Home / Glossary
AI Coding Glossary
Key terms in AI-assisted development, explained clearly with practical context.
کدنویسی عاملیک
کدنویسی عاملیک یک رویکرد توسعه نرمافزار است که در آن یک عامل هوش مصنوعی بهصورت خودکار کدپایه شما را میخواند، کد مینویسد، دستورات را اجرا میکند و روی نتایج تکرار میکند، بدون اینکه نیازی به کپیپیست دستی باشد. برخلاف هوش مصنوعی مبتنی بر چت، عامل مستقیماً در محیط توسعه شما برای انجام وظایف چندمرحلهای اقدام میکند.
Claude Code
Claude Code عامل کدنویسی هوش مصنوعی مبتنی بر ترمینال Anthropic است که مستقیماً در محیط توسعه شما عمل میکند. کل پروژه شما را میخواند، کد را در چندین فایل مینویسد، دستورات شل را اجرا میکند، گردشکارهای git را مدیریت میکند و بهصورت خودکار روی خطاها تکرار میکند — همه از خط فرمان.
پروتکل زمینه مدل (MCP)
پروتکل زمینه مدل (MCP) یک استاندارد باز ساختهشده توسط Anthropic است که یک روش جهانی برای اتصال مدلهای هوش مصنوعی به ابزارها، منابع داده و APIهای خارجی فراهم میکند. مانند USB برای هوش مصنوعی، بهعنوان یک رابط استاندارد عمل میکند تا هر ابزار سازگار با MCP بتواند با هر عامل هوش مصنوعی سازگار با MCP کار کند.
CLAUDE.md
CLAUDE.md یک فایل پیکربندی markdown است که در ریشه پروژه شما قرار میگیرد و دستورالعملهای دائمی و مختص پروژه را به Claude Code ارائه میدهد. به عامل درباره قراردادهای کدنویسی، معماری، دستورات رایج و قوانین میگوید — و بهعنوان نوعی حافظه بلندمدت که در هر جلسه آن پروژه اعمال میشود عمل میکند.
برنامهنویسی جفتی با هوش مصنوعی
برنامهنویسی جفتی با هوش مصنوعی یک گردشکار توسعه است که در آن یک توسعهدهنده انسانی در کنار یک ابزار هوش مصنوعی برای نوشتن مشترک کد در لحظه کار میکند. توسعهدهنده جهت، زمینه و قضاوت را فراهم میکند در حالی که هوش مصنوعی پیشنهادات کد میدهد، باگها را تشخیص میدهد و وظایف پیادهسازی تکراری را مدیریت میکند.
پنجره زمینه
پنجره زمینه حداکثر تعداد توکنهایی (کلمات، کاراکترهای کد و نمادها) است که یک مدل هوش مصنوعی میتواند در یک تعامل واحد پردازش کند. حد بالایی را تعریف میکند که چه مقدار اطلاعات — از جمله دستور شما، کد و پاسخ مدل — هوش مصنوعی میتواند بهیکباره در حافظه نگه دارد.
عامل کدنویسی
عامل کدنویسی یک ابزار مبتنی بر هوش مصنوعی است که میتواند بهصورت خودکار فایلها را بخواند، کد بنویسد، دستورات ترمینال را اجرا کند و روی نتایج تکرار کند تا وظایف برنامهنویسی را تکمیل کند. برخلاف ابزارهای منفعل پیشنهاد کد، یک عامل کدنویسی در محیط توسعه شما برای رسیدن به یک هدف اعلامشده بهطور مستقل اقدام میکند.
ویبکدینگ
ویبکدینگ یک رویکرد غیررسمی به توسعه نرمافزار است که در آن یک توسعهدهنده آنچه میخواهد را به زبان طبیعی توصیف میکند و بگذارید یک ابزار هوش مصنوعی جزئیات پیادهسازی را مدیریت کند. بهجای نوشتن مشخصات دقیق، توسعهدهنده از طریق مکالمه غیررسمی قصد را بیان میکند و بر اساس نتایج تکرار میکند.
بررسی کد با هوش مصنوعی
بررسی کد با هوش مصنوعی فرایند استفاده از هوش مصنوعی برای تحلیل خودکار کد منبع از نظر باگها، آسیبپذیریهای امنیتی، ناسازگاریهای سبک و مشکلات کیفیت است. بررسیکنندگان هوش مصنوعی میتوانند درخواستهای pull را بررسی کنند، بهبودها را پیشنهاد دهند و مشکلاتی را که بررسیکنندگان انسانی ممکن است به دلیل خستگی یا فشار زمانی از دست بدهند شناسایی کنند.
مهندسی دستور برای کد
مهندسی دستور برای کد عملی است که در آن دستورالعملهای واضح و مشخصی تهیه میکنید که به ابزارهای کدنویسی هوش مصنوعی کمک میکنند خروجی دقیق و مرتبط تولید کنند. این شامل ساختاردهی درخواستهای شما با سطح مناسب زمینه، محدودیتها و مثالهاست تا هوش مصنوعی هم آنچه میخواهید و هم نحوه انجام آن را درک کند.
عامل هوش مصنوعی headless
یک عامل هوش مصنوعی headless یک عامل کدنویسی است که بدون یک رابط انسانی یا تعامل بلادرنگ اجرا میشود. وظایف را بهطور مستقل در فرایندهای پسزمینه، خطوط CI/CD یا کارهای زمانبندیشده اجرا میکند — کد را میخواند، تغییرات ایجاد میکند، تستها را اجرا میکند و نتایج را بدون انتظار برای ورودی انسانی در هر مرحله گزارش میدهد.
زیرعاملها
زیرعاملها فرایندهای فرزند موازی هستند که توسط یک عامل کدنویسی اصلی برای مدیریت همزمان بخشهای مستقل یک وظیفه پیچیده ایجاد میشوند. بهجای پردازش همه چیز بهصورت متوالی، عامل اصلی زیروظایف را به عوامل فرزند تخصصی که بهصورت موازی اجرا میشوند و نتایج را به والد گزارش میدهند تفویض میکند.
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.