ההבדל בין סוכן AI, מודל שפה (LLM) ועוזר AI

מה ההבדל בין סוכן AI, מודל שפה (LLM) ועוזר AI?

סוכן AI, מודל שפה (LLM) ועוזר AI הם שלוש שכבות באותו מחסן טכנולוגי, והדרך להבדיל ביניהם היא לבחון מה כל אחד מהם דורש מהשרת. מודל שפה (LLM - Large Language Model) הוא קובץ משקולות הדורש זיכרון RAM וכוח עיבוד. עוזר (Assistant) הוא אותו מודל עטוף בממשק צ'אט, עם חשבון והיסטוריה שמורה, שרץ כמעט תמיד על חומרה של צד שלישי. סוכן (Agent) הוא עוזר בעל כלים ולולאת הרצה, המחזיק בפרטי הזדהות (credentials) – וזה מה שמחייב את הרצתו על מכונה שנשארת פעילה ללא הפסקה.

רוב הכתיבה בנושא זה מסתכמת בהגדרות בלבד. ההגדרות חשובות רק משום שכל שכבה מתומחרת אחרת. השכבה הראשונה עולה בזיכרון RAM. השכבה הבאה עולה בכתובת URL ציבורית וב־TLS (Transport Layer Security). השכבה האחרונה עולה בפרטי הזדהות, ופרט הזדהות שסוכן השתמש בו הוא פרט שאתה נדרש כעת להחליף (rotate).

LLM הוא משקולות, ומשקולות דורשות RAM

LLM הוא קובץ של מספרים. אתם מורידים אותו, סביבת הרצה טוענת אותו לזיכרון, והוא עונה על בקשה אחת בכל פעם. החוזה מצומצם: טקסט נכנס, טקסט יוצא. למודל אין זיכרון בין קריאות, אין שעון, אין גישה לרשת ואין דרך לפתוח קובץ. כל מה ש־LLM נראה כ־זוכר הודבק לתוך ה־context שלו על ידי התוכנית שקראה לו.

המספר שקובע את תוכנית ה־VPS שלכם הוא גודל הקובץ הזה, כיוון שהכול יושב בזיכרון בזמן שהמודל רץ. בקוונטיזציה של 4-bit ש־Ollama מספקת כברירת מחדל, חשבו על כ־0.6 GB לכל מיליארד פרמטרים, ואז הוסיפו גיגה-בייט או שניים עבור חלון ה־context וסביבת ההרצה עצמה.

[
  {
    "label": "qwen3:4b",
    "download_gb": 2.5,
    "ram_gb_needed": 6
  },
  {
    "label": "qwen3:8b",
    "download_gb": 5.2,
    "ram_gb_needed": 8
  },
  {
    "label": "qwen3:14b",
    "download_gb": 9.3,
    "ram_gb_needed": 12
  },
  {
    "label": "qwen3:32b",
    "download_gb": 20.0,
    "ram_gb_needed": 24
  }
]

הגרסה qwen3:8b היא 5.2 GB על הדיסק ודורשת כ־8 GB של RAM כדי לרוץ ללא swapping. שרת VPS עם 4 GB לא יטען את qwen3:14b, שגודלו 9.3 GB עוד לפני שהקלדתם מילה אחת. השורה הגדולה ביותר כאן, qwen3:32b, זקוקה לכ־24 GB, מה שברוב המחירונים אומר תוכנית אחרת וחשבון חודשי שונה.

התאמה לזיכרון היא שאלה אחת. מהירות היא שאלה אחרת. ב־VPS מבוסס CPU בלבד, צוואר הבקבוק הוא רוחב הפס של הזיכרון ולא מהירות השעון, לכן מודל שמתאים לזיכרון עדיין עשוי לענות בקצב של כמה tokens לשנייה. זה בסדר לעבודה שרצה במהלך הלילה, אך לא נעים לצ'אט. GPU משפר את הנתון הזה בערך בסדר גודל, אך הוא גם מעלה את החשבון שלכם, לכן החליטו על סמך מדידה: בצעו benchmark ל־VPS עם עומס העבודה שאתם מתכננים להריץ וקראו מתי שרת VPS עם GPU מצדיק את מחירו. כדי להתחיל להריץ משקולות, התחילו עם Ollama ב־VPS שלכם.

עוזר הוא LLM בתוספת ממשק צ'אט

עוזר הוא שכבת המוצר שעוטפת את המודל. ChatGPT ו־Claude הם עוזרים: מודל, חלון צ'אט, חשבון משתמש, שיחות שמורות ומגבלת קצב. כמעט שום דבר מזה לא רץ על חומרה שבשליטתך, וזו הסיבה שעוזר מאוחסן עולה דמי מנוי וצורך אפס RAM.

הגרסה המאוחסנת עצמית היא ממשק קדמי (front end) כמו Open WebUI המופנה ל־Ollama מקומי או ל־API מאוחסן. הממשק הקדמי הוא תוכנה קלה. צפו לצריכת 1 GB זיכרון עבור ממשק הצ'אט, בנוסף למה שהמודל דורש. מה שהוא כן דורש, בניגוד למודל גולמי, הוא כתובת URL ציבורית ותעודה, כיוון שתרצו לגשת אליו מהטלפון: הנפקת תעודה באמצעות Certbot ו־Nginx, או ביצוע TLS termination ב־Traefik לפני כמה יישומים. אם אתם עדיין בוחרים ממשק קדמי, השוו בין חלופות ל־Open WebUI.

עוזר מספק תשובות. הוא אינו מבצע פעולות. כאשר הוא כותב פקודת shell, אדם קורא את הפקודה ומחליט אם להדביק אותה. אותו אדם הוא שכבת בטיחות, וסוכן (agent) הוא הדבר שמסיר אותה.

סוכן מוסיף כלים ולולאה

סוכן הוא עוזר המסוגל לקרוא לפונקציות ולאחר מכן לקרוא את התוצאות. שני חלקים מבצעים את העבודה. הראשון הוא כלי (tool): תיאור של פונקציה שהמודל עשוי לבקש, בצירוף הקוד שלכם שמריץ אותה בפועל. השני הוא הלולאה (loop): התוכנית שלכם קוראת למודל, המודל מבקש כלי, התוכנית שלכם מריצה אותו, מצרפת את הפלט לשיחה וקוראת למודל שוב. תהליך זה חוזר על עצמו עד שהמודל מצהיר על סיום או עד שמגבלה כלשהי עוצרת אותו.

הלולאה היא קוד רגיל, וגרסה בסיסית שלה יכולה להסתכם בפחות ממאה שורות. מה שהופך אותה לסוכן הוא העובדה שהכלים מחזיקים הרשאות אמיתיות, כך שהלולאה יכולה לשנות דברים מחוץ לעצמה. עובדה יחידה זו מכתיבה כל החלטת אירוח המפורטת להלן. מיומנויות סוכן ו-שרתי MCP (model context protocol) הם שתי דרכים להעניק לסוכן כלים נוספים מבלי לשכתב את הלולאה.

• הוא מאריך ימים מעבר לסשן שלכם. צ'אט מסתיים כשסוגרים את הלשונית. הרצה של סוכן יכולה להימשך עשרים דקות ועליה לשרוד מצב שבו המחשב הנייד עובר למצב שינה, לכן מקומו על שרת שנותר דולק, כשהוא מופעל על ידי שירות או טיימר של systemd שמחזיר אותו לפעולה לאחר reboot.
• הוא מחזיק סודות. מפתח API, מפתח SSH, סיסמת מסד נתונים. כל דבר שהסוכן יכול לקרוא, הוראה עוינת המוסתרת בקלט שלו עלולה לגרום לו להשתמש בו, לכן הרחיקו את הסודות מהישג ידו של הסוכן.
• העלות שלו גדלה עם הלולאה, לא עם השאלה שלכם. כל צעד שולח מחדש את כל השיחה כקלט, כך שהרצה של עשרה צעדים משלמת על התמליל הזה עשר פעמים. זו הסיבה ש-טוקני קלט הם המרכיב העיקרי בחשבונית של סוכן וזו הסיבה שאתם רוצים מגבלה קשיחה על ההוצאה המקסימלית להרצה אחת.
• הוא עלול לטעות באופן שגורם לכתיבה. תשובה שגויה בצ'אט עולה לכם בקריאה חוזרת. מחיקה שגויה בתוך לולאה עולה לכם בתיקייה שלמה. הריצו אותו כ-משתמש בעל הרשאות מינימליות המאפשרות לו לעבוד, ועבור סוכני תכנות, הריצו אותו בתוך ארגז חול (sandbox) לפני שתתנו לו גישה למאגר הקוד שלכם.

מה כל שכבה דורשת מהשרת

[
  {
    "label": "LLM (weights you host)",
    "ram_gb": 8,
    "gpu": "helps a lot",
    "public_url": "no",
    "credentials": "none"
  },
  {
    "label": "Assistant (chat surface)",
    "ram_gb": 1,
    "gpu": "no",
    "public_url": "yes",
    "credentials": "one login"
  },
  {
    "label": "Agent (tools and a loop)",
    "ram_gb": 2,
    "gpu": "no",
    "public_url": "only for webhooks",
    "credentials": "several"
  }
]

קראו בעיון את עמודת ה-RAM, שכן היא אינה כוללת את המודל עצמו. ממשק צ'אט וסביבת הרצה של סוכן (agent runtime) הם שניהם תוכנות קלות משקל. אם הסוכן קורא למודל מאוחסן, 2 GB של RAM יספיקו להרצתו, ותוכנית אירוח זולה תהיה פתרון מעשי ולא פשרה. אם תציבו את משקולות המודל על אותו שרת, שורת המודל של 8 GB תהיה המשאב הדומיננטי ביותר.

העמודות האחרות משמעותיות יותר ממה שנהוג לחשוב. רק שכבת המודל מאיצה באמצעות GPU. רק שכבת העוזר (assistant) זקוקה לכתובת URL ציבורית כברירת מחדל, כיוון שדפדפן חייב לגשת אליה; סוכן זקוק לכתובת כזו רק כאשר גורם חיצוני נדרש ליזום קריאה אליו, למשל באמצעות webhook. בנוסף, סוכן מחזיק ב-several אישורים, וזהו הפער המהותי בינו לבין חלון צ'אט. חלון צ'אט יכול לספק תשובה שגויה. סוכן יכול לספק תשובה שגויה ולאחר מכן לפעול על פיה.

האם נדרש GPU כדי להריץ סוכן AI?

לא, אלא אם כן אתם מארחים את המשקולות (weights) על אותו שרת. לולאת הסוכן מורכבת מבקשות HTTP, ניתוח JSON וקריאות ל-subprocess, וה-CPU נותר כמעט ללא עבודה בזמן המתנה לרשת. שאלת ה-GPU היא למעשה שאלה הנוגעת לשכבת ה-LLM.

לכן, חלקו את ההחלטה. אם הטקסט אינו יכול לצאת מהשרת שלכם, שלמו עבור הזיכרון הנדרש להחזקת המודל, ועבור GPU כדי להריץ אותו במהירות סבירה. אם אתם מעוניינים רק באוטומציה, שכרו את המודל לפי טוקן והשקיעו את הכסף בזמינות (uptime) ובגיבויים. רוב הסוכנים המאוחסנים עצמית בשנת 2026 קוראים למודל מאוחסן מרחוק, וזול יותר להריץ אותם בדרך זו.

האם ניתן לארח סוכן AI באופן עצמי?

כן, והסוכן הוא השכבה שהכי כדאי לארח באופן עצמי, כיוון שבלולאת העבודה הזו נמצאים הנתונים וההרשאות שלכם. שרת VPS קטן עם 2 GB של RAM, מנהל שירותים וגישה לרשת חיצונית יכול להריץ סוכן אמיתי. בחרו במסלול הבנייה העצמית ב-VPS אם ברצונכם לשלוט בלולאה, או בפריסה של אחד מסוכני ה-AI המוכנים לאירוח עצמי אם אתם מעדיפים להתחיל ממוצר מוגמר.

אירוח עצמי של העוזר הוא פשוט: מדובר במכולה אחת ובתעודה. אירוח עצמי של המודל הוא החלק היקר, וזהו גם החלק שאנשים נוטשים לאחר שהם צופים בטוקנים זוחלים מתוך ה-CPU. ארחו את המשקולות (weights) באופן עצמי כאשר הנתונים אינם יכולים לצאת מהשרת, או כאשר נפח הפעילות שלכם הופך את התמחור לפי טוקן למכביד. בכל מקרה אחר, תנו לסוכן לקרוא ל-API ושמרו את החלקים המעניינים מקומיים.

האם ChatGPT הוא סוכן בינה מלאכותית?

מוצר צ'אט הופך לסוכן ברגע שהוא מסוגל להפעיל כלי ולפעול על סמך התוצאה מבלי לבקש אישור מראש. לפי מבחן זה, עוזרים מבוססי ענן עם יכולות גלישה, הרצת קוד או חיבורים חיצוניים הם סוכנים. ההבדל עבורך הוא היכן הלולאה רצה ובאילו הרשאות היא משתמשת. במוצר מנוהל, שניהם שייכים לספק. בשרת הפרטי שלך, שניהם שייכים לך, יחד עם האחריות על כל פעולה שהלולאה מבצעת בשלוש לפנות בוקר.

סוכנים ריאקטיביים, מבוססי תכנון וסוכנים מרובים

סיכומים נוטים למנות שבעה סוגי סוכנים. רוב הסוגים הללו הם שיווקיים בלבד. שתי הבחנות משנות את הקוד שאתם כותבים, ואחת משנה את החשבונית. סוכן ריאקטיבי קורא לכלי, קורא את התשובה ומשיב. סוכן מבוסס תכנון כותב תחילה תוכנית עבודה ולאחר מכן מבצע אותה; גישה זו עמידה יותר במשימות ארוכות אך צורכת יותר tokens, כיוון שהתוכנית נשלחת מחדש בכל שלב. הגדרה של סוכנים מרובים מאפשרת לסוכן אחד להפעיל סוכנים אחרים, מה שמכפיל בו-זמנית את צריכת ה-tokens ואת נקודות הכשל, ולכן היא משתלמת רק כאשר משימות המשנה הן עצמאיות באמת, כמו חיפוש בארבעה מקורות בו-זמנית. התחילו בגישה ריאקטיבית. הוסיפו תכנון כאשר ההרצות הופכות לארוכות. פנו לגישה של סוכנים מרובים רק כמוצא אחרון. לסקירה רחבה יותר, ראו מה כדאי ללמוד על סוכני AI בשנת 2026.

כיצד לדעת איזו שכבה מופעלת אצלך בפועל

בשרת, בדקו אילו תהליכים תופסים את הזיכרון.

free -h
ps -eo rss,comm --sort=-rss | head -5

אם השורה העליונה היא ollama או llama-server והיא תופסת כמה ג'יגה-בייט של RSS (גודל סט תושב, הזיכרון שהתהליך תופס בפועל), סימן שאתם מארחים את המודל. אם שום דבר לא עובר כמה מאות מגה-בייט וחשבון ה-API שלכם ממשיך לגדול, אתם מארחים סוכן (agent) או עוזר ושוכרים את המודל. אם הרשימה ריקה כי הכל קורה בלשונית הדפדפן, אתם לקוחות של עוזר, וזה מצב תקין לחלוטין עד שתזדקקו לתוכנה שתפעל בשמכם.

באיזו אפשרות תרצה לבחור?

• כדי לשמור על פרטיות המידע, הרץ את המודל: אירוח עצמי של LLM באמצעות Ollama, ולאחר מכן השווה זמני ריצה באמצעות Ollama מול vLLM ברגע שמשתמש אחד הופך לעשרה.
• כדי לשלוט בלולאת העבודה ובכלים, בנה את הסוכן: בניית סוכן AI עצמאי על גבי VPS.
• כדי לקבל פתרון עובד כבר הערב, פרוס שירות מוכן מתוך סוכנים לאירוח עצמי שכדאי להריץ.
• אם עדיין אין לך שרת להרצת השירותים, התחל ב־מה באמת מקבלים ב־VPS.

FAQ

האם סוכן AI הוא רק LLM עם תוספות?

התוספות הן העיקר. LLM הופך טקסט לטקסט ותו לא. סוכן עוטף אותו בכלים שהוא יכול להפעיל ובלולאה שממשיכה להפעיל אותם; כלים אלו נושאים הרשאות, כך שהפלט יכול לשנות קובץ, מסד נתונים או שירות פעיל. זו הסיבה שסוכן זקוק למכונה שפועלת ברציפות, למנהל שירותים ולמדיניות ניהול סודות, בעוד ש־LLM זקוק רק לזיכרון מספיק כדי להחזיק את המשקולות (weights) שלו בזמן מתן תשובה.

האם אני זקוק ל־GPU כדי להריץ סוכן AI?

לא עבור הסוכן עצמו. הלולאה מורכבת מבקשות HTTP, טיפול ב־JSON וקריאות ל־subprocess, שכל מעבד (CPU) מנהל בזמן שהוא ממתין לרשת. אתה זקוק ל־GPU רק כאשר אתה מארח את משקולות המודל בעצמך ורוצה קצב של יותר מכמה טוקנים בשנייה. סוכן שקורא למודל מאוחסן (hosted) רץ בנוחות על VPS קטן ללא GPU כלל.

כמה RAM צריך ב־VPS עבור סוכן AI?

כ־2 GB כאשר הסוכן קורא למודל מאוחסן, כיוון שזהו הזיכרון הנדרש עבור סביבת ההרצה, התלויות שלה ומסד נתונים מקומי קטן. הוסף את המודל אם אתה מארח את המשקולות בעצמך: qwen3:8b לבדו דורש סביב 8 GB, כך ששרת "הכל באחד" מתחיל ברף הזה ועולה בהתאם למודל שתבחר.

האם אני יכול לארח בעצמי עוזר AI ולשמור על פרטיות השיחות?

כן, עם הסתייגות אחת שקובעת הכל. ממשק קדמי (front end) בניהול עצמי כמו Open WebUI שומר חשבונות והיסטוריה על השרת שלך. השיחות עצמן נשארות פרטיות רק אם המודל שמאחוריהן הוא גם מקומי. אם תפנה את אותו ממשק ל־API מאוחסן, הטקסט עדיין יעזוב את השרת שלך בכל הודעה; כך תשמור על ההיסטוריה, אך לא על הפרטיות.

מה ההבדל בין סוכן AI לבין צ'אטבוט?

צ'אטבוט עונה ועוצר. סוכן מחליט מה לעשות הלאה, מפעיל כלי, קורא את התוצאה ומחליט שוב, עד שהמשימה הושלמה או שמגבלה כלשהי עוצרת אותו. המבחן המעשי: אם התוכנה יכולה לשנות משהו ללא אדם שלוחץ על כפתור בין התשובה לבין הפעולה, זהו סוכן, והוא זקוק לאירוח ולמנגנוני הגנה נלווים.