Home / Glossary
AI Coding Glossary
Key terms in AI-assisted development, explained clearly with practical context.
Agentic Coding
Agentic coding is een softwareontwikkelingsmethode waarbij een AI-agent autonoom je codebase leest, code schrijft, opdrachten uitvoert en itereert op resultaten zonder handmatig kopieren en plakken. In tegenstelling tot chatgebaseerde AI neemt de agent directe actie in je ontwikkelomgeving om multi-staptaken te voltooien.
Claude Code
Claude Code is Anthropic's terminalgebaseerde AI-coderingsagent die direct in je ontwikkelomgeving werkt. Het leest je volledige project, schrijft code over meerdere bestanden, voert shell-opdrachten uit, beheert git-workflows en itereert autonoom op fouten — allemaal vanuit de commandoregel.
Model Context Protocol (MCP)
Het Model Context Protocol (MCP) is een open standaard gecreeerd door Anthropic die een universele manier biedt om AI-modellen te verbinden met externe tools, databronnen en API's. Het werkt als een gestandaardiseerde interface — zoals USB voor AI — zodat elke MCP-compatibele tool kan samenwerken met elke MCP-compatibele AI-agent.
CLAUDE.md
CLAUDE.md is een markdown-configuratiebestand dat in de root van je project wordt geplaatst en Claude Code persistente, projectspecifieke instructies geeft. Het vertelt de agent over je coderingsconventies, architectuur, veelgebruikte opdrachten en regels — en fungeert als een vorm van langetermijngeheugen dat op elke sessie in dat project van toepassing is.
AI Pair Programming
AI pair programming is een ontwikkelworkflow waarbij een menselijke ontwikkelaar in realtime samenwerkt met een AI-tool om code te schrijven. De ontwikkelaar geeft richting, context en oordeelsvermogen terwijl de AI codesuggesties bijdraagt, bugs opspoort en repetitieve implementatietaken afhandelt.
Context Window
Een context window is het maximale aantal tokens (woorden, codetekens en symbolen) dat een AI-model in een enkele interactie kan verwerken. Het definieert de bovengrens van hoeveel informatie — inclusief je prompt, code en het antwoord van het model — de AI tegelijk in het geheugen kan houden.
Coding Agent
Een coding agent is een AI-aangedreven tool die autonoom bestanden kan lezen, code kan schrijven, terminalopdrachten kan uitvoeren en kan itereren op resultaten om programmeertaken te voltooien. In tegenstelling tot passieve codesuggestietools neemt een coding agent zelfstandig actie in je ontwikkelomgeving om een gesteld doel te bereiken.
Vibe Coding
Vibe coding is een informele benadering van softwareontwikkeling waarbij een ontwikkelaar in natuurlijke taal beschrijft wat hij of zij wilt en een AI-tool de implementatiedetails laat afhandelen. In plaats van precieze specificaties te schrijven, communiceert de ontwikkelaar intentie via een informeel gesprek en itereert op basis van resultaten.
AI Code Review
AI code review is het proces van het gebruik van kunstmatige intelligentie om automatisch broncode te analyseren op bugs, beveiligingskwetsbaarheden, stijlinconsistenties en kwaliteitsproblemen. AI-reviewers kunnen pull requests onderzoeken, verbeteringen voorstellen en problemen opsporen die menselijke reviewers zouden missen door vermoeidheid of tijdsdruk.
Prompt Engineering voor Code
Prompt engineering voor code is het schrijven van duidelijke, specifieke instructies die AI-coderingstools helpen nauwkeurige, relevante output te produceren. Het omvat het structureren van je verzoeken met het juiste niveau van context, beperkingen en voorbeelden zodat de AI begrijpt wat je wilt en hoe je het wilt.
Headless AI Agent
Een headless AI agent is een coderingsagent die draait zonder een mensgerichte interface of realtime interactie. Het voert taken autonoom uit in achtergrondprocessen, CI/CD-pipelines of geplande taken — leest code, maakt wijzigingen, draait tests en rapporteert resultaten zonder op enig moment op menselijke input te wachten.
Sub-Agents
Sub-agents zijn parallelle kindprocessen die door een hoofd-AI-coderingsagent worden gestart om onafhankelijke delen van een complexe taak gelijktijdig af te handelen. In plaats van alles sequentieel te verwerken, delegeert de hoofdagent subtaken aan gespecialiseerde kindagents die parallel draaien en resultaten terugrapporteren aan de ouder.
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.