המדריך המקיף להנדסת פרומפטים – מהבסיס ועד לטכניקות מתקדמות [חלק ב׳]

הנדסת פרומפטים היא לא קסם ולא טריק – זו אמנות של תרגום הכוונה האנושית לשפה שהבינה המלאכותית יכולה להבין. המטרה האמיתית היא לא להערים על המודל, אלא להנחות אותו בצורה מדויקת אל התוצאה שאתם רוצים באמת לקבל. בחלק הראשון של המדריך למדתם את הבסיס: לנסח בקשות ברורות, להוסיף הקשר חכם, להגדיר פורמט ברור לפלט, להשתמש בדוגמאות חכמות, להציב מגבלות ולהקצות תפקידים שממקדים את סגנון התגובה. עכשיו, בחלק השני, נעלה שלב – נצלול אל טכניקות מתקדמות שפותחות את מלוא היכולות של מודלים גדולים: חשיבה שלב אחרי שלב, בניית רצפים חכמים של פרומפטים, והתמודדות מושכלת עם משימות מורכבות ומאתגרות. המסלול להצלחה עובר בהתנסות בפועל, התאמה מתמדת של הפרומפטים ובחינה ביקורתית של התוצרים – אלו הכלים שיהפכו אתכם ממשתמשים סקרנים למהנדסי פרומפטים מקצועיים שיודעים להנחות את הבינה המלאכותית ולהפיק תוצאות מדויקות.

 

 

צידה לדרך

אחרי שלמדתם ותרגלתם את שבעת כללי הזהב הבסיסיים בחלק הראשון של המדריך, הגיע הזמן להיכנס לרובד הבא – טכניקות מתקדמות שמיועדות להתמודד עם משימות מורכבות יותר. אבל רגע לפני שנצלול לעומק, הנה תזכורת קצרה (בתמונה המצורפת) ואחריה גם כמה טיפים קצרים שכדאי מאוד להחזיק בראש:

 

האינפוט הוא המלך

מה שתכניסו – זה מה שתקבלו. אם הפרומפט מעורפל או לא מקצועי, אל תתפלאו אם גם הפלט יהיה בינוני או מאכזב. הקפידו לבנות בקשות מדויקות, מאורגנות וברורות.

זכרו את הכלל הפשוט: Garbage in – Garbage out.

נהלו דיאלוג מתמשך לשיפור התוצאות

אל תתייחסו למודל כמו מכונה שמחזירים לה פקודה ומקבלים תשובה סופית. תתייחסו אליו כמו לשותף לשיחה. קיבלתם טיוטה? זה הזמן לדייק:

 

"תכתוב את זה בטון ידידותי יותר"

"תוסיף פסקה שמדגישה את היתרונות הכלכליים"

 

שיחה פתוחה ומתמשכת עוזרת להגיע לתוצאה הרבה יותר חדה, מדויקת ורלוונטית.

תנו פידבק איכותי גם למפתחים – זה באמת משפיע

מאחורי הקלעים, מודלים כמו ChatGPT ו‑Claude משתפרים בעזרת תהליך שנקרא RLHF – למידה מחיזוקים מבוססי משוב אנושי. כאשר אתם מדרגים תשובות (👍/👎) או שולחים הערות מפורטות, אתם עוזרים למפתחים להבין מה עבד טוב ומה דרוש שיפור. מעבר לכך, הרגל של מתן משוב גם יחדד אצלכם את המחשבה: “האם התוצאה שקיבלתי באמת עונה על מה שביקשתי?”. כך אתם לא רק משתפרים בעצמכם – אלא גם תורמים לבנייה של דור חדש של בינה מלאכותית: חכמה יותר, מדויקת יותר, ואתית יותר.

תנו למודל לעזור לכם לבנות פרומפטים טובים יותר

לפעמים אין סיבה לשבור את הראש לבד. תנו למודל לעבוד בשבילכם כ״מאמן אישי״. פשוט בקשו מהמודל:

 

"במקום שאנחש מה לכתוב, תשאל אותי כמה שאלות קצרות כדי לדייק את הבקשה שלי -
 ואז תבנה לי את הפרומפט המושלם"

שיטה כזו תחסוך זמן ותעזור לחדד את המטרה בצורה טבעית וממוקדת.

 

עם הטיפים האלה בארגז הכלים שלכם, אתם מוכנים באמת לצלול לטכניקות המתקדמות שיקפיצו את העבודה שלכם עם בינה מלאכותית לרמה הבאה. קדימה, מתחילים!

 

טמפרטורה (Temperature)

כשעובדים עם מודלים של בינה מלאכותית, יש מספר פרמטרים שאפשר לכוון כדי להשפיע על אופי התשובה שהמודל מחזיר. בין האפשרויות האלה תמצאו גם הגדרות כמו Top‑P, Top‑K ועוד – אבל רוב הפרמטרים האלו מוגדרים “מאחורי הקלעים” על ידי מפתחים, במיוחד כשעובדים דרך API.

במדריך הזה, כדי לא להעמיס, נתמקד רק בכיוון אחד מרכזי וחשוב שגם ”המשתמש הפשוט” צריך להכיר והוא טמפרטורה. 

 

הגדרת טמפרטורה לא נעשית בתוך הפרומפט עצמו, אלא דרך הממשק שבו אתם משתמשים – לרוב באמצעות סליידר פשוט או שדה הגדרות. ברוב המקרים לא תצטרכו להגדיר טמפרטורה ידנית – המערכות בוחרות ערך כברירת מחדל. רק אם תעבדו בממשקים מקצועיים יותר, כמו Google AI Studio או כלי פיתוח אחרים, תינתן לכם שליטה ישירה על ערך הטמפרטורה. המטרה כאן היא שתכירו ותבינו את העיקרון.

 

אז מהי טמפרטורה?

הטמפרטורה קובעת כמה “בטוחה” מול “יצירתית” תהיה התשובה של המודל:

• טמפרטורה נמוכה (0-0.3) ← תשובות מאוד צפויות, מדויקות ועקביות.

• טמפרטורה גבוהה (0.7-1) ← תשובות מגוונות יותר, יצירתיות ולעיתים מפתיעות או לא צפויות.

חשוב לזכור: טמפרטורה לא קובעת את איכות המידע, אלא את רמת הגיוון והרנדומליות שבתשובה.

תרחיש:

אתם מנהלים סיעור מוחות על סלוגנים לקמפיין חדש לבקבוק מים אקולוגי.

עם טמפרטורה 0.2, הבקשה:

 

"תן 5 רעיונות לסלוגנים"

 

תקבלו תשובות מאוד בסיסיות ושבלוניות, כמו:

 

"מים ירוקים, חיים ירוקים" או "בחירה חכמה לסביבה בריאה"

 

עם טמפרטורה 0.8, אותה בקשה – תקבלו רעיונות מגוונים, מפתיעים ולעיתים לא שגרתיים, למשל:

 

"בכל שלוק - מצילים יער", או "תן למים לדבר בשפת הטבע"

למה זה עובד?

שליטה בטמפרטורה מאפשרת להתאים את סגנון ואופי התגובה של המודל למשימה הספציפית שלכם. כאשר נדרש דיוק גבוה, כמו במענה לשאלות מדויקות, או סיכום מסמך מקצועי, בחירה בטמפרטורה נמוכה תבטיח תשובות צפויות וברורות. לעומת זאת, כאשר רוצים לעודד יצירתיות, לחשוב מחוץ לקופסה או להפיק רעיונות שיווקיים חדשים, טמפרטורה גבוהה יותר תפתח מגוון רחב יותר של אפשרויות. הבנה נכונה של טמפרטורה נותנת לכם שליטה אמיתית – ומאפשרת להפיק מהמודל בדיוק את סוג התוצאה שאתם צריכים, מבלי להמר על מה שתקבלו.

 

 

שרשרת מחשבה (Chain of Thought Prompting)

כאשר שואלים את המודל שאלה מורכבת – כמו בעיה מתמטית, ניתוח לוגי או תכנון תהליך – לעיתים תשובה קצרה וישירה מפספסת שלבים חשובים בדרך לפתרון. כאן נכנסת לתמונה טכניקת שרשרת המחשבה (Chain of Thought Prompting). באמצעות טכניקה זו, אתם מבקשים מהבינה המלאכותית לא רק לספק תשובה סופית, אלא לפרק את הבעיה שלב אחרי שלב: לחשוב בקול רם, להסביר כל שלב, ולבנות את ההיגיון שמוביל לפתרון.

 

איך עושים את זה בפועל? פשוט מוסיפים לפרומפט משפט שמזמין חשיבה מתגלגלת, למשל:

 

"בוא נחשוב שלב אחר שלב"

"פתור את הבעיה בצורה לוגית"

"הסבר את תהליך החשיבה שלך"

"ראשית, זהה את המשתנים. לאחר מכן, חשב את התוצאה"

תרחיש ראשון – חישוב עסקי פשוט:

 

לקוח רכש מוצר ב‑40 ₪.

הוא קיבל הנחת 15 %, ולאחר מכן חויב במע"מ של 17 %.

מהו הסכום הסופי לתשלום?

בוא נחשוב שלב אחר שלב

המודל יגיב עם תשובה ״מפורקת לשלבים״ ולא רק תשובה סופית:

חישוב הסכום לאחר ההנחה: 40 ₪ × 0.85 = 34 ₪

חישוב הסכום לאחר הוספת מע"מ: 34 ₪ × 1.17 = 39.78 ₪

סכום סופי לתשלום: 39.78 ₪

 

הסבר: במקרה כזה, ייתכן שהמודל היה מצליח להגיע לפתרון נכון גם בלי לפרק שלבים – כי מדובר בתרגול מתמטי פשוט יחסית. ובכל זאת, פירוק לשלבים מאפשר לכם לבדוק בקלות שהחישוב בוצע נכון, לזהות טעויות אם ישנן, ולהבין את התהליך המלא מאחורי המספר הסופי.

 

תרחיש שני – בעיה מורכבת יותר:

 

אני מנהל חברת הפקות.

לקוח מבקש הצעת מחיר לאירוע שכוללת חישוב מורכב:

שכירת אולם ב‑12,000 ₪ כולל מע"מ.

קייטרינג: 250 ₪ לאדם × 100 אורחים (לפני מע"מ).

תוספת של 7 % דמי שירות מהסכום הכולל.

מהו הסכום הסופי שהלקוח יצטרך לשלם?

בוא נחשוב שלב אחר שלב

חישוב עלות הקייטרינג: 250 ₪ × 100 = 25,000 ₪

הוספת מע"מ לקייטרינג: 25,000 ₪ × 1.17 = 29,250 ₪

עלות האולם: 12,000 ₪ (כבר כולל מע"מ)

סך הכל לפני דמי שירות: 12,000 ₪ + 29,250 ₪ = 41,250 ₪

חישוב דמי שירות: 41,250 ₪ × 0.07 = 2,887.5 ₪

סכום סופי לתשלום: 41,250 ₪ + 2,887.5 ₪ = 44,137.5 ₪

 

הסבר: בבעיה כזו, שרשרת מחשבה היא קריטית – בלי לפרק כל שלב בנפרד, קל מאוד להתבלבל בין חישובים לפני ואחרי מע”מ, לשכוח את דמי השירות, או להכניס אותם בסדר הלא נכון.

למה זה עובד?

כשמבקשים מהמודל “לחשוב שלב אחר שלב”, מתרחשת עצירה מכוונת שמונעת ממנו לקפוץ מיד למסקנה סופית. במקום תשובה חפוזה, המודל מפרק את הבעיה ומציג את כל השלבים בדרך לפתרון. הפירוק הזה מפחית טעויות לוגיות וחישוביות, מאפשר להבין ולבקר את תהליך קבלת ההחלטות, ומייצר גמישות – כך שאם משתנה נתון אחד, קל לעדכן רק את החלק הרלוונטי בלי להתחיל הכל מחדש. מעבר לכך, עצם הצגת שלבי החשיבה עוזרת למשתמש ללמוד, להבין את מבנה הפתרון ולהפוך מתהליך פסיבי של קבלת תשובה לפעולה אקטיבית של שליטה וביקורת. בסופו של דבר, שרשרת מחשבה הופכת את המודל מ”מכונה שמחזירה תוצאה” ל”יועץ שחושב בקול רם” – מה שמאפשר לכם לא רק לקבל תשובות מדויקות יותר, אלא גם לפתח שליטה וביטחון אמיתי בתהליך עצמו.

 

שרשור פרומפטים (Prompt Chaining)

כשמתמודדים עם משימות מורכבות במיוחד כמו מחקר, כתיבת דו”ח או פיתוח תהליך מורכב, לפעמים פרומפט אחד פשוט לא מספיק. במקום לנסות לדרוש הכל בבת אחת, עדיף לפרק את העבודה לצעדים קטנים וברורים, שכל אחד מהם מתמקד בחלק אחד של התהליך. הטכניקה הזו נקראת Prompt Chaining – שרשור פרומפטים. בפועל, כל פרומפט מפיק תוצאה שמזינה את הפרומפט הבא אחריו, וכך בונים תהליך הדרגתי, מסודר ומדויק.

 

תרחיש – מחקר כתיבה מדורג:

נניח שאתם רוצים לכתוב מאמר נגיש על ההיסטוריה של האינטרנט. במקום לבקש מהמודל “כתוב לי מאמר על ההיסטוריה של האינטרנט” ולהסתכן בתשובה מעורפלת או שטחית, תבנו תהליך בשלבים:

 

פרומפט 1 – שלב איסוף מידע:

 

"מצא ורשום 5 עובדות מפתח על ההתפתחות המוקדמת של האינטרנט"

פלט: רשימה של עובדות בסיסיות ומדויקות.

 

פרומפט 2 – שלב עיבוד המידע:

 

"באמצעות העובדות המסופקות להלן, כתוב פסקה קצרה (כ-80 מילים) 
 המסכמת את שלבי ההתפתחות המוקדמים של האינטרנט"

[כאן מדביקים את העובדות מפלט פרומפט 1]

פלט: פסקת סיכום קוהרנטית וממוקדת.

 

פרומפט 3 – שלב הרחבה ושדרוג:

 

"הרחב את הפסקה שלהלן למאמר באורך 500 מילים, 
 המתאים לקהל הרחב וכולל דוגמאות מפורסמות (למשל ARPANET או Tim Berners-Lee)"

[כאן מדביקים את הפסקה מפלט פרומפט 2]

פלט: מאמר מלא, זורם ומעניין לקריאה.

 

למה זה עובד?

במקום להעמיס על המודל דרישה לבצע “הכול מהכול” בפרומפט אחד, טכניקת שרשור פרומפטים מחלקת את המשימה לצעדים קטנים ומדויקים שקל לבצע נכון. כל שלב בתהליך מאפשר לעצור, לבדוק, לשפר ולהתאים לפני שממשיכים הלאה, מה שמבטיח איכות גבוהה יותר לאורך כל הדרך.

בנוסף, מבנה מדורג כזה יוצר תהליך ברור, קריא ומסודר, שבו כל פלט הופך לאבן בניין לקראת התוצר המוגמר. השליטה נותרת בידיים שלכם – בכל שלב אפשר לעדכן כיוון או לחדד דרישות בלי לפרק את כל המגדל מהיסוד. כך, Prompt Chaining מאפשר להתמודד עם משימות מורכבות בצורה חכמה, מסודרת ובשליטה מלאה – כמו בניית מגדל קומה אחר קומה, במקום לנסות להקים את כולו בפעם אחת.

 

ביקורת עצמית (Self-Critique)

בדרך כלל, כשאנחנו מבקשים מהמודל להפיק תוצאה, הוא פשוט נותן את התשובה הכי סבירה שנראית לו מתאימה. הרי מודל שפה לא באמת “חושב” – הוא פשוט מנבא את המילה הבאה שנראית לו הכי סבירה לפי מה שלמד. אבל בעזרת טכניקה שנקראת Self-Critique (ביקורת עצמית), אנחנו מבקשים מהמודל לעצור, להסתכל על הפלט שהוא עצמו יצר, ולבצע עליו ביקורת ממוקדת לפי קריטריונים שנגדיר מראש. המטרה היא לגרום למודל “לחשוב פעמיים” על התוצאה, להאיר חולשות אפשריות, ולהציע בעצמו דרכים לשפר. טכניקה זו מגבירה משמעותית את רמת הדיוק, הרלוונטיות והאיכות של התוצרים – במיוחד במשימות מורכבות או יצירתיות.

 

תרחיש – פיתוח רעיון לקמפיין שיווקי:

 

"פתח רעיון לקמפיין שיווקי לקו מוצרי טיפוח טבעיים חדש.

 לאחר שתציג את הרעיון, תבצע עליו ביקורת עצמית ממספר היבטים:
 מקוריות, ישימות בתקציב ממוצע, התאמה לערכי המותג (טבעיות, קיימות, אותנטיות) 
 ופוטנציאל להשפעה רחבה. לאחר מכן, הצע 2–3 שיפורים לרעיון המקורי שיענו על הביקורת"

 

מה יקרה בפועל:

• המודל יפיק רעיון קמפיין ראשון.

• מיד אחר כך, הוא ינתח את הרעיון לפי הקריטריונים שהוגדרו.

• לבסוף, יציע שיפורים או התאמות כדי לשפר את הרעיון לפי הניתוח העצמי.

 

דוגמה קצרה – כתיבת מייל פנייה ללקוח חדש

 

כתוב מייל קצר לפנייה ללקוח פוטנציאלי ולהזמין אותו לשיחת היכרות.


הצעה ראשונית של המודל:


שלום רב,

אשמח להציג בפניך את שירותי החברה שלנו בשיחה קצרה.

אנא השב למייל זה ונקבע מועד.

בברכה,

צוות XYZ


ביקורת עצמית של המודל:

- בהירות: טובה – המסר ברור.

- חיבור רגשי: חלש – אין פנייה אישית או סיבה שמדברת אל הלקוח.

- קריאה לפעולה: קיימת, אך כללית מדי.


שיפורים מוצעים:
- להוסיף משפט קצר שמציג את הערך המיוחד שהחברה מציעה.

- להפוך את הקריאה לפעולה ליותר ישירה ומזמינה ("נשמח לתאם איתך שיחה השבוע, מתי נוח לך?").

 

למה זה עובד?

ביקורת עצמית מאלצת את המודל לעצור ולהפעיל רפלקציה במקום לעבור אוטומטית לשלב הבא. התהליך הזה עוזר לזהות בעיות או חולשות שהיו עלולות להישמט בדרך, ולתקן אותן כבר בשלב מוקדם – בלי שהמשתמש יצטרך לנחש מה לשאול או לבקש. מעבר לכך, דרישת ביקורת לפי קריטריונים ברורים מחדדת את התוצאה, מעלה את רמת המקצועיות, ומייצרת פתרונות מחודדים ומדויקים הרבה יותר מהגישה הסטנדרטית של “תשובה וזהו”.

טיפ: ככל שתפרטו יותר את קריטריוני הביקורת, כך תגרמו למודל לבחון את עצמו לעומק רב יותר.

 

שיח רב-דמויות (Multi-Persona Debates)

בדרך כלל, כשאנחנו שואלים שאלה את המודל, אנחנו מקבלים תשובה אחת – מזווית אחת. אבל לפעמים, במיוחד בנושאים מורכבים שאין עליהם תשובה אחת ברורה, הרבה יותר חכם לבדוק את הנושא דרך כמה נקודות מבט שונות. טכניקת שיח רב-דמויות (Multi-Persona Debates) מאפשרת לנו לעשות בדיוק את זה: לבקש מהמודל לייצג כמה דמויות מקצועיות שונות, שכל אחת מהן תציג את העמדה שלה, תענה לטיעון אחר, ולבסוף גם תסכם את נקודות ההסכמה והמחלוקת. השיטה הזו עוזרת לנתח לעומק נושאים מורכבים, לחשוף תובנות שלא בהכרח היינו חושבים עליהן לבד, ולהפיק תוצר עשיר ומאוזן הרבה יותר.

 

תרחיש – דיון אסטרטגי בנושא שיווק:

 

"נהל דיון בנושא 'האם כדאי להשקיע בפרסום ברשתות חברתיות או בשיווק תוכן' בין:


- מנהל/ת שיווק ותיק/ה בחברה מסורתית

- יועץ/ת דיגיטל צעיר/ה עם התמחות ברשתות חברתיות

- אנליסט/ית ROI עם גישה מבוססת נתונים

- מנכ"ל/ית של סטארט-אפ עם תקציב מוגבל.


כל דמות תציג את הטיעון המרכזי שלה (פסקה אחת), ואז תגיב לטיעון אחד של דמות אחרת.
לסיום, סכם את נקודות ההסכמה והמחלוקת בין הדמויות".

 

מה יקרה בפועל:

• כל דמות תנסח טיעון מנקודת המבט שלה (למשל: המנהל הוותיק יטה להעדיף שיווק תוכן, היועץ הדיגיטלי יילחם על רשתות חברתיות).

• לאחר מכן, כל דמות תנתח או תבקר טיעון של דמות אחרת (למשל: האנליסט יאיר עלויות מול תועלת).

• לבסוף, המודל יסכם את נקודות החוזקה והחולשה שהועלו בדיון.

למה זה עובד?

כאשר מבקשים מהמודל לייצג כמה דמויות מקצועיות שונות, הוא נאלץ “להחליף כובעים” ולנתח את הנושא ממספר פרספקטיבות אמיתיות. זה מאפשר להעמיק בחשיבה, להאיר ניואנסים שאחרת היו מתפספסים, וליצור תוצאה עשירה ומאוזנת יותר – ממש כמו ישיבת צוות אמיתית שבה לכל אחד יש דעה שונה. במקום לקבל תשובה חד-ממדית, אתם מרוויחים ניתוח מורכב, מגוון ומבוסס יותר – כזה שמעניק תובנות אמיתיות ועוזר לקבל החלטות מושכלות.

 

הנה כמה נושאים מצוינים לשיח רב-דמויות:

• בחירת אסטרטגיית חדירה לשוק חדש – מנכ”ל, סמנכ”ל שיווק, אנליסט שוק, מנהל מוצר.

• האם לפתח מוצר חדש בתוך הבית או להוציא למיקור חוץ – CTO, CFO, מנהל מוצר, יועץ פיתוח.

• הגדרת אסטרטגיית עבודה היברידית בארגון – מנהל משאבי אנוש, מנהל תפעול, עובד זוטר, מנהל כספים.

• החלטה בין השקעה בחדשנות טכנולוגית לעומת שימור לקוחות קיימים – יועץ אסטרטגי, מנהל מכירות, אנליסט פיננסי.

 

והנה תבנית מוכנה, מדויקת ומנוסחת בצורה טבעית כך שתוכלו להעתיק ולהדביק ישירות לתוך מודל (כמו ChatGPT, Claude וחבריהם):

 

נהל שיח רב-דמויות בנושא: "האם כדאי להרחיב את פעילות החברה
לשווקים בינלאומיים במהלך השנה הקרובה?"

הדמויות המשתתפות בדיון:
- סמנכ"ל כספים בחברה גדולה - סגנון דיבור: חד, תמציתי, ממוקד בעלויות ובסיכונים.
- מנהלת שיווק עם ניסיון בטרנדים עולמיים - סגנון דיבור: יצירתי, מבוסס דוגמאות מהשטח.
- יועץ אסטרטגי עצמאי - סגנון דיבור: קליל, דינמי, נגיש, מדבר בגובה העיניים.
- מנכ"ל החברה - סגנון דיבור: רחב, מתחשב בתמונה הגדולה ובחזון הארגוני.

הנחיות לביצוע:
- כתוב פסקה אחת לכל דמות, שבה היא מציגה את עמדתה המרכזית בנושא.
- לאחר מכן, כל דמות תגיב בקצרה לעמדה של דמות אחרת, תוך שמירה על סגנון הדיבור הייחודי לה.
- בסיום, ערוך סיכום של נקודות ההסכמה והמחלוקת שעלו בדיון.
- אם ניתן, הצע מסקנה או דרך פעולה אפשרית המאזנת בין הגישות השונות.

שמור על שפה טבעית, זורמת ומובנת, כאילו מדובר בדיון אמיתי בין אנשים עם סגנונות מחשבה שונים.

 

התבנית מוכנה לשימוש מיידי ומנוסחת בצורה שתגרום למודל להבין גם תפקיד, גם סגנון דיבור, גם אינטראקציה אמיתית.

 

 

עץ מחשבות (Tree of Thought)

אחת הבעיות בעבודה עם מודלים היא שלפעמים הם “נתקעים” על קו חשיבה אחד בלבד – גם אם הוא לא בהכרח הכי נכון או הכי חכם. שיטת עץ המחשבות (Tree of Thought) מרחיבה את רעיון שרשרת המחשבה (Chain of Thought), בכך שהיא מבקשת מהמודל לא לעקוב אחרי מסלול חשיבה יחיד – אלא לחקור במקביל כמה דרכים שונות לפתרון בעיה. במקום לצעוד רק בשביל אחד, המודל בונה “עץ” של אפשרויות: כמה קווים לוגיים מקבילים, שכל אחד מהם מוביל למסקנות שונות. בהמשך, המודל משקלל את כל המסלולים ומציע המלצה מושכלת שמבוססת על בחינה רחבה יותר.

 

תרחיש – החלטה אסטרטגית עסקית:

 

"פתור את הבעיה הבאה על ידי חקירת 3 דרכי פתרון שונות:

חברה מתלבטת אם להרחיב לשוק חדש. העלות הראשונית היא 1.5 מיליון ₪, 
וההערכה היא שיש 40% סיכוי להצלחה שתניב 5 מיליון ₪ תוך שנתיים, 
35% סיכוי להחזר ההשקעה בלבד, ו-25% סיכוי להפסד של 70% מההשקעה."

 

דרך 1 – חישוב תוחלת רווח פשוטה:

המודל יחשב את התוחלת המתמטית:

(40% × 5 מיליון) + (35% × 1.5 מיליון) + (25% × הפסד של 1.05 מיליון)

וישקל אם התוצאה החיובית מצדיקה את הסיכון.

 

דרך 2 – ניתוח סיכונים מבוסס מצב קיים:

המודל יבחן את הסיכון בהקשר למצב הנוכחי של החברה – האם יש לה רזרבות? האם היא יכולה לספוג הפסד?

 

דרך 3 – בחינת אופציות להקטנת סיכון:

המודל יציע חלופות כמו כניסה הדרגתית, גיוס שותפים, או ביצוע פיילוט מוגבל לפני השקעה מלאה.

 

לבסוף:

המודל ישקלל את שלוש דרכי החשיבה ויציע המלצה מנומקת, שתביא בחשבון את כל הגורמים שנבדקו.

למה זה עובד?

כאשר בונים עץ מחשבות, לא מסתפקים במסלול חשיבה יחיד אלא פותחים בחינה מעמיקה של כמה דרכי פתרון שונות במקביל. שיטה זו מאפשרת למודל לזהות פתרונות יצירתיים שלא היו עולים אם היה עוקב רק אחרי קו אחד, להשוות בצורה מושכלת בין יתרונות וחסרונות של גישות שונות, ולבסוף לגבש המלצה חכמה שמבוססת על בחינת תרחישים מגוונים ולא על תחושת בטן אחת. במקום להסתפק בתשובה שטחית ומהירה, עץ מחשבות מוביל לתוצאות מורכבות, שקולות ורלוונטיות הרבה יותר – במיוחד במצבים שבהם החלטות חפוזות עלולות לעלות ביוקר.

 

הנה תבנית מקצועית ומדויקת שתוכלו להעתיק ולהשתמש בה ישירות לכל משימה שתרצו לפתח בעזרת Tree of Thought:

 

פתור את הבעיה הבאה באמצעות חקירת לפחות 3 דרכי פתרון שונות:

"[הכניסו כאן את תיאור הבעיה או האתגר]"

לכל דרך:
- תאר בקצרה את הגישה המוצעת.
- פרט את היתרונות והחסרונות של הגישה.
- הסבר מה התנאים שבהם הדרך הזו תהיה הבחירה המומלצת.

בסיום:
- השווה בין דרכי החשיבה השונות.
- שקול את כל הנתונים והצג המלצה סופית מנומקת 
המבוססת על שקלול היתרונות, הסיכונים והנסיבות.
שמור על סגנון ברור, מוסבר היטב, ומובנה לפי שלבים.

 

איך זה ייראה בפועל:

 

פתור את השאלה: "האם כדאי להשיק מוצר חדש בתחום הבריאות הדיגיטלית?"

- דרך 1: פיתוח עצמי מלא

- דרך 2: רכישת סטארט-אפ קיים

- דרך 3: שיתוף פעולה אסטרטגי

ואז תבצע ניתוח, השוואה והמלצה סופית.

זה בנוי לחשיבה מרובת מסלולים, עוזר להעמיק את איכות הפתרונות וזורם טבעי במודלים מתקדמים (ChatGPT, Claude, וכו’).

 

והנה תבנית שמתאימה יותר לבעיות יומיומיות:

 

בחן את השאלה הבאה באמצעות 3 דרכי חשיבה שונות:

"[הכניסו כאן את השאלה או ההתלבטות היומיומית]"

לכל דרך:
- תאר את אפשרות הפעולה בקצרה.
- פרט יתרונות וחסרונות אפשריים של הבחירה הזו.
- הסבר באילו תנאים הדרך הזו מתאימה במיוחד.

בסיום:
- ערוך השוואה קצרה בין האפשרויות.
- הצע המלצה סופית מנומקת, לפי ניתוח היתרונות והחסרונות.

שמור על סגנון פשוט, נגיש, ומדבר בגובה העיניים.

 

דוגמה יומיומית שמתאימה לתבנית:

 

שאלה: "האם כדאי לצאת לחופשה עכשיו בקיץ או לדחות לחורף?"



דרך 1: לצאת לחופשה בקיץ (יתרונות: מזג אוויר חם, חופים פתוחים /

          חסרונות: מחירים גבוהים, עומס תיירים)


דרך 2: לדחות לחורף (יתרונות: מחירים זולים, מקומות פנויים יותר /
          חסרונות: מזג אוויר לא צפוי)


דרך 3: למצוא יעד אחר שבו החורף הוא עונת שיא נעימה.



ואז ניתוח השוואתי והמלצה מה הכי משתלם לפי העדפות אישיות.

 

התנסו בעצמכם: בחרו בעיה, שאלה מקצועית או סוגיה אישית, ויישמו עליה את השיטה. כך תראו איך אפשר לשדרג משמעותית את איכות הפלט שהמודל מחזיר לכם.

 

שאילתא מועשרת במקורות (Retrieval-Augmented Generation – RAG)

ברוב הזמן, כשאנחנו שואלים שאלה את המודל, הוא עונה מתוך הידע הפנימי שנלמד לו – מה שאומר שלפעמים הוא ימציא פרטים (“הזיות”) או יסתמך על ידע שאינו מעודכן. טכניקת RAG – Retrieval-Augmented Generation פותרת את הבעיה הזו: במקום להסתמך רק על מה שהמודל “זוכר”, מספקים לו מקורות מידע חיצוניים בזמן השאילתה – והוא מתבקש להסתמך רק עליהם בתשובתו. ברמת הארגון, טכניקת RAG מתבצעת על ידי חיבור של מערכות ה-AI לידע הארגוני: מאגרי מידע, מסמכים פנימיים, שרתים בענן או ב-On-Premises. אבל גם ברמת המשתמש הפרטי, אפשר ליישם את העיקרון הזה בפרומפטים רגילים: פשוט לספק למודל קטעי מידע ולדרוש ממנו להסתמך אך ורק עליהם.

 

תרחיש – חיבור בין מקורות מדעיים:

 

"לפניך מידע ממקורות מוסמכים על השפעת אימון כוח על בריאות המוח:

מקור 1: Liu-Ambrose, T., et al. (2023) - 
מצא שיפור של 14% בזיכרון עבודה אחרי אימון כוח פעמיים בשבוע במשך 6 חודשים.

מקור 2: הנחיות ארגון הבריאות העולמי (2024) - 
ממליצות על לפחות שני אימוני כוח שבועיים למניעת דמנציה.

מקור 3: Gonzalez, M., et al. (2022) - 
סקירה שיטתית שמצאה שיפור בקוגניציה (7–18%) אך לא מנעה אלצהיימר.

בהתבסס אך ורק על המידע לעיל, כתוב סיכום קצר (עד 150 מילים) 
על הקשר בין אימון כוח לבריאות המוח.

ציין במדויק את המקור לכל טענה שתציין"

 

מה יקרה בפועל:

• המודל יקרא את קטעי המידע.

• יכתוב סיכום שמבוסס רק על מה שנאמר, בלי להמציא עובדות חדשות.

• יאזכר במדויק את המקורות בתשובתו.

 

למה זה עובד?

כאשר מספקים למודל מידע חיצוני ברור ומנחים אותו להסתמך אך ורק עליו, מצמצמים משמעותית את הנטייה ל”הזיות” (Hallucinations) ולתשובות שגויות. במקום שהמודל ינחש או ישלים פרטים מהזיכרון הפנימי שלו, הוא פועל כעורך תוכן אחראי: קורא, מסכם, מצטט. התוצאה היא תשובות מדויקות יותר, אמינות יותר, ומתועדות היטב – מה שמגביר את האמון ביכולות של המודל גם במשימות קריטיות.

 

טיפ חשוב: כאשר אתם מעלים מידע אישי או מידע ארגוני, זכרו שחלק מהחברות עשויות להשתמש בנתונים שמוזנים למודל לצורכי שיפור ואימון עתידי. לכן, אל תשתפו מידע רגיש או סודי, אלא אם אתם בטוחים שהמערכת מגנה על פרטיותכם בהתאם למדיניות ברורה וכמובן בהתאם למדיניות הארגון שאתם עובדים בו.

 ReAct או אינטגרציה עם כלים חיצוניים

חשוב להזכיר, שחלק מהמודלים המתקדמים של בינה מלאכותית לא מסתפקים ביצירת תשובות “מהראש” – הם יודעים גם להשתמש בכלים חיצוניים כחלק מתהליך המענה. למשל: לבצע חיפוש באינטרנט, להריץ קוד, להשתמש במחשבון, או לפנות למאגרי מידע חיצוניים כדי להביא מידע מעודכן ומדויק. טכניקה זו, שנקראת לעיתים ReAct (קיצור של Reasoning + Acting), מאפשרת לפרומפטים לא רק להנחות את המודל מה לומר, אלא גם אילו פעולות לבצע כדי להגיע לתוצאה איכותית יותר. לדוגמה: במקום לבקש מהמודל “תגיד לי מה מזג האוויר היום”, אפשר להנחות אותו לבצע חיפוש ולענות לפי התוצאה המעודכנת. במילים פשוטות: אתם מדריכים את המודל לחשוב, ואז לפעול.

 

היום כבר יש גישה למודלים מתקדמים כמו o3 של ChatGPT ו-Claude 3.7 Sonnet, עם יכולות חשיבה פנימית וביקורת עצמית משולבות כברירת מחדל. מודלים אלו מסוגלים “לעצור ולחשוב” באופן מובנה, לפרק בעיות מורכבות לשלבים, ולחשוף את תהליך החשיבה שלהם למשתמשים. במקרים רבים, אין צורך להנחות אותם במפורש להשתמש בטכניקות כמו Chain of Thought או ReAct, שכן הם כבר מתוכנתים לבצע תהליכים אלו כחלק מהפעולה השוטפת שלהם. תכונות אלו משפרות את הדיוק, מפחיתות טעויות, ומאפשרות למשתמשים להבין ולבקר את תהליך קבלת ההחלטות של המודל בצורה שקופה וברורה.​

 

 

אתגרים, אחריות וביקורת אנושית

עבודה עם מודלי שפה גדולים (LLMs) היא כלי עוצמתי שמציע אינסוף אפשרויות, אבל דורשת גם אחריות ומודעות. יש להבין שהתוצאות שמתקבלות מהמודל אינן קבועות: גם אם תשתמשו באותו פרומפט בדיוק, ייתכנו הבדלים קטנים מתשובה לתשובה. זה טבעי, ומזמין גישה של ניסוי, התאמה ושיפור. מעבר לכך, מאחר שהמודלים לומדים ממקורות טקסט אנושיים, הם עלולים לשקף עמדות מוטות, הנחות שגויות או חוסר איזון. לכן, כל תוצר שמתקבל דורש קריאה ביקורתית – להבין מה עומד מאחוריו ולא לקבל אותו כמובן מאליו.

 

בנוסף, חשוב לזכור שמודלים עלולים “להזות” – לייצר מידע שגוי אך מנוסח בביטחון. בפרט כשמדובר בנתונים, עובדות או מידע מקצועי, יש לבצע תמיד אימות עצמאי. ביישומים פתוחים או ציבוריים, קיים גם סיכון של “הזרקת פרומפט” (Prompt Injection) – ניסיון מצד גורמים עוינים לגרום למודל להתנהג בניגוד להוראות או לחשוף מידע רגיש. מודעות לנושא זה חשובה במיוחד למפתחים ואנשי מוצר. מעבר לכל אלה, עומדת אחריות אתית בסיסית: התוצרים שהבינה המלאכותית מספקת הם בידינו. חשוב להשתמש בהם באחריות, להימנע מהפצת מידע מזיק, ולפעול לפי עקרונות של אמת, הוגנות ואנושיות.

הערת סיום – אל תדלגו על הבדיקה האנושית!

גם עם פרומפט מדויק ותוצאה שנראית מרשימה, המודל יכול להחסיר מידע, לטעות בפרטים, או לפרש כוונות בצורה לא מדויקת. התייחסו לכל תוצר שמתקבל כטיוטה חכמה שדורשת בדיקה: עברו עליו בעין ביקורתית, ודאו שהמסר ברור ועקבי, התאימו את הטון והסגנון לקהל היעד, ואמתו עובדות חשובות לפני שימוש.

 

 

 

זכרו: הבינה המלאכותית היא שותף עוצמתי – אבל השיפוט, האחריות וההחלטה הסופית תמיד בידיים שלכם. השילוב בין הנדסת פרומפטים חכמה לבין בקרה אנושית חכמה הוא המפתח לעבודה נכונה, אחראית ומוצלחת באמת.

 

עכשיו הכל בידיים שלכם

הנדסת פרומפטים היא מיומנות – וכמו כל מיומנות אמיתית, היא נבנית דרך תרגול, התבוננות ולמידה מתמשכת. עכשיו, כשאתם מצוידים בכלים, בעקרונות ובטכניקות המתקדמות ביותר, אין גבול למה שתוכלו להשיג בעבודה נכונה עם מודלי שפה גדולים.

 

הטיפ הכי חשוב? פשוט להתחיל. התנסו בחופשיות, אל תפחדו לטעות, וגלו מה עובד הכי טוב עבורכם. התחילו מפרומפטים פשוטים וברורים – ובכל שלב הוסיפו עוד עומק ומורכבות. אם משהו לא עובד כמו שציפיתם, אל תתייאשו – התבוננו בתוצאה, למדו ממנה, כוונו מחדש ונסו שוב. שיפור מתמיד הוא חלק טבעי מהתהליך. זכרו גם להיות סבלניים. לפעמים צריך כמה איטרציות קטנות כדי שהמודל “יתפוס” בדיוק את הכיוון שאתם מחפשים. ואל תשכחו ללמוד מאחרים – יש היום אינספור משאבים, קהילות ודוגמאות ברשת שיכולים להעניק לכם השראה ורעיונות לפרומפטים יצירתיים ואפקטיביים. בסופו של דבר, הנדסת פרומפטים חכמה מחברת בין מה שאתם רוצים – לבין היכולת של הבינה המלאכותית לעזור לכם להשיג את זה.

 

השמיים הם לא הגבול – הם רק נקודת ההתחלה. בהצלחה במסע שלכם!