Home / Glossary
AI Coding Glossary
Key terms in AI-assisted development, explained clearly with practical context.
Agentic Coding
Το agentic coding είναι μια προσέγγιση ανάπτυξης λογισμικού όπου ένας AI πράκτορας αυτόνομα διαβάζει τη βάση κώδικά σας, γράφει κώδικα, εκτελεί εντολές και επαναλαμβάνει βάσει αποτελεσμάτων χωρίς χειροκίνητη αντιγραφή-επικόλληση. Σε αντίθεση με το AI βάσει συνομιλίας, ο πράκτορας αναλαμβάνει άμεση δράση στο περιβάλλον ανάπτυξής σας για να ολοκληρώσει πολυβηματικές εργασίες.
Claude Code
Το Claude Code είναι ο AI coding agent της Anthropic βάσει τερματικού που λειτουργεί απευθείας στο περιβάλλον ανάπτυξής σας. Διαβάζει ολόκληρο το έργο σας, γράφει κώδικα σε πολλά αρχεία, εκτελεί εντολές shell, διαχειρίζεται ροές εργασίας git και επαναλαμβάνει σε σφάλματα αυτόνομα — όλα από τη γραμμή εντολών.
Model Context Protocol (MCP)
Το Model Context Protocol (MCP) είναι ένα ανοιχτό πρότυπο που δημιούργησε η Anthropic και παρέχει έναν καθολικό τρόπο σύνδεσης μοντέλων AI με εξωτερικά εργαλεία, πηγές δεδομένων και APIs. Λειτουργεί ως τυποποιημένη διεπαφή — σαν USB για AI — ώστε κάθε εργαλείο συμβατό με MCP να λειτουργεί με κάθε AI agent συμβατό με MCP.
CLAUDE.md
Το CLAUDE.md είναι ένα αρχείο διαμόρφωσης markdown που τοποθετείται στη ρίζα του έργου σας και παρέχει στο Claude Code επίμονες, ειδικές για έργο οδηγίες. Ενημερώνει τον πράκτορα για τις συμβάσεις coding, αρχιτεκτονική, κοινές εντολές και κανόνες — λειτουργώντας ως μορφή μακροχρόνιας μνήμης που εφαρμόζεται σε κάθε συνεδρία σε αυτό το έργο.
AI Pair Programming
Το AI pair programming είναι μια ροή εργασίας ανάπτυξης όπου ένας ανθρώπινος προγραμματιστής συνεργάζεται με ένα εργαλείο AI για συλλογική σύνταξη κώδικα σε πραγματικό χρόνο. Ο προγραμματιστής παρέχει κατεύθυνση, πλαίσιο και κρίση ενώ η AI συνεισφέρει υποδείξεις κώδικα, εντοπίζει σφάλματα και χειρίζεται επαναλαμβανόμενες εργασίες υλοποίησης.
Context Window
Ένα context window είναι ο μέγιστος αριθμός tokens (λέξεις, χαρακτήρες κώδικα και σύμβολα) που μπορεί να επεξεργαστεί ένα μοντέλο AI σε μία μόνο αλληλεπίδραση. Ορίζει το ανώτατο όριο της πληροφορίας — συμπεριλαμβανομένης της προτροπής σας, κώδικα και της απόκρισης του μοντέλου — που μπορεί να κρατά η AI στη μνήμη ταυτόχρονα.
Coding Agent
Ένας coding agent είναι ένα εργαλείο βασισμένο σε AI που μπορεί αυτόνομα να διαβάζει αρχεία, να γράφει κώδικα, να εκτελεί εντολές τερματικού και να επαναλαμβάνει βάσει αποτελεσμάτων για να ολοκληρώσει εργασίες προγραμματισμού. Σε αντίθεση με παθητικά εργαλεία υπόδειξης κώδικα, ένας coding agent αναλαμβάνει ανεξάρτητη δράση στο περιβάλλον ανάπτυξής σας για να επιτύχει έναν δηλωμένο στόχο.
Vibe Coding
Το vibe coding είναι μια ανεπίσημη προσέγγιση στην ανάπτυξη λογισμικού όπου ένας προγραμματιστής περιγράφει τι θέλει σε φυσική γλώσσα και αφήνει ένα εργαλείο AI να χειριστεί τις λεπτομέρειες υλοποίησης. Αντί για σύνταξη ακριβών προδιαγραφών, ο προγραμματιστής επικοινωνεί πρόθεση μέσω casual συνομιλίας και επαναλαμβάνει βάσει αποτελεσμάτων.
AI Code Review
Το AI code review είναι η διαδικασία χρήσης τεχνητής νοημοσύνης για αυτόματη ανάλυση πηγαίου κώδικα για σφάλματα, ευπάθειες ασφάλειας, ασυνέπειες στυλ και ζητήματα ποιότητας. Οι AI reviewers μπορούν να εξετάζουν pull requests, να προτείνουν βελτιώσεις και να εντοπίζουν προβλήματα που ανθρώπινοι reviewers μπορεί να χάσουν λόγω κόπωσης ή χρονικής πίεσης.
Prompt Engineering για Κώδικα
Το prompt engineering για κώδικα είναι η πρακτική διαμόρφωσης σαφών, ειδικών οδηγιών που βοηθούν εργαλεία AI coding να παράγουν ακριβή, σχετική έξοδο. Περιλαμβάνει δόμηση αιτημάτων με το σωστό επίπεδο πλαισίου, περιορισμών και παραδειγμάτων ώστε η AI να κατανοεί τόσο τι θέλετε όσο και πώς θέλετε να γίνει.
Headless AI Agent
Ένας headless AI agent είναι ένας coding agent που εκτελείται χωρίς ανθρωποκεντρική διεπαφή ή αλληλεπίδραση σε πραγματικό χρόνο. Εκτελεί εργασίες αυτόνομα σε διαδικασίες παρασκηνίου, pipelines CI/CD ή προγραμματισμένες εργασίες — διαβάζει κώδικα, κάνει αλλαγές, τρέχει δοκιμές και αναφέρει αποτελέσματα χωρίς να περιμένει ανθρώπινη εισαγωγή σε κανένα βήμα.
Sub-Agents
Τα sub-agents είναι παράλληλες child διαδικασίες που δημιουργεί ένας κύριος AI coding agent για να χειριστεί ανεξάρτητα τμήματα μιας σύνθετης εργασίας ταυτόχρονα. Αντί να επεξεργάζεται τα πάντα διαδοχικά, ο κύριος πράκτορας αναθέτει υπο-εργασίες σε εξειδικευμένους child agents που εκτελούνται παράλληλα και αναφέρουν αποτελέσματα πίσω στον γονέα.
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.