Home / Glossary
AI Coding Glossary
Key terms in AI-assisted development, explained clearly with practical context.
Programación Agéntica
La programación agéntica es un enfoque de desarrollo de software donde un agente de IA lee tu código base de forma autónoma, escribe código, ejecuta comandos e itera sobre los resultados sin copiar y pegar manualmente. A diferencia de la IA basada en chat, el agente toma acciones directas en tu entorno de desarrollo para completar tareas de múltiples pasos.
Claude Code
Claude Code es el agente de programación con IA basado en terminal de Anthropic que opera directamente en tu entorno de desarrollo. Lee todo tu proyecto, escribe código en múltiples archivos, ejecuta comandos de shell, gestiona flujos de trabajo de git e itera sobre errores de forma autónoma—todo desde la línea de comandos.
Model Context Protocol (MCP)
El Model Context Protocol (MCP) es un estándar abierto creado por Anthropic que proporciona una forma universal de conectar modelos de IA con herramientas externas, fuentes de datos y APIs. Actúa como una interfaz estandarizada—como USB para IA—para que cualquier herramienta compatible con MCP funcione con cualquier agente de IA compatible con MCP.
CLAUDE.md
CLAUDE.md es un archivo de configuración en formato markdown colocado en la raíz de tu proyecto que proporciona a Claude Code instrucciones persistentes y específicas del proyecto. Le dice al agente sobre tus convenciones de código, arquitectura, comandos comunes y reglas—actuando como una forma de memoria a largo plazo que se aplica a cada sesión en ese proyecto.
Programación en Pareja con IA
La programación en pareja con IA es un flujo de trabajo de desarrollo donde un desarrollador humano trabaja junto a una herramienta de IA para escribir código de forma colaborativa en tiempo real. El desarrollador proporciona dirección, contexto y juicio mientras la IA contribuye sugerencias de código, detecta errores y maneja tareas de implementación repetitivas.
Ventana de Contexto
Una ventana de contexto es el número máximo de tokens (palabras, caracteres de código y símbolos) que un modelo de IA puede procesar en una sola interacción. Define el límite superior de cuánta información—incluyendo tu prompt, código y la respuesta del modelo—la IA puede mantener en memoria a la vez.
Agente de Programación
Un agente de programación es una herramienta impulsada por IA que puede leer archivos, escribir código, ejecutar comandos en la terminal e iterar sobre los resultados de forma autónoma para completar tareas de programación. A diferencia de las herramientas pasivas de sugerencia de código, un agente de programación toma acciones independientes en tu entorno de desarrollo para lograr un objetivo declarado.
Vibe Coding
El vibe coding es un enfoque informal de desarrollo de software donde un desarrollador describe lo que quiere en lenguaje natural y deja que una herramienta de IA se encargue de los detalles de implementación. En lugar de escribir especificaciones precisas, el desarrollador comunica su intención a través de conversación casual e itera basado en los resultados.
Revisión de Código con IA
La revisión de código con IA es el proceso de usar inteligencia artificial para analizar automáticamente código fuente buscando errores, vulnerabilidades de seguridad, inconsistencias de estilo y problemas de calidad. Los revisores con IA pueden examinar pull requests, sugerir mejoras y detectar problemas que los revisores humanos podrían pasar por alto por fatiga o presión de tiempo.
Ingeniería de Prompts para Código
La ingeniería de prompts para código es la práctica de crear instrucciones claras y específicas que ayudan a las herramientas de programación con IA a producir resultados precisos y relevantes. Implica estructurar tus solicitudes con el nivel correcto de contexto, restricciones y ejemplos para que la IA entienda tanto lo que quieres como cómo lo quieres.
Agente de IA Headless
Un agente de IA headless es un agente de programación que se ejecuta sin una interfaz orientada al usuario o interacción en tiempo real. Ejecuta tareas de forma autónoma en procesos en segundo plano, pipelines CI/CD o trabajos programados—leyendo código, haciendo cambios, ejecutando pruebas y reportando resultados sin esperar entrada humana en ningún paso.
Sub-Agentes
Los sub-agentes son procesos hijos paralelos generados por un agente principal de programación con IA para manejar partes independientes de una tarea compleja simultáneamente. En lugar de procesar todo secuencialmente, el agente principal delega sub-tareas a agentes hijos especializados que se ejecutan en paralelo y reportan resultados al padre.
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.