Home / Glossary
AI Coding Glossary
Key terms in AI-assisted development, explained clearly with practical context.
Agentisk kodning
Agentisk kodning är ett mjukvaruutvecklingsmetod där en AI-agent självständigt läser din kodbas, skriver kod, kör kommandon och itererar på resultat utan manuell kopiering och inklistring. Till skillnad från chattbaserad AI agerar agenten direkt i din utvecklingsmiljö för att slutföra flerstegiga uppgifter.
Claude Code
Claude Code är Anthropics terminalbaserade AI-kodningsagent som verkar direkt i din utvecklingsmiljö. Den läser hela ditt projekt, skriver kod i flera filer, kör skalkommandon, hanterar git-arbetsflöden och itererar självständigt på fel — allt från kommandoraden.
Model Context Protocol (MCP)
Model Context Protocol (MCP) är en öppen standard skapad av Anthropic som ger ett universellt sätt att ansluta AI-modeller till externa verktyg, datakällor och API:er. Det fungerar som ett standardiserat gränssnitt — likt USB för AI — så att vilket MCP-kompatibelt verktyg som helst kan fungera med vilken MCP-kompatibel AI-agent som helst.
CLAUDE.md
CLAUDE.md är en Markdown-konfigurationsfil som placeras i din projektkatalog och ger Claude Code beständiga, projektspecifika instruktioner. Den berättar för agenten om dina kodningskonventioner, arkitektur, vanliga kommandon och regler — och fungerar som en form av långsiktigt minne som gäller i varje session för det projektet.
AI-parprogrammering
AI-parprogrammering är ett utvecklingsarbetsflöde där en mänsklig utvecklare arbetar tillsammans med ett AI-verktyg för att skriva kod i samarbete i realtid. Utvecklaren ger riktning, kontext och omdöme medan AI:n bidrar med kodförslag, hittar buggar och hanterar repetitiva implementeringsuppgifter.
Kontextfönster
Ett kontextfönster är det maximala antalet tokens (ord, kodtecken och symboler) som en AI-modell kan bearbeta i en enda interaktion. Det definierar den övre gränsen för hur mycket information — inklusive din prompt, kod och modellens svar — som AI:n kan hålla i minnet på en gång.
Kodningsagent
En kodningsagent är ett AI-drivet verktyg som självständigt kan läsa filer, skriva kod, köra terminalkommandon och iterera på resultat för att slutföra programmeringsuppgifter. Till skillnad från passiva kodförslagsverktyg tar en kodningsagent oberoende åtgärder i din utvecklingsmiljö för att uppnå ett angivet mål.
Vibe-kodning
Vibe-kodning är ett informellt synsätt på mjukvaruutveckling där en utvecklare beskriver vad de vill ha på naturligt språk och låter ett AI-verktyg hantera implementationsdetaljerna. Istället för att skriva precisa specifikationer kommunicerar utvecklaren avsikt genom avslappnat samtal och itererar baserat på resultat.
AI-kodgranskning
AI-kodgranskning är processen att använda artificiell intelligens för att automatiskt analysera källkod för buggar, säkerhetssårbarheter, stilinkonsistenser och kvalitetsproblem. AI-granskare kan granska pull requests, föreslå förbättringar och fånga problem som mänskliga granskare kan missa på grund av trötthet eller tidsbrist.
Promptteknik för kod
Promptteknik för kod är praktiken att formulera tydliga, specifika instruktioner som hjälper AI-kodningsverktyg att producera exakt och relevant utdata. Det handlar om att strukturera dina förfrågningar med rätt nivå av kontext, begränsningar och exempel så att AI:n förstår både vad du vill ha och hur du vill att det ska göras.
Headless AI-agent
En headless AI-agent är en kodningsagent som körs utan ett användarvänligt gränssnitt eller realtidsinteraktion. Den utför uppgifter autonomt i bakgrundsprocesser, CI/CD-pipelines eller schemalagda jobb — läser kod, gör ändringar, kör tester och rapporterar resultat utan att vänta på mänsklig inmatning i något steg.
Subagenter
Subagenter är parallella barnprocesser som skapas av en huvud-AI-kodningsagent för att hantera oberoende delar av en komplex uppgift samtidigt. Istället för att behandla allt sekventiellt delegerar huvudagenten deluppgifter till specialiserade barnagenter som körs parallellt och rapporterar resultat tillbaka till föräldern.
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.