PunchEkiti farmers hail FG over flood relief interventionInquirerChua ‘surprised’ by VP’s PNP remark, cites family’s violent pastThe Jerusalem PostWinter Dreams 2026: The international light experience returns bigger and brighterZDF heuteEntdecken Sie das ZDF-NachrichtenstudioScreen RantAvengers Endgame: Encore’s New Scenes Are Worse Than Anything George Lucas Did To Star WarsRai NewsSerie A, A fine primo tempo Milan-Frosinone 2-1, segui la cronaca testuale e la radiocronacaSportstarIndia A vs Pakistan A LIVE score, Rising Stars Asia Cup 2026: IND 223/6 (40); IND-A needs 91 from 60 balls; Tilak, Shahbaz batting7sur7“Une provocation”: les objets volants tombés en Pologne étaient des missiles de croisière russesThe ConversationAir New Zealand is betting on Christchurch. But will the regions benefit as well?ESPNNBA betting roundtable: MVP picks, playoff long shots and futures worth bettingRTP DesportoFarense bate Fátima e avança para os 'oitavos' da Taça de PortugalCBS NewsTom Jackson, former Broncos star and sports broadcaster, dies at 75
The Daily Newsstand · Free, Always
Sunday, November 22, 2026

9 שנות קוד ב-7 ימי עבודה: כך העברנו בעזרת AI מערכת בפרודקשן מ-Python ל-Go

Translate

המהלך חתך את עלויות הענן ב-80% ושיפר ביצועים משמעותית. כך תכננו וביצענו את מיגרציית הקוד

תמונה: גיקטיים, AI

שבעה ימי עבודה – זה הזמן שלקח לנו להעביר את הקוד הפעיל שלנו בפרודקשן מ-Python ל-Go, באמצעות AI. התוצאה? ירידה של 80 אחוז בעלויות הענן ושיפור ביצועים של עד פי 11 בפונקציות מסוימות. עלות הטוקנים הסתכמה בכ-5% בלבד מהחיסכון שהשגנו. עד לאחרונה, פרויקט כזה היה דורש השקעה משמעותית של זמן ומשאבי פיתוח, אבל השימוש ב-AI שינה את המשוואה לחלוטין. כיצד עשינו את זה? מה למדנו? ומדוע זה עשוי לשנות לגמרי את מה שחשבנו על עולם פיתוח התוכנה?

הסרוויס שבחרנו נקרא MobileProtectionService והוא אחראי על הגנה מפני איומים בגלישה במכשירי Android ובהודעות SMS. לאורך השנים נוספו לו יכולות, הביצועים הפכו למגבלה ועיבוד כמויות גדולות של מידע נעשה יקר יותר. זה לא היה הסרוויס הכי גדול או המורכב ביותר שלנו, ודווקא זו הסיבה שהוא התאים לניסוי. רצינו לבחון אם אפשר לשפר ביצועים, להפחית עלויות ולהפריד בין תחומי אחריות באמצעות מעבר ל-Go.

שלב ראשון – מחקר ותכנון

לפני שהתחלתי לכתוב שורה אחת של קוד, הייתי צריך להבין עם מה אני מתמודד פה. התחלתי בלבקש מקלוד (Fable 5.1 – המודל החכם ביותר שהיה זמין) למפות את הסרוויס לפי ראוטים, לעקוב אחרי הקוד מאחוריהם ולזהות את התלויות שלהם. בהמשך הבאתי את סול (Sol 6 – מודל ביצוע עקבי עם אינטליגנציה גבוהה) ואת גרוק (Grok 4.7 מודל זול למשימות ארוכות טווח) כדי לבדוק את העבודה שקלוד ביצע. רציתי שיבדקו את היקף העבודה בעצמם לאחר הממצאים של קלוד, יאתגרו את הקביעות שלו ויחפשו דברים שאולי הוא פספס.

אחרי כמה סיבובים של הלוך ושוב בין המודלים השונים היה לנו מספיק תוכן מדויק כדי לקבל החלטות הנדסיות כצוות. לאחר מכן ישבנו ביחד כצוות עם מפה אינטראקטיבית של התלויות ועברנו על הסרוויס בחתיכות קטנות ומיפינו אותו: מה אנחנו משכתבים, מה אנחנו משתמשים במודול שכבר קיים לנו ב-Go ומה אנחנו משאירים ב-Python. דוגמה אחת הייתה המודול המשמש אותנו לתקשורת עם הלקוחות באפיקים שונים. לבצע לו מיגרציה היה מצריך גם מיגרציה של כל התלויות שלו ומגדיל את היקף הפרויקט בצורה משמעותית. לעומת זאת, לתקשר איתו באמצעות תור, פגש את כל הצרכים שלנו בלי הפסד כלשהו, ולכן השארנו אותו ב-Python.

בסוף התהליך קיבלנו שני תוצרים: מפה אינטראקטיבית של התלויות שלנו וכלל ההחלטות שקיבלנו כצוות. לקחתי את שניהם ונתתי אותם לקלוד (Fable 5.1) ביקשתי ממנו לייצר מהם תוכנית מימוש עבור שני סרוויסים חדשים ב-Go – אחד עבור ההגנה שלנו מהודעות סמס והשני עבור הגנה בגלישה באנדרואיד. התוכנית התבקשה להיות על פי הקונבנציות שלנו ולפרט את השינויים והתוספות הנדרשים בעבור כל סרוויס.

שלב שני – איך ניתן לדעת שאפשר להמשיך?

השלב הברור הבא הוא לממש את התוכנית. המטרה הייתה ברורה – לייצר סרוויסים חדשים ב-Go בתאימות מלאה לזה הקיים ב-Python. אבל איך ניתן לדעת שהשגנו את המטרה? אינדיקטור טוב הוא תחילת השימוש בטסטים. לצערי הרב, היו לנו אמנם הרבה מאוד unit tests, אבל בגדול אפס טסטים מסוג integration/E2E שמכסים את הלוגיקה המרכזית של השירות. זאת בעיה רצינית. הייתי צריך משהו יותר משכנע להסתמך עליו מאשר "קלוד אומר שהוא סיים והכל עובד בצורה תקינה" כדי שבאמת אוכל לסמוך על הסרוויסים החדשים.

לכן הדבר הראשון שעשיתי היה להתחיל לממש סדרה שלמה של טסטים אל מול הסרוויס הקיים ב-Python. לפני שאבקש מהסוכן לממש את ההתנהגות שלנו, הייתי צריך להבין בדיוק מה ההתנהגות הזו הייתה. בשלב הזה התחלתי לחשוב מה בעצם אומרת "תאימות עסקית מלאה": בקשה נכנסת, וחוזרת תגובה במבנה כלשהו. אבל זה לא כל הסיפור, בדרך אנחנו מבצעים כל מיני פעולות מול הדיבי שלנו, מעדכנים מאגרי key-value (רדיס), מפרסמים הודעות לתור או מייצרים לוגים, מטריקות ואיוונטים. רציתי שהטסטים ידעו לאחוז גם בדברים הללו.

אותו ה-Input יקבל את אותו ה-Output. ואותם הדברים יקרו מאחורי הקלעים. עם זה הייתי יכול לעבוד. אז ביקשתי מקלוד שיבנה מערך טסטים עבור כל endpoint בסרוויס. בדיקת "happy-flow" אחת לא תספיק פה. צריך סדרה של מקרים שונים, הצלחות וכשלונות בתנאים שונים. אחרי שסידרנו את הטסטים החדשים שיעבדו מול הסרוויס הקיים, יצרנו את התשתית כדי להשתמש בהם על הסרוויסים החדשים. אם יהיה שינוי באחד הטסטים נדע שיש מקרה שצריך לחקור.

שלב שלישי – מימוש

עם תוכנית המימוש והטסטים החדשים, היה לי את כל מה שאני צריך כדי להתחיל לממש את הסרוויסים החדשים. בשלב הזה בחרתי להתקדם עם שני סוכנים בעלי משימות שונות:

  1. The implementer – מודל מהיר וממוקד (Grok 4.7) אשר לקח את התוכנית, התחיל לממש אותה, כתב את הקוד, הריץ את הטסטים ועבד עד שפתר את כלל הכישלונות.

  2. The Reviewer – מודל עם יכולות reasoning חזקות (Fable 5.1). העבודה שלו הייתה להטיל ספק במימוש, לחפש בעיות ולוודא שאנחנו בונים על פי התוכנית.

אז לקחתי את שניהם ושמתי אותם בלולאה implement, review, fix, test, repeat. ה-implementer כתב את הקוד, וה-Reviewer חיפש בו בעיות. לאחר מכן ה-implementer לקח את הפידבק וביצע את השינויים הנדרשים. כך הלוך חזור.

לקח בערך 12 שעות של ריצה בלולאות עד שה-agents סיימו את הגרסה הראשונה. לשמחתי השארתי אותם לרוץ בלילה. הם עבדו – אני ישנתי. ובבוקר כבר היה לנו תוצר לעבוד איתו. אחרי שכל הטסטים שכתבנו עברו – יכולנו סוף סוף לקחת מכשיר אמיתי ולהתנסות איתו כדי לוודא שהכל עובד כמצופה.

שלב רביעי – Deployment

בשלב הזה הסרוויסים החדשים כבר עובדים כפי שרצינו. ולכן שאלתי את עידו, Founding Engineer בחברה "אז, מה נעשה עכשיו?", ציפיתי לאיזה תגובה מורכבת. אבל במקום, הוא אמר לי "בוא ניקח את זה לפרודקשן. עכשיו". והאמת חשבתי – למה לא? הרצנו כמות גדולה של טסטים גם אוטומטיים וגם ידניים והרגשתי מוכן. אז הכנתי proxy שיוכל לנתב את הבקשות בין הרכיב הישן לחדשים על פי קונפיגורציה, בכדי שנוכל לשלוט כמה אחוזים מהתעבורה כל אחד מהסרוויסים מקבל. בהתחלה ללא תנועה ב-Go.

והתחלנו עם 1% של תנועה לסרוויסים החדשים למשך שעה. הכל עבד חלק, אז עברנו ל-10% והשארנו את זה לרוץ בלילה. בבוקר כבר היינו מוכנים ל-50%, שהשארנו ל-24 שעות נוספות. ביום שלמחרת כבר עלינו ל-100%. לפני כל עליה בכמות התנועה לסרוויסים בדקנו זמני תגובות, שימוש במשאבים, שגיאות ואחוזי זיהוי איומים. ה-Python נשאר זמין לכל אורך התקופה, כדי שבכל מקרה של בעיה נוכל לעצור את התנועה לסרוויסים החדשים ולהחזיר את המצב לקדמותו.

קצת נתונים: השכתוב פתר לנו את בעיות הביצועים וחתך עלויות ענן בכ-80%. זמני תגובה בפרודקשן שימוש ממוצע במשאבים

מה למדתי?

  1. לחשוב בגדול יותר ולבנות בגדול יותר: הפרויקט הזה שינה את מה שחשבתי שאני יכול לקחת על עצמי. יש רעיונות שבעבר היו מרגישים גדולים מדי והיום שווה ממש לנסות אותם. אני חושב שחייבים לשבור את ההנחות הישנות שלנו, לחשוב מחדש על שיטת העבודה המוכרת לנו ולתת יותר מקום לשאפתנות.

  2. לתת לסוכנים הנחיות מדויקות והגדרות ממוקדות: "תשכתב את הסרוויס" משאיר לסוכן הרבה מקום לחשוב בעצמו. הסוכנים צריכים מטרה ברורה שהם יכולים לבדוק את עצמם עליה בצורה דטרמיניסטית. ברגע שנתנו להם קו סיום ברור, היינו יכולים באמת לצלוח את הפרויקט.

  3. הנדסת תוכנה היא עדיין מאמץ צוותי: בעבורי השלב החשוב ביותר היה התכנון. לשבת כצוות ולקבל החלטות על מה לשכתב ואיך הסרוויסים החדשים יתנהגו ביחד. השיחות הללו עיצבו את כל מה שעשינו לאורך הדרך.

View the original on גיקטיים →

KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.