Nested Agents: 3 רמות עובדי AI שמבצעים מחקר שוק שלם בלי לגעת בהם

שלושה AI רצים במקביל. אחד מתכנן. שניים חוקרים. שלישי מאמת. ואתה… שותה קפה. הרצתי ארכיטקטורה כזאת בפעם הראשונה ב-2025, וה-insight שהפתיע אותי הכי הרבה לא היה "וואו, זה מהיר". היה: "הקשה הוא לא הטכני".

מה זה Nested Agents ולמה זה שונה ממה שהכרת

אם עבדת עם Claude Code עד עכשיו, כנראה עבדת בתבנית פשוטה: אתה שואל, הוא עונה, אתה שואל שוב. לינארי. מסודר. מוגבל.

Nested Agents שוברים את הלינאריות הזאת לחלוטין.

הרעיון: במקום שסוכן אחד יבצע 10 משימות בזו אחר זו, הוא מחלק את העבודה ומפעיל עובדים נוספים שעובדים במקביל. כל עובד פועל בחלון הקשר משלו, מבצע משימה ספציפית אחת, ומחזיר תוצאה מסוכמת. המנהל מסנתז הכל בסוף.

בגרסאות Claude Code הנוכחיות, אנתרופיק אפשרו לסוכנים להפעיל סוכנים אחרים עד 5 רמות עומק. בפועל, רוב זרימות העבודה פועלות על 2-3 רמות. זה מספיק לשנות כל תהליך מחקר שעשית עד היום.

למה זה חשוב לבעל עסק? כי מחקר שוק הוא אחת המשימות שבעלי עסקים דוחים כל הזמן. לוקח יותר מדי זמן, מפוזר על יותר מדי כלים, ובסוף מקבלים דוח שחצי ממנו כבר לא רלוונטי. Nested Agents פותרים בדיוק את זה: לא עם עוד כלי AI, אלא עם ארכיטקטורה שחוסכת 90% מהזמן.

הארכיטקטורה של 3 הרמות: Opus מחליט, Sonnet חוקר, Haiku מאמת

כשמחקר שוק מבוצע עם Nested Agents, זה נראה ככה. ולמה המודל הנכון בכל רמה חשוב לא פחות מהארכיטקטורה עצמה. תיכף תבין.

• רמה 1: LeadResearcher (Claude Opus): מקבל את השאלה הגדולה ("מה מצב השוק של ____?"), שובר אותה ל-4-5 שאלות מחקר עצמאיות, כותב את התוכנית לקובץ חיצוני, ומפעיל 3-5 Subagents במקביל. בסוף, מסנתז את כל הממצאים לדוח אחד. Opus כאן כי סינתזה גרועה הורסת את כל העבודה שמתחת.
• רמה 2: Parallel Researchers (Claude Sonnet): כל אחד מקבל שאלה אחת ואחת בלבד. מחפש, קורא, מסכם. לא יודע מה חברו עושה ברמה השנייה. מחזיר דוח מסוכם לרמה 1. Sonnet כאן כי הוא מהיר וזול, וה-accuracy שלו לאיסוף ראשוני מספיקה.
• רמה 3: CitationAgent (Claude Haiku): עובר על כל ממצא ומוודא שיש לו מקור. מונע את אפקט "טלפון שבור" שבו מידע שעבר כמה ידיים איבד את הדיוק שלו. נתון בלי מקור: אדום. נתון עם מקור מאומת: ירוק. Haiku כאן כי זו עבודה מכאנית. לא צריך Opus לבדוק אם מספר מגיע ממקור.

הזמן הכולל שווה לזמן של המחקר הארוך ביותר מבין כולם, לא לסכום של כולם. שם מסתתר החיסכון האמיתי. ומבחינת עלויות: לפי ניתוח של CloudZero, agent teams בתצורת plan mode צורכות 7x tokens לעומת צ'אט רגיל. עם nested agents ב-3 רמות, אנתרופיק מציינת שמחקר מורכב יכול להגיע ל-15x. הפתרון: Opus רק ברמה 1. Sonnet ו-Haiku בשאר.

המספרים שפרסמה אנתרופיק: 90% פחות זמן

ב-2025, ב-The AI Engineer פורסם ניתוח מעמיק של ה-Research feature של אנתרופיק, שמבוסס על ארכיטקטורת parallel subagents. הנתונים שצוינו:

• שיפור של 90.2% בביצועי מחקר לעומת Claude Opus 4 עם סוכן יחיד, על ה-benchmark הפנימי של אנתרופיק.
• 90% צמצום בזמן על שאילתות מחקר מורכבות. מה שלקח שעה לוקח כ-6 דקות.
• עלות גבוהה יותר, אבל צפויה. כשמבינים את כלל ה-7x/15x ומתכננים את בחירת המודלים בהתאם, המתמטיקה עובדת.

זה מה שראיתי גם בפועל. המערכת שהגיעה ל-1,500 קליקים מגוגל ב-28 יום לא עובדת עם סוכן אחד שכותב ומפרסם. יש שלוש שכבות: subagent ראשון מחקר נושאים, שני מייצר טיוטה, שלישי בודק לפני פרסום. הזמן הכולל שווה לזמן הכתיבה של טיוטה אחת, לא לסכום שלוש הפעולות. בדיוק אותו עיקרון.

prompt קונקרטי: ככה מריצים מחקר שוק שלם

בוא נעבור על prompt אמיתי שאפשר לקחת ולהתאים. המשימה: מחקר שוק על קהל יעד לפני השקת מוצר חדש.

שים לב לפרט הקריטי: "כל שאלה חייבת להיות שאפשר לבצע בלי לדעת תשובות האחרות". אם שאלה 2 תלויה בממצאי שאלה 1, הארכיטקטורה המקבילה קורסת.

דוגמה קונקרטית לבעיה: שאלה אחת "מה גודל שוק הדרכות AI לבעלי עסקים בישראל?" ושאלה שנייה "מי המתחרים הגדולים בשוק הזה?". נשמעות עצמאיות. אבל אם הסוכן הראשון מגדיר "שוק הדרכות AI" כדרכות טכניות, הסוכן השני יחזיר מתחרים לא רלוונטיים לקהל של בעלי עסקים. הפתרון: הוסף הגדרה מפורשת בכל שאלה. "שוק הדרכות AI לבעלי עסקים לא-טכניים בישראל, 2026". הספציפיות הזאת מסנכרנת את הסוכנים בלי שהם מדברים זה עם זה.

מתי Nested Agents כדאי, ומתי לא

לא כל משימה מצדיקה 3 רמות. הנה הכלל הפשוט:

• כן: מחקר שוק, ניתוח מתחרים, איסוף נתונים ממקורות מרובים. כל משימה שאפשר לשבור ל-N שאלות עצמאיות שרצות בו-זמנית.
• כן: כשהזמן חשוב יותר מהעלות. 10 מתחרים תוך 6 דקות במקום שעה שלמה, לפני פגישת אסטרטגיה, לפני פיץ', לפני השקה.
• לא: משימות עם תלויות הדדיות בין שלבים. כשתשובה אחת תלויה בשאלה קודמת, ארכיטקטורה מקבילה לא עוזרת.
• לא: משימות פשוטות שסוכן יחיד יסיים תוך 2 דקות. עומס של 3 רמות לא מצדיק את עצמו.
• לא: כשצריך state משותף בין הסוכנים בזמן אמת. Nested Agents מבודדים. כל אחד חי בעולם שלו ולא מדבר עם האחרים.

המדריך המלא לקלוד קוד מכסה את ההבדל בין subagents לבין agent teams: מקרים שבהם הסוכנים כן צריכים לתקשר ביניהם בזמן אמת. שני כלים שונים לצרכים שונים.

5 צעדים להרצת Nested Agent ראשון: מחקר שוק בנישה שלך

עכשיו שמבינים מתי זה כדאי ומתי לא, בוא ניגש לפרקטיקה.

• הגדר subagents ב-CLAUDE.md: כתוב instructions ברורות לכל רמה. מה כל subagent מקבל כקלט, מה הוא מחזיר כפלט, ואילו כלים מותרים לו. ספציפיות = תוצאות טובות. המדריך לכתיבת CLAUDE.md מסביר בדיוק איך.
• שבור את המחקר ל-4 שאלות עצמאיות: לפני שמריצים, כתוב את 4 השאלות. לכל אחת שאל: "האם אפשר לענות עליה בלי לדעת מה מצאו האחרות?" אם לא, שנה את הניסוח.
• הגדר מודל לכל רמה: Opus לרמה 1 (orchestrator), Sonnet לרמה 2 (researchers), Haiku לרמה 3 (verifier). אל תשתמש ב-Opus בכל מקום.
• הרץ ובדוק שימוש ב-tokens: תראה עלות גבוהה יותר מצ'אט רגיל. זה נורמלי. שאל את עצמך: כמה שווה לך שעת עבודה חסוכה? אם התשובה גבוהה מהעלות, המשך.
• שפר את prompt הפירוק: אחרי הרצה ראשונה, קרא את הדוח וזהה איפה הייתה חפיפה או חסר. שפר את 4 השאלות לפני הרצה הבאה. הרצה שנייה כמעט תמיד טובה בהרבה מהראשונה.

הסיכום: 6 דקות במקום שעה, בלי לגעת

Nested Agents הם לא עוד כלי מגניב. הם שינוי אמיתי בדרך שבה בעל עסק מנהל מחקר שוק.

במקום לשבת שעה מול הצ'אט ולשאול שאלה אחרי שאלה, אתה כותב prompt אחד, עוזב. ה-AI מחלק, חוקר, מאמת, מסכם. אתה חוזר לדוח מוכן.

ה-prompt הקונקרטי שכתבתי למעלה: תעתיק, תתאים לנישה שלך, תרוץ. תשפר אחרי הרצה שנייה. זה הפורמט.

מה שבאמת עושה הבדל הוא לבנות את זה נכון בפעם הראשונה, בלי לבזבז שבועות על טעויות שכבר מישהו אחר עשה. על זה בדיוק עובדים 300+ יזמים שכבר בנו מערכות אוטומציה יחד איתנו. שיווק דיגיטלי ב-2026 הוא מי שמריץ מערכות. לא מי שרץ בעצמו.

באהבה ענקית,
יהב.