Home / Glossary
AI Coding Glossary
Key terms in AI-assisted development, explained clearly with practical context.
Coding Agentico
Il coding agentico è un approccio allo sviluppo software in cui un agente AI legge autonomamente il tuo codebase, scrive codice, esegue comandi e itera sui risultati senza copia-incolla manuale. A differenza dell'AI basata su chat, l'agente agisce direttamente nel tuo ambiente di sviluppo per completare task multi-step.
Claude Code
Claude Code è l'agente AI di coding basato su terminale di Anthropic che opera direttamente nel tuo ambiente di sviluppo. Legge l'intero progetto, scrive codice su più file, esegue comandi shell, gestisce workflow git e itera sugli errori autonomamente—tutto dalla riga di comando.
Model Context Protocol (MCP)
Il Model Context Protocol (MCP) è uno standard aperto creato da Anthropic che fornisce un modo universale per connettere modelli AI a strumenti esterni, fonti dati e API. Agisce come interfaccia standardizzata—come USB per l'AI—così qualsiasi strumento compatibile con MCP può funzionare con qualsiasi agente AI compatibile con MCP.
CLAUDE.md
CLAUDE.md è un file di configurazione markdown posizionato nella root del tuo progetto che fornisce a Claude Code istruzioni persistenti e specifiche del progetto. Indica all'agente le tue convenzioni di codice, architettura, comandi comuni e regole—agendo come una forma di memoria a lungo termine che si applica a ogni sessione in quel progetto.
AI Pair Programming
L'AI pair programming è un workflow di sviluppo in cui uno sviluppatore umano lavora insieme a uno strumento AI per scrivere codice collaborativamente in tempo reale. Lo sviluppatore fornisce direzione, contesto e giudizio mentre l'AI contribuisce con suggerimenti di codice, cattura bug e gestisce task di implementazione ripetitivi.
Finestra di Contesto
Una finestra di contesto è il numero massimo di token (parole, caratteri di codice e simboli) che un modello AI può elaborare in una singola interazione. Definisce il limite superiore di quante informazioni—incluso il tuo prompt, codice e la risposta del modello—l'AI può tenere in memoria contemporaneamente.
Agente di Coding
Un agente di coding è uno strumento alimentato da AI che può autonomamente leggere file, scrivere codice, eseguire comandi nel terminale e iterare sui risultati per completare task di programmazione. A differenza degli strumenti passivi di suggerimento del codice, un agente di coding agisce indipendentemente nel tuo ambiente di sviluppo per raggiungere un obiettivo stabilito.
Vibe Coding
Il vibe coding è un approccio informale allo sviluppo software in cui uno sviluppatore descrive ciò che vuole in linguaggio naturale e lascia che uno strumento AI gestisca i dettagli dell'implementazione. Invece di scrivere specifiche precise, lo sviluppatore comunica l'intento attraverso una conversazione casuale e itera basandosi sui risultati.
AI Code Review
L'AI code review è il processo di utilizzo dell'intelligenza artificiale per analizzare automaticamente il codice sorgente alla ricerca di bug, vulnerabilità di sicurezza, inconsistenze di stile e problemi di qualità. I revisori AI possono esaminare pull request, suggerire miglioramenti e individuare problemi che i revisori umani potrebbero perdere a causa di stanchezza o pressione temporale.
Prompt Engineering per il Codice
Il prompt engineering per il codice è la pratica di creare istruzioni chiare e specifiche che aiutano gli strumenti AI di coding a produrre output accurati e rilevanti. Implica strutturare le richieste con il giusto livello di contesto, vincoli ed esempi in modo che l'AI comprenda sia cosa vuoi che come lo vuoi.
Agente AI Headless
Un agente AI headless è un agente di coding che funziona senza un'interfaccia rivolta all'utente o interazione in tempo reale. Esegue task autonomamente in processi in background, pipeline CI/CD o job programmati—leggendo codice, apportando modifiche, eseguendo test e riportando risultati senza attendere input umano in nessun passaggio.
Sub-Agenti
I sub-agenti sono processi figlio paralleli generati da un agente AI di coding principale per gestire parti indipendenti di un task complesso simultaneamente. Invece di elaborare tutto sequenzialmente, l'agente principale delega sotto-task ad agenti figlio specializzati che girano in parallelo e riportano i risultati al genitore.
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.