Home / Glossary
AI Coding Glossary
Key terms in AI-assisted development, explained clearly with practical context.
Codage Agentique
Le codage agentique est une approche de développement logiciel où un agent IA lit votre codebase de manière autonome, écrit du code, exécute des commandes et itère sur les résultats sans copier-coller manuel. Contrairement à l'IA basée sur le chat, l'agent prend des actions directes dans votre environnement de développement pour accomplir des tâches multi-étapes.
Claude Code
Claude Code est l'agent de codage IA en terminal d'Anthropic qui opère directement dans votre environnement de développement. Il lit l'intégralité de votre projet, écrit du code sur plusieurs fichiers, exécute des commandes shell, gère les workflows git et itère sur les erreurs de manière autonome — le tout depuis la ligne de commande.
Model Context Protocol (MCP)
Le Model Context Protocol (MCP) est un standard ouvert créé par Anthropic qui fournit un moyen universel de connecter les modèles IA aux outils externes, sources de données et APIs. Il agit comme une interface standardisée — comme l'USB pour l'IA — afin que tout outil compatible MCP puisse fonctionner avec tout agent IA compatible MCP.
CLAUDE.md
CLAUDE.md est un fichier de configuration markdown placé à la racine de votre projet qui fournit à Claude Code des instructions persistantes et spécifiques au projet. Il indique à l'agent vos conventions de codage, votre architecture, vos commandes courantes et vos règles — servant de forme de mémoire à long terme qui s'applique à chaque session dans ce projet.
Programmation en binôme IA
La programmation en binôme IA est un workflow de développement où un développeur humain travaille aux côtés d'un outil IA pour écrire du code de manière collaborative en temps réel. Le développeur fournit la direction, le contexte et le jugement tandis que l'IA contribue des suggestions de code, détecte les bugs et gère les tâches d'implémentation répétitives.
Fenêtre de contexte
Une fenêtre de contexte est le nombre maximum de tokens (mots, caractères de code et symboles) qu'un modèle IA peut traiter en une seule interaction. Elle définit la limite supérieure de la quantité d'informations — incluant votre prompt, le code et la réponse du modèle — que l'IA peut garder en mémoire en même temps.
Agent de codage
Un agent de codage est un outil alimenté par l'IA qui peut lire des fichiers de manière autonome, écrire du code, exécuter des commandes terminal et itérer sur les résultats pour accomplir des tâches de programmation. Contrairement aux outils passifs de suggestion de code, un agent de codage prend des actions indépendantes dans votre environnement de développement pour atteindre un objectif énoncé.
Vibe Coding
Le vibe coding est une approche informelle du développement logiciel où un développeur décrit ce qu'il veut en langage naturel et laisse un outil IA gérer les détails d'implémentation. Au lieu d'écrire des spécifications précises, le développeur communique son intention via une conversation décontractée et itère en fonction des résultats.
Revue de code IA
La revue de code IA est le processus d'utilisation de l'intelligence artificielle pour analyser automatiquement le code source à la recherche de bugs, vulnérabilités de sécurité, incohérences de style et problèmes de qualité. Les réviseurs IA peuvent examiner les pull requests, suggérer des améliorations et détecter des problèmes que les réviseurs humains pourraient manquer en raison de la fatigue ou de la pression du temps.
Prompt Engineering pour le code
Le prompt engineering pour le code est la pratique de rédiger des instructions claires et spécifiques qui aident les outils de codage IA à produire un résultat précis et pertinent. Cela implique de structurer vos demandes avec le bon niveau de contexte, contraintes et exemples pour que l'IA comprenne à la fois ce que vous voulez et comment vous le voulez.
Agent IA headless
Un agent IA headless est un agent de codage qui fonctionne sans interface utilisateur ni interaction en temps réel. Il exécute des tâches de manière autonome dans des processus en arrière-plan, des pipelines CI/CD ou des tâches planifiées — lisant le code, faisant des modifications, exécutant des tests et rapportant les résultats sans attendre une intervention humaine à aucune étape.
Sous-agents
Les sous-agents sont des processus enfants parallèles créés par un agent de codage IA principal pour gérer des parties indépendantes d'une tâche complexe simultanément. Au lieu de tout traiter séquentiellement, l'agent principal délègue des sous-tâches à des agents enfants spécialisés qui fonctionnent en parallèle et rapportent les résultats au parent.
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.