Home / Glossary
AI Coding Glossary
Key terms in AI-assisted development, explained clearly with practical context.
Agentic Coding
Agentic Coding ist ein Softwareentwicklungsansatz, bei dem ein KI-Agent autonom Ihre Codebasis liest, Code schreibt, Befehle ausfuehrt und Ergebnisse iteriert – ohne manuelles Kopieren und Einfuegen. Im Gegensatz zu chatbasierter KI ergreift der Agent direkte Massnahmen in Ihrer Entwicklungsumgebung, um mehrstufige Aufgaben zu erledigen.
Claude Code
Claude Code ist Anthropics terminalbasierter KI-Coding-Agent, der direkt in Ihrer Entwicklungsumgebung arbeitet. Er liest Ihr gesamtes Projekt, schreibt Code ueber mehrere Dateien, fuehrt Shell-Befehle aus, verwaltet Git-Workflows und iteriert autonom auf Fehlern – alles von der Kommandozeile aus.
Model Context Protocol (MCP)
Das Model Context Protocol (MCP) ist ein offener Standard, der von Anthropic entwickelt wurde und eine universelle Moeglichkeit bietet, KI-Modelle mit externen Tools, Datenquellen und APIs zu verbinden. Es fungiert als standardisierte Schnittstelle – wie USB fuer KI – sodass jedes MCP-kompatible Tool mit jedem MCP-kompatiblen KI-Agenten zusammenarbeiten kann.
CLAUDE.md
CLAUDE.md ist eine Markdown-Konfigurationsdatei, die im Stammverzeichnis Ihres Projekts platziert wird und Claude Code persistente, projektspezifische Anweisungen gibt. Sie informiert den Agenten ueber Ihre Coding-Konventionen, Architektur, gaengige Befehle und Regeln – als eine Form von Langzeitgedaechtnis, das fuer jede Sitzung in diesem Projekt gilt.
KI-Pair-Programming
KI-Pair-Programming ist ein Entwicklungs-Workflow, bei dem ein menschlicher Entwickler in Echtzeit mit einem KI-Tool zusammenarbeitet, um gemeinsam Code zu schreiben. Der Entwickler liefert Richtung, Kontext und Urteilsvermoegen, waehrend die KI Code-Vorschlaege beitraegt, Bugs erkennt und repetitive Implementierungsaufgaben uebernimmt.
Kontextfenster
Ein Kontextfenster ist die maximale Anzahl von Token (Woerter, Code-Zeichen und Symbole), die ein KI-Modell in einer einzelnen Interaktion verarbeiten kann. Es definiert die Obergrenze dessen, wie viel Information – einschliesslich Ihres Prompts, Codes und der Antwort des Modells – die KI gleichzeitig im Gedaechtnis halten kann.
Coding-Agent
Ein Coding-Agent ist ein KI-gestuetztes Tool, das autonom Dateien lesen, Code schreiben, Terminal-Befehle ausfuehren und Ergebnisse iterieren kann, um Programmieraufgaben zu erledigen. Im Gegensatz zu passiven Code-Vorschlags-Tools ergreift ein Coding-Agent unabhaengige Massnahmen in Ihrer Entwicklungsumgebung, um ein formuliertes Ziel zu erreichen.
Vibe Coding
Vibe Coding ist ein informeller Ansatz der Softwareentwicklung, bei dem ein Entwickler in natuerlicher Sprache beschreibt, was er will, und ein KI-Tool die Implementierungsdetails uebernimmt. Statt praezise Spezifikationen zu schreiben, kommuniziert der Entwickler seine Absicht durch lockere Konversation und iteriert basierend auf den Ergebnissen.
KI-Code-Review
KI-Code-Review ist der Prozess der Nutzung kuenstlicher Intelligenz zur automatischen Analyse von Quellcode auf Bugs, Sicherheitsluecken, Stilinkonsistenzen und Qualitaetsprobleme. KI-Reviewer koennen Pull Requests untersuchen, Verbesserungen vorschlagen und Probleme erkennen, die menschliche Reviewer aufgrund von Muedigkeit oder Zeitdruck uebersehen koennten.
Prompt Engineering fuer Code
Prompt Engineering fuer Code ist die Praxis, klare, spezifische Anweisungen zu formulieren, die KI-Coding-Tools helfen, genaue, relevante Ausgaben zu erzeugen. Es umfasst die Strukturierung Ihrer Anfragen mit dem richtigen Mass an Kontext, Einschraenkungen und Beispielen, damit die KI sowohl versteht, was Sie wollen als auch wie Sie es wollen.
Headless-KI-Agent
Ein Headless-KI-Agent ist ein Coding-Agent, der ohne benutzerseitige Oberflaeche oder Echtzeit-Interaktion laeuft. Er fuehrt Aufgaben autonom in Hintergrundprozessen, CI/CD-Pipelines oder geplanten Jobs aus – liest Code, nimmt Aenderungen vor, fuehrt Tests aus und meldet Ergebnisse, ohne an irgendeinem Schritt auf menschliche Eingabe zu warten.
Sub-Agenten
Sub-Agenten sind parallele Kind-Prozesse, die von einem Haupt-KI-Coding-Agenten gestartet werden, um unabhaengige Teile einer komplexen Aufgabe gleichzeitig zu bearbeiten. Anstatt alles sequenziell zu verarbeiten, delegiert der Hauptagent Teilaufgaben an spezialisierte Kind-Agenten, die parallel laufen und Ergebnisse an den Eltern-Agenten zurueckmelden.
AI Code Completion
AI code completion is a feature in development tools that uses machine learning models to predict and suggest code as you type. It ranges from single-line autocomplete to multi-line function generation, analyzing the surrounding code context to offer relevant suggestions that match your intent and coding style.
Large Language Model (LLM)
A large language model (LLM) is a deep learning system with billions of parameters, trained on vast datasets of text and code to understand, generate, and reason about natural language and programming languages. LLMs like Claude, GPT-4, and Gemini are the foundation of modern AI coding tools.
Retrieval-Augmented Generation (RAG)
Retrieval-augmented generation (RAG) is an AI architecture that improves the accuracy of language model responses by retrieving relevant information from external knowledge sources before generating an answer. Instead of relying solely on what the model memorized during training, RAG fetches up-to-date, domain-specific data and includes it in the model's context.
Tool Use
Tool use (also called tool calling) is the capability of a large language model to invoke external functions, APIs, or system commands as part of generating a response. Instead of being limited to producing text, a model with tool use can read files, run code, query databases, and interact with services—making it the foundation of agentic AI systems.
Function Calling
Function calling is an AI model capability where the model generates structured JSON arguments to invoke external functions instead of producing plain text. This enables LLMs to interact with APIs, databases, file systems, and other tools in a reliable, programmatic way—turning a conversational model into one that can take real-world actions.
System Prompt
A system prompt is a set of instructions provided to an AI model before the user's message that defines the model's behavior, persona, constraints, and capabilities. It acts as a configuration layer that shapes every response the model produces, without the user needing to repeat these instructions in each message.
Temperature
Temperature is a parameter in large language models that controls the randomness of the output. A temperature of 0 makes the model deterministic, always choosing the most probable next token. Higher temperatures (up to 1.0 or 2.0) increase randomness, making less probable tokens more likely to be selected. For coding tasks, lower temperatures generally produce more reliable, consistent code.
Token
A token is the fundamental unit of text that a large language model processes. Tokenization splits text into chunks—sometimes whole words, sometimes subwords, sometimes individual characters—that the model can work with. In English text, one token is roughly 3-4 characters or 0.75 words. In code, tokens map to keywords, operators, variable names, and whitespace.
Fine-Tuning
Fine-tuning is the process of further training a pre-trained large language model on a smaller, task-specific dataset to adapt its behavior for a particular use case. The model's weights are updated to specialize in a domain—such as a specific programming language, codebase, or output format—while retaining its general capabilities from pre-training.
Code Generation
AI code generation is the process of using artificial intelligence to produce source code from natural language descriptions, specifications, or existing code context. Modern code generation powered by LLMs can write entire functions, classes, tests, and even full applications from high-level instructions, across virtually any programming language.
AI Refactoring
AI refactoring is the use of artificial intelligence to automatically restructure, simplify, and improve existing source code without changing its external behavior. AI refactoring tools analyze code for complexity, duplication, poor naming, and anti-patterns, then apply transformations that make the code cleaner, more maintainable, and easier to understand.
AI Testing
AI testing is the application of artificial intelligence to software testing workflows—including generating unit tests, integration tests, and end-to-end tests from source code; identifying untested edge cases; analyzing test failures; and suggesting fixes. AI testing tools understand code semantics to write meaningful tests that go beyond basic coverage.
Multi-Modal AI
Multi-modal AI refers to artificial intelligence systems that can process, understand, and generate multiple types of data—text, images, audio, video, and code—within a single model. Unlike single-modal models that only handle text, multi-modal models can analyze a screenshot of a UI, read the associated code, and generate modifications based on both visual and textual understanding.
Chain-of-Thought
Chain-of-thought (CoT) prompting is a technique that encourages a large language model to break down complex problems into intermediate reasoning steps before producing a final answer. Instead of jumping to a conclusion, the model "thinks out loud," explaining each step of its logic. This significantly improves accuracy on tasks that require multi-step reasoning, including debugging, algorithm design, and code architecture decisions.
Few-Shot Prompting
Few-shot prompting is a technique where you include a small number of example input-output pairs in your prompt to demonstrate the pattern you want the AI to follow. By showing the model 2-5 examples of the desired behavior, it learns the format, style, and logic you expect—without any model training or fine-tuning. This is one of the most effective techniques for getting consistent, formatted output from LLMs.
Zero-Shot Prompting
Zero-shot prompting is a technique where you instruct an AI model to perform a task without providing any examples of the desired input-output format. You describe what you want in natural language, and the model relies entirely on its pre-trained knowledge to produce the output. It is the most natural way to interact with AI—just tell it what to do.
Embeddings
Embeddings are dense numerical vectors (arrays of floating-point numbers) that represent text, code, or other data in a high-dimensional space where semantically similar items are positioned close together. They enable AI systems to measure similarity between pieces of code, search codebases by meaning rather than keywords, and power retrieval-augmented generation (RAG) systems.
Vector Database
A vector database is a specialized database designed to store, index, and search high-dimensional embedding vectors efficiently. Unlike traditional databases that match exact values or keywords, vector databases find the most similar vectors to a query vector—enabling semantic search, recommendation systems, and the retrieval component of RAG (retrieval-augmented generation) architectures.
Technical Debt
Technical debt is the implied cost of future rework caused by choosing a quick, expedient solution now instead of a better approach that would take longer. Like financial debt, it accumulates interest: the longer it remains unaddressed, the more time and effort future changes require. Common sources include rushed features, skipped tests, outdated dependencies, and inconsistent architecture.