Home / Glossary
AI Coding Glossary
Key terms in AI-assisted development, explained clearly with practical context.
Agentic Coding
Agentic Coding คือแนวทางการพัฒนาซอฟต์แวร์ที่ AI agent อ่าน codebase ของคุณ เขียนโค้ด รันคำสั่ง และวนซ้ำผลลัพธ์โดยอัตโนมัติ โดยไม่ต้องคัดลอกและวางด้วยตนเอง ต่างจาก AI แบบแชท ตัว agent จะดำเนินการโดยตรงในสภาพแวดล้อมการพัฒนาของคุณเพื่อทำงานหลายขั้นตอนให้เสร็จสมบูรณ์
Claude Code
Claude Code คือ AI coding agent แบบ terminal ของ Anthropic ที่ทำงานโดยตรงในสภาพแวดล้อมการพัฒนาของคุณ มันอ่านโปรเจกต์ทั้งหมด เขียนโค้ดข้ามหลายไฟล์ รันคำสั่ง shell จัดการ git workflow และวนซ้ำข้อผิดพลาดโดยอัตโนมัติ ทั้งหมดจาก command line
Model Context Protocol (MCP)
Model Context Protocol (MCP) คือมาตรฐานเปิดที่สร้างโดย Anthropic ที่ให้วิธีสากลในการเชื่อมต่อโมเดล AI กับเครื่องมือภายนอก แหล่งข้อมูล และ API มันทำหน้าที่เป็นอินเทอร์เฟซมาตรฐาน เหมือน USB สำหรับ AI เพื่อให้เครื่องมือที่รองรับ MCP สามารถทำงานกับ AI agent ที่รองรับ MCP ใดก็ได้
CLAUDE.md
CLAUDE.md คือไฟล์กำหนดค่า markdown ที่วางไว้ใน root ของโปรเจกต์ ให้คำสั่งถาวรเฉพาะโปรเจกต์แก่ Claude Code มันบอก agent เกี่ยวกับข้อกำหนดการเขียนโค้ด สถาปัตยกรรม คำสั่งที่ใช้บ่อย และกฎต่างๆ โดยทำหน้าที่เป็นหน่วยความจำระยะยาวที่ใช้กับทุก session ในโปรเจกต์นั้น
AI Pair Programming
AI pair programming คือ workflow การพัฒนาที่นักพัฒนาทำงานร่วมกับเครื่องมือ AI เพื่อเขียนโค้ดร่วมกันแบบเรียลไทม์ นักพัฒนาให้ทิศทาง บริบท และการตัดสินใจ ในขณะที่ AI มีส่วนร่วมด้วยการแนะนำโค้ด ตรวจจับบัก และจัดการงานที่ซ้ำซ้อน
Context Window
Context window คือจำนวน token สูงสุด (คำ อักขระโค้ด และสัญลักษณ์) ที่โมเดล AI สามารถประมวลผลในการโต้ตอบครั้งเดียว มันกำหนดขีดจำกัดบนของข้อมูลที่ AI สามารถเก็บในหน่วยความจำได้พร้อมกัน รวมถึง prompt โค้ด และการตอบสนองของโมเดล
Coding Agent
Coding agent คือเครื่องมือที่ขับเคลื่อนด้วย AI ที่สามารถอ่านไฟล์ เขียนโค้ด รันคำสั่ง terminal และวนซ้ำผลลัพธ์เพื่อทำงานโปรแกรมให้สำเร็จโดยอัตโนมัติ ต่างจากเครื่องมือแนะนำโค้ดแบบ passive coding agent ดำเนินการอิสระในสภาพแวดล้อมการพัฒนาของคุณเพื่อบรรลุเป้าหมายที่ระบุ
Vibe Coding
Vibe coding คือแนวทางที่ไม่เป็นทางการในการพัฒนาซอฟต์แวร์ที่นักพัฒนาอธิบายสิ่งที่ต้องการด้วยภาษาธรรมชาติและให้เครื่องมือ AI จัดการรายละเอียดการดำเนินการ แทนที่จะเขียนข้อกำหนดที่แม่นยำ นักพัฒนาสื่อสารเจตนาผ่านการสนทนาแบบสบายๆ และวนซ้ำตามผลลัพธ์
AI Code Review
AI code review คือกระบวนการใช้ปัญญาประดิษฐ์วิเคราะห์ซอร์สโค้ดโดยอัตโนมัติเพื่อหาบัก ช่องโหว่ด้านความปลอดภัย ความไม่สอดคล้องของสไตล์ และปัญหาคุณภาพ ผู้ตรวจสอบ AI สามารถตรวจสอบ pull request แนะนำการปรับปรุง และตรวจจับปัญหาที่ผู้ตรวจสอบมนุษย์อาจพลาดเนื่องจากความเหนื่อยล้าหรือแรงกดดันด้านเวลา
Prompt Engineering for Code
Prompt engineering สำหรับโค้ดคือการฝึกสร้างคำสั่งที่ชัดเจนและเฉพาะเจาะจงที่ช่วยให้เครื่องมือ AI coding สร้าง output ที่แม่นยำและเกี่ยวข้อง มันเกี่ยวข้องกับการจัดโครงสร้างคำขอของคุณด้วยระดับบริบท ข้อจำกัด และตัวอย่างที่เหมาะสมเพื่อให้ AI เข้าใจทั้งสิ่งที่คุณต้องการและวิธีที่คุณต้องการมัน
Headless AI Agent
Headless AI agent คือ coding agent ที่ทำงานโดยไม่มีอินเทอร์เฟซสำหรับมนุษย์หรือการโต้ตอบแบบเรียลไทม์ มันรันงานโดยอัตโนมัติใน background process, CI/CD pipeline หรืองานที่กำหนดเวลา โดยอ่านโค้ด ทำการเปลี่ยนแปลง รันการทดสอบ และรายงานผลลัพธ์โดยไม่รอ input ของมนุษย์ในทุกขั้นตอน
Sub-Agents
Sub-agent คือ child process แบบขนานที่สร้างโดย main AI coding agent เพื่อจัดการส่วนอิสระของงานที่ซับซ้อนพร้อมกัน แทนที่จะประมวลผลทุกอย่างตามลำดับ main agent มอบหมาย sub-task ให้ child agent เฉพาะทางที่ทำงานแบบขนานและรายงานผลลัพธ์กลับไปยัง 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.