעולם הסוכנים, עם מה שאפשר לעשות איתו כבר מחר? הצטרפו לגיליון "אלעד עמרני AI". ואם אתם רוצים לדבר על סדנה לצוות או על פיתוח סוכני AI, דברו איתנו.
מקורות: הודעת הגיוס של LangChain (13.11.2026), Goal Engineering (14.11.2026), TechCrunch (13.11.2026).


