איך בניתי סוכן עסקי 24/7 על Claude Opus 4.7

הבעיה: סוכן AI לא זוכר כלום בין סשן לסשן

מי שעבד עם Claude Code, Cursor, או Codex מכיר את הבעיה. אתם פותחים סשן בבוקר, מסבירים לסוכן מה אתם רוצים, הוא עושה עבודה נהדרת, ובסוף היום הסשן נסגר. למחרת כשאתם רוצים שיכיר את ההקשר, אתם מתחילים מאפס. אם יש לכם פרויקט שהקיף נמתח על שבועות, ההסבר היומי של ההקשר הוא חלק משמעותי מהזמן.

זאת לא בעיה ייחודית לטריידינג. בכל משימה עסקית שדורשת רציפות, היעדר זיכרון בין הסשנים הוא חסם משמעותי. בעבודה היומית שלי יש לי כמה תהליכים שדורשים בדיוק את הסוג הזה של זיכרון: סקירת חדשות תעשייה שמייצרת לי סיכום שבועי, סינון לידים שמגיעים לאתר ושיוך שלהם לערוצים, ותחזוקת קישורים פנימיים בין פוסטים שאני מפרסם.

הסרטון של Ben Holvey שיצא לפני שבועיים פתר את הבעיה הזאת בעבור טריידינג, אבל הראה גם דפוס כללי. הוא בנה סוכן 24/7 על Claude Opus 4.7 עם שילוב של שני מרכיבים: Routines של Claude Code שמפעילות אותו לפי שעון, וארכיטקטורת זיכרון מבוססת קבצים שמשמרת הקשר בין הריצות. תוצאה: סוכן שיש לו זיכרון, גם בלי שאני מנהל אותו.

בפוסט הזה אסקור את המבנה שהוא הציג, את ההתאמות שעשיתי לעסק שלי, את התוצאות אחרי כשבועיים של ריצה, ואת השאלות שלא נפתרו לי עדיין. אני לא בונה סוחר, אבל המתודולוגיה זהה. אם אתם בונים מערכת AI שדורשת רצף של החלטות לאורך זמן, הדפוס הזה רלוונטי.

הפתרון בקצרה: רוטינות + תיקיית memory + שכבת בקרה

הארכיטקטורה היא משולש פשוט. בקודקוד הראשון Routines של Claude Code, השכבה שמפעילה את הסוכן בשעות קבועות, בלי התערבות שלי. כל routine היא בעצם prompt שקורא לסוכן לבצע משימה ספציפית. בסיום הוא חוזר לישון עד הריצה הבאה.

בקודקוד השני תיקיית memory. כל ריצה של Claude Code היא stateless. הוא קם בלי לדעת כלום על מה שקרה אתמול. הפתרון הוא תיקיית קבצי Markdown שהסוכן עצמו קורא בתחילת כל ריצה ועדכון בסיום. כך הזיכרון נשמר על הדיסק, לא במודל.

בקודקוד השלישי שכבת בקרה אנושית. כל פעולה שדורשת אישור (פרסום, תשלום, שליחת מייל) עוברת תור פנימי שאני סוקר פעם ביום. הסוכן לא לוקח החלטות באוטונומיה מלאה כשמדובר בכסף או בפנייה ללקוחות. שכבה זו דומה ל-"paper mode" של החבר ההוא בטריידינג.

בהמשך אקח אתכם דרך כל מרכיב, עם הקוד האמיתי של ה-prompts וה-pipelines. תהיו ערוכים לזה שהפתרון הסופי הוא לא 100% אוטונומי, ומדובר בעיצוב מכוון. אוטומציה בלי בקרה אנושית ב-business operations היא מתכון לתקלה ציבורית.

שכבה 1: Routines של Claude Code, איך הן עובדות בפועל

Routines הוא פיצ'ר חדש יחסית של Claude Code שמאפשר להגדיר prompt שמופעל אוטומטית על cron schedule. ה-routine רץ בענן של Anthropic, לא במחשב שלכם, מה שאומר שהוא פועל גם כשאתם ישנים. ראו את הסקירה הקודמת שלי על Routines לרקע מלא.

אצלי, חמש רוטינות פעילות:

• 06:00 בכל בוקר. סריקת חדשות AI מהלילה: TechCrunch, The Verge, Twitter feeds מבחר. בודק אילו רלוונטיות לקהל שלי, ומסכם ב-news-digest.md.
• 09:00 בכל בוקר. סקירה של לידים שנכנסו אתמול. מסווג לפי איכות, מתעד ב-leads-pipeline.md, מסמן את הראויים לפנייה ידנית.
• 12:00 בכל בוקר. בדיקת קישורים פנימיים בפוסטים חדשים שפורסמו אתמול. מציין הזדמנויות שכחתי ומציע cross-links.
• 17:00 בכל יום. סיכום פעילות יומית מתוך הקבצים שעודכנו, נשלח כתקציר למייל שלי.
• יום ראשון 08:00. סיכום שבועי מקיף, מנתח דפוסים מהשבוע ומציע 3 פעולות לשבוע הבא.

כל אחת מהרוטינות מקבלת prompt קבוע. הנה דוגמה לprompt של רוטינת הבוקר:

פעולה: סקירת חדשות AI יומית

קונטקסט:
1. קרא את התיקייה /memory לפני שאתה מתחיל
2. בעיקר memory/news-context.md ו-memory/topics-already-covered.md

משימות:
1. גש ל-feeds הבאים: techcrunch.com, theverge.com/ai
2. ב-Twitter, חפש האשטגים: #AnthropicAI, #ClaudeAI, #LLMs
3. סנן ידיעות שעלו ב-24 השעות האחרונות
4. הצלב מול memory/topics-already-covered.md
5. בחר עד 5 ידיעות הכי רלוונטיות לקהל ישראלי

עדכון memory:
1. הוסף ל-memory/news-digest.md פרק חדש עם תאריך
2. הוסף נושאים חדשים שכוסו ל-memory/topics-already-covered.md
3. אם זיהית טרנד שצריך מאמר ייעודי, פתח שורה ב-memory/article-ideas.md

סיום:
החזר תקציר של 5 שורות עם הטיטל של כל ידיעה.

שימו לב למבנה: קרא memory, בצע, עדכן memory, החזר תקציר. זה הדפוס שמאפשר רצף של החלטות לאורך זמן בלי שהמודל זוכר ישירות מה היה אתמול.

שכבה 2: ארכיטקטורת memory, הדבר שעושה את כל ההבדל

תיקיית memory היא הלב של המערכת. בלעדיה הסוכן מתנהל כמו לקוח שזוכה בלוטו כל בוקר ושוכח עד למחר. עם memory מבנה היטב, הוא הופך לעובד עקבי שזוכר את ההקשר העסקי שלי לאורך זמן.

המבנה שלי דומה למה שהסרטון הציג, עם התאמות:

memory/
├── strategy.md            # היעדים העסקיים השבועיים והחודשיים
├── client-pipeline.md     # רשימת לקוחות פעילים, סטטוס וסיכומים
├── leads-pipeline.md      # לידים פעילים שלא נסגרו
├── content-calendar.md    # פוסטים מתוכננים לפרסום בשבועות הבאים
├── topics-already-covered.md   # נושאים שכבר כתבתי עליהם, למניעת שכפול
├── news-digest.md         # דיגסט החדשות היומי, נצבר
├── news-context.md        # הקשר ארוך טווח על תעשיית AI
├── article-ideas.md       # רעיונות לפוסטים, מדורגים לפי עניין
├── decisions.md           # החלטות אסטרטגיות שלקחתי, עם הצדקה
├── learnings.md           # תובנות מסשנים שעברו
├── do-not.md              # דברים שניסיתי וכשלו, מקומות סיכון
└── action-queue.md        # פעולות שדורשות אישור אנושי

כל קובץ הוא Markdown פשוט עם מבנה עקבי. למשל, leads-pipeline.md נראה כך:

# Leads Pipeline

## Active

### Lead #2026-04-23-3 — שם לקוח: [נמחק]
- Source: טופס ב-/automations
- Stage: First contact (4 days ago)
- Score: 7/10 (פוטנציאל ROI גבוה)
- Next action: Follow-up email by 2026-05-04
- Notes: ביקש דוגמאות לפיתוח מותאם, שלחתי 3 קייסים

### Lead #2026-04-25-1 — ...

## Archived (closed)
...

הסוכן עצמו אחראי על תחזוקת הקבצים. כשרוטינה רצה, היא קוראת את הקבצים הרלוונטיים בתחילת הריצה ומעדכנת אותם בסיום. אני מתערב רק כשיש פעולה שדורשת אישור (סעיף הבא).

שכבה 3: שכבת הבקרה האנושית, ה-paper-mode של עסקים

בסרטון, Holvey מתאר "training wheels": ריצה ראשונה ב-paper-trading, חוקים נוקשים על מקסימום פוזיציה, סף הפסד יומי. ההיגיון: לא לתת לסוכן לעשות אוטונומית פעולות שעלולות לגרום נזק כספי לפני שהוא מוכיח את עצמו.

אצלי, אותה גישה. כל פעולה שעלולה להגיע ללקוח, או שיש לה השלכה כספית, נכנסת ל-action-queue.md. אני סוקר את התור פעם ביום בבוקר, מאשר או דוחה. דוגמאות לפעולות שעוברות:

• שליחת מייל ראשוני לליד חדש (מוודא שהטון נכון לפני)
• פרסום פוסט שהוכן אוטומטית (מוודא שאין שגיאות עובדתיות)
• תשובה ב-LinkedIn לתגובה על פוסט (לוודא טון)
• שינוי תמחור או הצעה ללקוח קיים
• קביעת פגישה עם לקוח חדש (מוודא זמינות אמיתית)

פעולות שלא דורשות אישור (הסוכן עושה אוטונומית):

• קריאה ועדכון קבצי memory
• סריקת חדשות וסיווג
• הצעת רעיונות לפוסטים
• בדיקת קישורים שבורים
• סיכום נתונים מ-Search Console / GA4
• הכנת drafts ראשוניים של פוסטים

החלוקה הזאת בין "אוטומטי" ל"דורש אישור" היא ההכרעה הכי חשובה במבנה. אם יותר מדי דברים דורשים אישור, אני מחזיר את עצמי לעבודה ידנית. אם פחות מדי, אני מסתכן בכך שהסוכן יעשה משהו שהלקוחות יראו לפני שאני אעצור אותו.

# Action Queue (pending approval)

## 2026-05-02 09:23
**Type**: Email response to lead #2026-04-25-1
**Suggested by**: leads-pipeline routine
**Risk**: Medium (first contact with new prospect)
**Draft**:
> שלום [שם],
> תודה על הפנייה. בהתאם לצרכים שתיארת, יש לי 3 דוגמאות שמתאימות במיוחד...
**Required approval**: Dvir to review tone + adjust before send
**My decision**: ✅ Approved with minor adjustment to opening line

תוצאות אחרי שבועיים

הנה המספרים מהתקופה הראשונה. שורה תחתונה: זה עובד, אבל הציפיה שזה יחליף עובד מלא היא לא מציאותית.

• זמן שחסך לי בשבוע: כ-7 שעות. בעיקר בסקירת חדשות וסיווג לידים. שבעה שעות שעברתי לעבודה גבוהה יותר.
• איכות drafts המייל ללידים: 75% מקובלים בלי שינוי, 20% עם תיקון קל, 5% נדחים לחלוטין. זה מספר טוב, לקח לי שבוע להגיע אליו אחרי כיול ה-prompts.
• רעיונות לפוסטים שהציע: 14 בשבוע, מהם 4 שכתבתי עליהם בפועל. שיעור ה-conversion סביר, וההצעות עזרו לי לראות נושאים שלא הייתי חושב עליהם לבד.
• שגיאות / hallucinations: 3 פעמים בשבוע. תמיד נתפסו ב-action-queue ולא הגיעו ללקוחות. אבל מראה למה שכבת בקרה אנושית היא קריטית.
• עלות תפעול: $18 לחודש. Routines של Claude Code + Claude Pro. זול מאוד לעומת ערך הזמן שחסך.

סיכום: מה למדתי מהבנייה

הפרויקט הזה לימד אותי משהו עמוק על איך עובדים עם AI עסקי. אוטונומיה אמיתית לא נוצרת מעוצמת המודל לבד, אלא משילוב של שלוש שכבות: רוטינות שמפעילות את הסוכן, זיכרון מובנה שמשמר הקשר, ובקרה אנושית שמונעת טעויות מלהגיע ללקוחות. החסר באחת מהשכבות מבטל את התרומה של השתיים האחרות.

למי שחושב לבנות מערכת דומה, ההמלצה שלי: התחילו עם רוטינה אחת, פשוטה במכוון. אל תנסו לבנות 10 רוטינות בו זמנית. הוסיפו memory מובנה רק אחרי שהמערכת מוכיחה יציבות. ולמדו לסמוך על שכבת הבקרה האנושית לפני שאתם נותנים לסוכן לבצע פעולות אוטונומיות מול לקוחות.

מי שמתעניין באוטומציה עסקית רחבה יותר, ראו את עמוד האוטומציות שלי שמרכז את כל סוגי האוטומציה שאני בונה ללקוחות, ואת תיק העבודות עם דוגמאות אמיתיות מהשטח.