איך הבינה המלאכותית שינתה את פיתוח התוכנה לתמיד — בניית העתיד הסוכני עם אנדרה בלטיירי [MVP]

הבינה המלאכותית משנה את פיתוח התוכנה במהירות שלא ראינו לפניה.מפתחים כבר עברו מכתיבת כל שורת קוד בעצמם לעבודה עם עוזרי AI שיכולים ליצור קוד, להסביר מערכות לא מוכרות, ליצור בדיקות, לאתר באגים ולאוטומציה של עבודה חוזרת.אך לפי אנדרה בלטיירי, MVP של מיקרוסופט, זו רק ההתחלה.בפרק זה של M365.FM, מירקו פיטרס יושב עם אנדרה לצלילה עמוקה במעבר מפיתוח תוכנה מסורתי לפיתוח בסיוע AI, סוכני קוד, ארכיטקטורות סוכניות, Microsoft Agent Framework, .NET, RAG, הנדסת הקשר (context engineering), אבטחה והכלכלה של בינה מלאכותית generative.

מ-.NET ב-2003 לעידן ה-AI
אנדרה לוקח אותנו לימים הראשונים של .NET ו-C#, כשללמוד טכנולוגיה חדשה של מיקרוסופט פירושו לעיתים קרובות לרכוש הדרכה רשמית ולנסוע לעיר אחרת.מאז, פיתוח התוכנה עבר דרך שולחן עבודה, ווב, מובייל, ענן, קונטיינרים, מיקרו-שירותים ומחשוב serverless.אנדרה טוען שהמעבר ל-AI מרגיש שונה באופן יסודי. במקום פשוט להציג פלטפורמה או פריימוורק נוספים, ה-AI מציג דרך חדשה לבני אדם לתקשר עם תוכנה.

עוזרי AI מול סוכני קוד AI
יש הבדל חשוב בין שימוש בעוזר AI בתוך ה-IDE לבין האצלת עבודה לסוכן.עוזר יכול להסביר קוד, להציע refactoring, לענות על שאלות ולעזור למפתחים להבין את היישומים שלהם.סוכן יכול לקבל מטרה, ליצור תוכנית, לחלק את העבודה למשימות קטנות יותר, להשתמש בכלים, לתאם סוכנים נוספים וליישם חלקים משמעותיים מהפתרון.אנדרה מסביר כיצד זה כבר משנה את תהליך העבודה שלו, כאשר ה-AI מייצר כעת חלק גדול מהקוד שבעבר היה כותב ידנית.

פיתוח תוכנה מונחה מפרט (Spec-Driven)
ככל שהסוכנים נעשים מסוגלים יותר, המפרטים הופכים חשובים יותר.במקום לתאר כל פרט מימושי, מפתחים יכולים להגדיר דרישות, ארכיטקטורה, אילוצים והתנהגות צפויה, ולאפשר לסוכנים לקבוע כיצד יש להשלים חלקים מהמימוש.זה מעביר את תשומת לבו של המפתח מהפקת קוד בלבד להגדרה של מה צריך לבנות ומדוע.

Microsoft Agent Framework
השיחה עוברת ל-Microsoft Agent Framework ולתפקידו בהכנסת יכולות AI ליישומים קיימים.אנדרה מסביר כיצד הפריימוורק מאחד יכולות המשויכות ל-Semantic Kernel ול-AutoGen, ומספק למפתחים כלים לחיבור מודלים, תזמור תהליכי עבודה, שימוש ב-MCP, מימוש RAG, טיפול בקליטת נתונים וחשיפת פונקציונליות של היישום ל-AI.עבור מפתחי .NET בפרט, זה יכול לצמצם משמעותית את כמות קוד האינטגרציה הנדרש.

מדוע .NET עדיין חשוב בעידן ה-AI
Python נותרה אחת השפות הדומיננטיות בפיתוח AI, אך אנדרה טוען בתוקף ש-.NET ו-C# ממוקמות היטב ליישומי AI ארגוניים..NET ממשיך להתפתח במהירות, וכלי ה-AI של מיקרוסופט מעניקים יותר ויותר למפתחי C# גישה מקורית ליכולות AI מודרניות.לארגונים עם שנים של לוגיקה עסקית שכבר מיושמת ב-.NET עשויה לכן להיות יתרון משמעותי: אין בהכרח צורך לבנות הכול מחדש לפני הכנסת AI.במקום זאת, פונקציונליות קיימת יכולה להיחשף באופן סלקטיבי לסוכנים וליישומים מבוססי AI.

ממערכות דטרמיניסטיות למערכות סוכניות
יישומים מסורתיים הם בעיקרם דטרמיניסטיים:אם X קורה, בצע Y.מערכות סוכניות מציגות מודל אחר:הנה המטרה. קבע אילו פעולות נדרשות כדי להשיגה.זה מייצג שינוי ארכיטקטוני משמעותי.במקום להגדיר במפורש כל מסלול אפשרי, מפתחים מגדירים יותר ויותר מטרות, כלים, הקשר, הרשאות, אילוצים וגבולות שבתוכם ה-AI יכול לפעול.

דפוסי תכנון אינם מתים
קוד שנוצר על ידי AI אינו מבטל עשרות שנים של ידע בהנדסת תוכנה.Clean code, תחזוקתיות, בדיקות, ארכיטקטורה ודפוסי תכנון נותרים חשובים, מפני ש-AI לומד לעיתים קרובות כיצד לממש פונקציונליות חדשה על ידי בחינת בסיס הקוד הקיים.קוד מבולגן עלול לכן להוביל לעוד קוד מבולגן.מפתחים עדיין צריכים להבין ארכיטקטורה ועקרונות הנדסיים גם כאשר סוכן AI מבצע חלק גדול מהמימוש.

בעיית התוכנה הסטוכסטית
מפתחים מסורתיים מצפים שקלטים זהים יניבו פלטים זהים.בינה מלאכותית generative היא הסתברותית.אותה בקשה יכולה להניב מימושים, תשובות או התנהגויות שונות בין הרצות שונות.אנדרה דן במדוע זה מחייב מפתחים לחשוב מחדש על בדיקות ואימות, ומדוע מעקות בטיחות חזקים הופכים חשובים יותר ככל שפונקציונליות AI נחשפת למספרים גדולים של משתמשים.

הנדסת הקשר חשובה יותר מ-Prompting
בחירת המודל החדש ביותר אינה בהכרח ההחלטה החשובה ביותר.אנדרה טוען שהקשר הוא הכול.מפתחים צריכים להבין הן את הבעיה העסקית והן את הסביבה הטכנית מספיק טוב כדי לספק ל-AI את המידע הנכון.הקשר דל מוביל לתוצאות חלשות.הקשר מוגזם עלול להכביד על המודל.האתגר הוא למצוא את המידע שבאמת חשוב.

RAG, נתונים וחלון ההקשר
Retrieval-Augmented Generation הופך לחשוב במיוחד כאשר ארגונים רוצים שמערכות AI יעבדו עם הידע שלהם.אך בניית מערכת RAG אינה רק הכנסת מסמכים למסד נתונים וקטורי.יש לנקות את הנתונים, לארגן אותם, לחלק אותם לקטעים (chunking), לאחזר אותם ולהכניס אותם להקשר של המודל בצורה חכמה.אנדרה משתף דוגמה מפלטפורמת החינוך שלו, שבה שיעורי וידאו תומללו ונוסחו באינדקס כדי שמשתמשים יוכלו לחפש מושגים ולקפוץ ישירות לנקודה הרלוונטית בסרטון.

זיכרון וניהול הקשר של AI
שיחות AI ארוכות יוצרות אתגר נוסף: זיכרון.ככל שחלון ההקשר מתמלא, יש לסכם או לדחוס את השיחות.אנדרה מסביר מדוע מפתחים צריכים לנהל תהליך זה באופן אקטיבי, במקום להניח שמערכת AI תשמור תמיד על המידע החשוב ביותר.לפעמים הפתרון הטוב ביותר פשוט להפתיע: לסיים את המשימה, לסגור את השיחה ולהתחיל מחדש עם הקשר נקי.מפרטים וקובצי Markdown יכולים גם לספק הקשר פרויקט מתמשך לסוכני קוד.

אבטחה, הרשאות ועיקרון הפריבילגיה המינימלית
מתן גישה לסוכן AI לכלים ולנתוני החברה יוצר השלכות אבטחה משמעותיות.אנדרה ממליץ לטפל בסוכנים לפי עקרונות דומים לזהויות אנושיות: לסגור הכול כברירת מחדל ולחשוף רק את מה שהסוכן באמת צריך.במקום לתת למערכת AI גישה בלתי מוגבלת למסד נתונים, מפתחים צריכים לחשוף פונקציות מבוקרות בקפידה שמחזירות רק את המידע הנדרש למשימה מסוימת.זה חשוב במיוחד כאשר סוכנים יכולים לקרוא או לשנות נתונים ארגוניים.

Prompt Injection ומעקות בטיחות ל-AI
Prompt injection יוצר משטח התקפה חדש ליישומים מבוססי AI.משתמשים יכולים לתמרן במכוון prompts, לנסות לאחזר מידע מחוץ להקשר המיועד, לצרוך משאבי חברה, או לשכנע מערכת AI לבצע פעולות שמעצביה לא צפו.הדיון בוחן את החשיבות של הוראות מערכת, הגבלות ברמת היישום, פונקציות מבוקרות, זהות והרשאות, ופלטפורמות כמו Azure AI Foundry להקמת גבולות אבטחה נוספים.

AI FinOps — אל תשתמשו ב-Generative AI לכל דבר
אחד הלקחים המעשיים ביותר מהשיחה הוא שעצם העובדה שבינה מלאכותית יכולה לבצע משימה אינה אומרת שהיא צריכה לבצע אותה.אנדרה מבחין בין עומסי עבודה generative לדטרמיניסטיים.אם משהו חייב לקרות באותו אופן בכל פעם, תכנות מסורתי עשוי להיות מהיר יותר, זול יותר ואמין יותר.הוא נותן כדוגמה את