תסריט מוכר: החלטתם לבנות משהו עם AI, ורוצים שהמודל יכיר את העסק שלכם, את המוצרים, את הנהלים, את הטון. אתם שואלים איך, ומקבלים ערבוביה של ראשי תיבות. אחד אומר RAG, השני fine-tuning, השלישי MCP, ומישהו מזכיר סקילים. כולם נשמעים בטוחים, ואתם נשארים מבולבלים.
הסיבה לבלבול היא שאלה ארבעה כלים שונים, לארבע בעיות שונות, ואנשים מדברים עליהם כאילו הם מתחרים. הם לא. הנה המפה, בשפה פשוטה, עם הכלל המעשי מתי כל אחד נכון.
RAG: לתת למודל עובדות
RAG, אחזור מידע, פותר בעיה אחת: המודל לא מכיר את הנתונים שלך. הרעיון פשוט. בזמן שהמשתמש שואל, המערכת מחפשת את המסמכים המתאימים (מדיניות, קטלוג, מסמך פנימי) ומצרפת אותם לשאלה. המודל עונה על סמך מה שקיבל, ויכול לצטט מקור.
מתי RAG הוא הכלי הנכון: כשיש לך גוף ידע עובדתי, גדול, שמשתנה, ושצריך לצטט. מחירים, מסמכים, נהלים, בסיס תמיכה. היתרון הגדול הוא שמעדכנים את הידע בלי לאמן שום דבר, פשוט מוסיפים מסמך. מה RAG לא עושה: הוא לא מלמד את המודל התנהגות או תהליך. הוא נותן עובדות, לא שיטה.
Fine-tuning: לכייל את המודל עצמו
fine-tuning, כיוונון, הוא הכלי היחיד מהארבעה שמשנה את המודל עצמו. מאמנים אותו על דוגמאות רבות עד שהוא מפנים סגנון או פורמט מסוים. אחרי אימון כזה, המודל ״יודע״ להוציא פלט בצורה מסוימת בלי שתסביר לו בכל פעם.
מתי זה נכון: כשצריך סגנון או פורמט צר וקבוע, שחוזר בעקביות בנפח גדול, וכשהעקביות הזו שווה את המחיר. כי fine-tuning יקר, איטי לעדכון, ודורש תשתית ותפעול. מה הוא לא טוב בשבילו: עובדות שמשתנות (עדיף RAG), ושקיפות (קשה לדעת למה המודל ענה כמו שענה). לרוב העסקים, במיוחד קטנים, זה הכלי שמושכים אליו מוקדם מדי.
סקילים: ללמד את המודל איך
סקיל אורז ידע פרוצדורלי: איך מבצעים משימה. לא עובדה בודדת, אלא שיטה. ״איך מבקרים תוכן לפני פרסום״, ״איך מנהלים קמפיין ממומן״, ״איך בודקים חוזה״. הסקיל נטען לפי דרישה, ומשותף בין סוכנים רבים במקום להיכתב מחדש בכל אחד.
מתי סקיל הוא הכלי הנכון: כשצריך ללמד התנהגות, שיפוט או תהליך שחוזר. הוא זול (נטען לפי הצורך), שקוף (אפשר לקרוא ולערוך אותו כמו מסמך), וקל לשתף. אם RAG עונה על ״מה״, סקיל עונה על ״איך״. הכוח האמיתי מגיע בשילוב: הסקיל מלמד את המודל איך לחשוב על המשימה, וה-RAG מזין לו את העובדות לבצע אותה.
MCP: לחבר את המודל לעולם
MCP, Model Context Protocol, הוא לא ידע בכלל, הוא חיבור. תקן שמחבר את המודל לכלים ולמקורות נתונים חיים: מסד נתונים, API, מערכת פנימית. הוא נותן למודל יכולת לפעול ולגשת בזמן אמת, לא לדעת מראש.
הקשר לסקילים הוא של השלמה, לא תחרות. MCP הוא הצנרת, הכלי שדרכו המודל נוגע במערכת. הסקיל הוא הידע איך להשתמש בצנרת נכון. סקיל טוב יכול אפילו להתייחס לכלי MCP ספציפי ולהסביר מתי ואיך לקרוא לו. חושבים עליהם כשכבות: MCP מחבר, סקיל מנחה.
המפה, בשורה אחת כל אחד
- צריך עובדות עדכניות מהנתונים שלך, שאפשר לצטט? RAG.
- צריך ללמד תהליך, שיפוט או התנהגות שחוזרת? סקיל.
- צריך להתחבר למערכת חיה, API או מסד נתונים? MCP.
- צריך סגנון או פורמט צר וקבוע בנפח עצום, ומוכן לשלם? fine-tuning.
זו לא שאלה של מי מנצח, אלא של איזה כלי לאיזו בעיה. מערכת AI רצינית כמעט תמיד משלבת כמה מהם: סקיל שמלמד איך לחשוב, RAG שמספק את העובדות, ו-MCP שמחבר למערכות.
איך זה עובד ב-HELIX
המוצרים של HELIX בנויים כצוותי סוכנים, והם משלבים את הכלים האלה במקום לבחור אחד. כל סוכן טוען את השיטה שלו מספריית סקילים משותפת (איך לחשוב על המשימה), שולף עובדות עדכניות דרך אחזור מהנתונים של הלקוח, ומתחבר למערכות דרך פרוטוקול סטנדרטי. כך הידע הפרוצדורלי חי במקום אחד ומשותף לכולם, העובדות תמיד עדכניות, והחיבורים חיים. אין פה כלי אחד שמנצח. יש ארכיטקטורה שמשלבת נכון.
השורה התחתונה: אל תשאל ״RAG או fine-tuning או סקיל״, שאל ״איזו בעיה אני פותר״. עובדה שמשתנה, RAG. תהליך שחוזר, סקיל. חיבור למערכת, MCP. סגנון צר בנפח, fine-tuning. ברגע שרואים את זה כארבעה כלים לארבע בעיות, הבלבול נעלם, וההחלטה הופכת פשוטה.