חזרה לפיד
articlesמקור: Lovable Blog11.8.2026

החשיבות של אי-תלות במודלי AI ב-Vibe Coding

אמ;לק

הסתמכות על מודל AI ספציפי היא מוקש בפיתוח תוכנה. הכתבה מסבירה איך פלטפורמות כמו Lovable פועלות לניטרליות של מודלים כדי להבטיח את עמידות הפרויקט לטווח ארוך.

סיכום בעברית: מערכת VibeSec · מדיניות המקורות

נוסף ל-VibeSec:

כותרת מקורית: The model picker is a dead end

$cat article.txt

>הסתמכות על מודל AI ספציפי היא מוקש בפיתוח תוכנה. הכתבה מסבירה איך פלטפורמות כמו Lovable פועלות לניטרליות של מודלים כדי להבטיח את עמידות…

התוכן המלא בעברית

תרגום אוטומטי מהמקור; מונחים טכניים נשארו באנגלית. לנוסח המחייב — הכתבה המקורית.

פתח כמעט כל מוצר AI ותמצא את אותו תפריט נפתח בפינה. לפני שאתה יכול לעשות משהו, יש לך משימה: לבחור דגם. אולי כדאי גם להחליט עד כמה הוא צריך להיות מעמיק.

הבחירה הזו חשובה. דגם אחד עשוי להיות מצוין במעקב אחר באג קשה וגרוע באופן מפתיע בעיצוב. אחר יכול ליצור ממשקים יפים אבל לאבד את הריכוז בבנייה ארוכה. ואז יוצא דגם חדש, הדירוגים משתנים שוב, או שהמחירים מתעדכנים.

ההנחה שדגם אחד הוא "הטוב ביותר" מניחה שיש מלך בלתי מעורער לתחום. זה לא המצב. אם בחירת הדגם משפיעה על השאלה אם האפליקציה שלך תעבוד, אתה לא אמור לנחש נכון עוד לפני שהעבודה בכלל התחילה.

ב-Lovable, זו המשמעות של עצמאות ממודלים. אנחנו לא מתייחסים למודלים כאל רכיבים ברי-החלפה. אנחנו עצמאיים ממודלים כי יש לנו דעה מגובשת מאוד לגביהם.

בלתי תלוי במודל, לא אדיש לדגם

אדישות למודלים פירושה להציב כל דגם מאחורי אותו ממשק, לתת לו את אותן הוראות ולהחליף שם אחד באחר. עצמאות אמיתית ממודלים פירושה ללמוד כיצד כל דגם עובד בצורה הטובה ביותר.

יש לנו צוות ב-Lovable שמוקדש לעבודה זו. עבור כל דגם, הם מתאימים את ההוראות, הכלים והקשר הפרויקט למה שהוא עושה הכי טוב. הם לומדים איפה הוא נתקע – אם זה בלולאת ניפוי באגים ארוכה, בהגדרת ה-backend, בליטוש הממשק, או בכל מקום אחר. לאחר מכן הם בודקים את כל ההתקנה בתהליכי build מלאים.

באחת הבדיקות הללו, למשל, דגם חדשני סיים משימות ב-15% מהר יותר מקודמו, נדרש ל-40% פחות צעדים, וקיבל ציון גבוה ב-2-3%. אלו היו שיפורים משמעותיים שהפכו את המודל החדש לאופציה המועדפת באותו זמן.

אנחנו יכולים להשקיע רבות כדי לגרום לדגם לעבוד היטב בתוך ⁦Lovable⁩ ועדיין להמשיך הלאה כשמשהו טוב יותר יגיע. ניידות מעניקה לנו את החופש הזה מבלי לזרוק את מה שלמדנו על התנהגות שונה של מודלים.

מישור הבקרה הוא המוצר

"הוסף תשלומים לאפליקציה שלי" נשמעת כמו הוראה אחת. בתוך Lovable, בקשה זו מפעילה סוכן לבניית אפליקציות. הסוכן מנהל את תהליך הבנייה מהבקשה שלך ועד לביצוע השינוי בפועל, תוך תגובה לכל מה שהוא מוצא בדרך.

עליו להבין למה התכוונת, למצוא את החלקים הרלוונטיים בפרויקט, לתכנן את השינוי, לכתוב את הקוד, להריץ את האפליקציה ולראות אם היא עובדת. אם משהו נכשל, נתיב ההתאוששות הנכון לא תמיד ברור. האם המערכת צריכה לנסות שוב, לשנות את התוכנית, להשתמש בכלי אחר, להביא מודל עם יכולות הסקה שונות, או לשאול אותך שאלה?

התשובה תלויה במה שהמבנה מגלה לאורך הדרך. בקשה פשוטה עשויה לחשוף בעיה אדריכלית. או שהניסיון הראשון עשוי להראות שהמודל הבין את המטרה אך נאבק באחד הכלים.

זו הסיבה שמישור הבקרה (control plane) עוקב אחר העבודה בזמן אמת: מה אתה מנסה לעשות, כמה מורכבת הפכה המשימה, והאם הסוכן מתקדם או מתחיל להסתובב במעגלים. מישור הבקרה יכול אז להקצות חלקים שונים מה-build למודלים שונים, במקום לבקש ממודל אחד לטפל בכל התהליך.

מישור הבקרה גם מתאים את המערכת למודל. בבדיקה אחת, מודל המשיך לקרוא שוב ושוב קבצים שכבר היו בהקשר ובדק אותם פעם נוספת לאחר עריכות מוצלחות. נתנו לו הוראות שונות: לסמוך על ההקשר, לסמוך על תוצאת העריכה ולדלג על קריאות כלי מיותרות. אנו עשויים גם לשנות את הכלים, את אופן ההסבר עליהם, את כמות הקשר הפרויקט שהמודל רואה, ואת אופן הסיכום של בנייה ארוכה לקראת הצעד הבא.

זו לא רולטת מודלים. אנחנו לא שולחים את אותה הנחיה לחמישה מודלים ובוחרים את התגובה המועדפת עלינו. אנו נותנים לכל מודל את ההוראות, הכלים וההקשר שמתאימים לו, ואז בוחנים האם האפליקציה משתפרת.

עצמאות אין פירושה החלפה מתמדת

שינוי מודלים באמצע הבנייה יכול להחמיר את המצב מכיוון שפרויקט ארוך טווח מפתח היסטוריה. הסוכן חקר קבצים, ניסה גישות, פגע בשגיאות ולמד מה חשוב. המודל הוא רק חלק אחד מהסוכן הזה. כאשר המודל משתנה, ייתכן שנצטרך לדחוס את ההיסטוריה הזו ולבנות מחדש את ההקשר השמור שלה. חלק מהפרטים מהשיחה עשויים לשרוד רק כסיכום.

זה אומר שדגם עשוי להיות טוב יותר במבודד ועדיין להיות הבחירה השגויה עבור ה-build הספציפי. מישור הבקרה שלנו צריך לשקול את הרווח הפוטנציאלי מול ההקשר שעלול ללכת לאיבוד והעבודה שאולי נצטרך לחזור עליה. המטרה היא לא להחליף מודלים לעיתים קרובות ככל האפשר. החלפה מועילה חייבת להיות שווה את המחיר. אחרת, אנחנו סתם מייצרים "Churn" של מודלים.

ההחלטה האם לבצע החלפה מתחילה בהבנה מדוע המערכת נכשלה. לעיתים סוכן בניית האפליקציות מדווח לנו ישירות דרך כלי אבחון, ומציף בעיות שאלמלא כן היה קשה לראותן.

אם ספק מודל עמוס יתר על המידה, Lovable יכול להפנות את הקריאה הבאה לאותו מודל דרך ספק אחר. זה יכול לפתור בעיית זמינות, אך לא בעיה של גישה שגויה. אם ההקשר אינו תקין, כלי מבלבל, או שהמודל לא הבין את המשימה, החלפת ספקים תוביל לאובדן ה-cache מבלי לטפל בשורש הכישלון. ניסיון חוזר עם משוב מהמשתמש עשוי לעזור. אחרת, מודל אחר יכול לנסות גישה שונה.

השחזור צריך לשנות את הדבר שנכשל, בין אם זה ההקשר, התוכנית, הכלי או המודל.

האפליקציה היא המדד

מודל יכול להפיק תשובה מרשימה ועדיין להשאיר אותך עם אפליקציה שבורה. הוא יכול לכתוב קוד משכנע שלעולם לא ירוץ או ליצור דף תשלום שנראה גמור אך שומר נתונים שגויים. ב-benchmark, התגובה עשויה להיראות מצוינת. בדפדפן, הסיפור עשוי להיות אחר לגמרי.

אז יחידת האופטימיזציה ב-⁦Lovable⁩ היא היישום המוגמר. אכפת לנו מכל המסלול: מה המערכת ניסתה, איפה היא התאוששה, כמה זמן לקח הבנייה, כמה זה עלה, והאם האפליקציה בסוף עושה את מה שביקשת.

זה משנה את המשמעות של "מהיר" ו"זול". מודל יכול להגיב במהירות ועדיין להיות איטי אם נדרשים פי שלושה סיבובים כדי לסיים את המשימה. קריאה זולה הופכת ליקרה כשהיא מנתבת את ה-build לנתיב הלא נכון. אפילו תוכנית מבריקה חשובה רק אם המערכת מסוגלת להפוך אותה לתוכנה עובדת.

לוחות הישגים ציבוריים יכולים להפנות אותנו לעבר מודלים מבטיחים, אבל הם לא יכולים לומר לנו אם המודלים האלה ייצרו אפליקציות טובות יותר בתוך ⁦Lovable⁩. אנו בודקים כל מועמד בתוך ⁦Lovable⁩ באמצעות ההנחיות, הכלים, ההקשר ולולאת הסוכן שלנו. אנחנו מריצים כל בנייה יותר מפעם אחת כי תוצאה אחת יפה יכולה להיות מזל. דגם שמתפקד היטב מתחיל עם מעט עבודה ומקבל יותר רק אם הוא ממשיך לספק.

גם המבחנים שלנו צריכים לזכות באמון שלנו. אנו מחפשים הסכמה בין שיפוט אנושי, השופטים מבוססי ה-LLM שלנו ודירוגי המודלים שהיינו מצפים להם על סמך נתונים חיצוניים. כאשר יש חוסר הסכמה בין האותות הללו, אנו בוחנים את ה-builds ומגלים מדוע. בבדיקה אחת, זה הוביל אותנו לכייל מחדש שופט שדירג build ריק מתוכן במיקום גבוה, ולהסיר שופט אחר שנתן ציונים מנוגדים ל-builds כמעט זהים.

מודלים שמייצרים באופן עקבי אפליקציות טובות יותר מרוויחים יותר עבודה, כאשר שיקול דעת אנושי הוא הבדיקה הסופית.

לפעמים הדגם הנכון הוא שלנו

יש גבול לכמות השיפור שניתן להשיג מהוספת פסקה נוספת ל-prompt. חריגים מצטברים, והוראה אחת מתקנת כשל רק כדי להסיח את דעת המודל ממשהו אחר. בסופו של דבר, עריכה נוספת של ה-prompt מפסיקה להועיל. חלק מהמשימות מתרחשות לעיתים קרובות מספיק כדי שמודל מומחה יהיה פתרון הגיוני יותר.

כך התחלנו לאמן מודלים משלנו. ניתוב בקשות, סיכום תגובות וכתיבת הודעות commit העניקו לנו משימות מוגדרות היטב שעליהן יכולנו ללמוד כיצד לאמן, להעריך ולהטמיע מודלים.

כעת המודלים שלנו לאחר הכשרה מטפלים בחלק משמעותי של עבודת בניית אפליקציות בייצור. אנו נאמן את הבאים להתמודד עם בעיות קשות יותר ויותר מכל מבנה.

המודלים שלנו עדיין עוברים דרך אותו מישור בקרה כמו מודלים חיצוניים. אם מודל חיצוני משתפר בביצוע משימה מסוימת, הוא יכול להחליף את אחד מהמודלים שלנו. אפילו מודלים שאנו מאמנים בעצמנו צריכים "להרוויח" את התעבורה שלהם. השאיפה שלנו היא לבנות את המודלים הטובים ביותר בעולם עבור העבודה ש-Lovable מבין בצורה הטובה ביותר.

מה שאנו לומדים ממשיך הלאה

כל חברה יכולה לרכוש גישה למודל חזיתי (frontier model). החלק הקשה הוא בניית מערכת שיכולה להפוך את החוזקות הלא-אחידות והמשתנות במהירות שלו לתוכנה שאנשים יכולים לסמוך עליה. כל כישלון עוזר לשפר את המערכת. כל אחד מהם הופך למבחן שמצביע לנו אם ה-prompt, הכלי, ההקשר, התזמור, המעריך או המודל צריכים להשתנות. אנחנו מריצים את ה-build מחדש ואז מזינים את מה שלמדנו בחזרה לתוך מישור הבקרה.

למידה זו ממשיכה כאשר יוצא דגם חדש. Lovable מעביר אותו דרך מערכת שכבר יודעת איך נראה טוב ויכולה למצוא היכן היכולות שלו מתאימות.

חברה של מודלים יכולה לשפר את המודל שלה. Lovable יכולה לשפר את המערכת כולה.

כל הגבול צריך לעבוד בשבילך

מודלים של קרן ימשיכו להשתפר. הם פשוט לא ישתפרו באותם דברים, באותה מהירות, או בסדר שמישהו חוזה.

כאשר מודל מזנק קדימה בהיגיון, במהירות או במשימה חוזרת, ⁦Lovable⁩ צריך להפעיל אותו היכן שהוא עוזר. כשהיא מפגרת, ⁦Lovable⁩ צריך להמשיך הלאה.

בורר המודלים (model picker) הוא מבוי סתום מכיוון שהוא מקפיא את ההחלטה לפני שלמערכת יש מספיק מידע על הבעיה. Lovable אמורה להמשיך לעקוב אחר העבודה, להשתמש במודל שהמשימה דורשת, ולשנות מסלול כשהראיות משתנות.

אתה אומר ⁦Lovable⁩ מה אתה רוצה לבנות. הגבול יכול להמשיך לנוע מתחתיך. התפקיד שלנו הוא לעמוד בקצב כדי שתוכל לבנות תוכנה שאנשים אוהבים.

#lovable#ai-coding#development-strategy
קרא במקור