Home / Glossary
AI Coding Glossary
Key terms in AI-assisted development, explained clearly with practical context.
Agentic Coding
Agentic coding — це підхід до розробки програмного забезпечення, при якому ШІ-агент автономно читає вашу кодову базу, пише код, виконує команди та ітерує результати без ручного копіювання-вставлення. На відміну від чат-орієнтованого ШІ, агент безпосередньо діє у вашому середовищі розробки для виконання багатоетапних завдань.
Claude Code
Claude Code — це термінальний ШІ-агент для кодування від Anthropic, що працює безпосередньо у вашому середовищі розробки. Він читає весь ваш проєкт, пише код у кількох файлах, виконує команди оболонки, керує git-процесами та автономно ітерує помилки — все з командного рядка.
Model Context Protocol (MCP)
Model Context Protocol (MCP) — це відкритий стандарт, створений Anthropic, що забезпечує універсальний спосіб підключення ШІ-моделей до зовнішніх інструментів, джерел даних та API. Він виступає стандартизованим інтерфейсом — як USB для ШІ, — тож будь-який MCP-сумісний інструмент може працювати з будь-яким MCP-сумісним ШІ-агентом.
CLAUDE.md
CLAUDE.md — це markdown-конфігураційний файл, розміщений у кореневій директорії проєкту, що надає Claude Code постійні специфічні для проєкту інструкції. Він розповідає агенту про ваші конвенції кодування, архітектуру, поширені команди та правила — виступаючи формою довгострокової пам'яті, що застосовується до кожної сесії в цьому проєкті.
AI Pair Programming
AI pair programming — це робочий процес розробки, при якому розробник-людина працює пліч-о-пліч із ШІ-інструментом для спільного написання коду в реальному часі. Розробник забезпечує напрямок, контекст і судження, тоді як ШІ робить внесок пропозиціями коду, виявляє помилки та займається рутинними завданнями реалізації.
Context Window
Context window — це максимальна кількість токенів (слів, символів коду та знаків), яку ШІ-модель може обробити за одну взаємодію. Вона визначає верхню межу обсягу інформації — включаючи ваш промпт, код і відповідь моделі, — яку ШІ може утримувати в пам'яті одночасно.
Coding Agent
Coding agent — це інструмент на базі ШІ, що може автономно читати файли, писати код, виконувати команди терміналу та ітерувати результати для виконання задач програмування. На відміну від пасивних інструментів пропозиції коду, coding agent вживає самостійних дій у вашому середовищі розробки для досягнення поставленої мети.
Vibe Coding
Vibe coding — це неформальний підхід до розробки програмного забезпечення, при якому розробник описує бажане природною мовою і дозволяє ШІ-інструменту займатися деталями реалізації. Замість написання точних специфікацій розробник передає намір через невимушену розмову та ітерує на основі результатів.
AI Code Review
AI code review — це процес автоматичного аналізу вихідного коду за допомогою штучного інтелекту для виявлення помилок, вразливостей безпеки, стильових невідповідностей та проблем якості. ШІ-рецензенти можуть перевіряти pull request'и, пропонувати покращення та виявляти проблеми, які рецензенти-люди можуть пропустити через втому або тиск часу.
Prompt Engineering for Code
Prompt engineering для коду — це практика складання чітких, конкретних інструкцій, що допомагають ШІ-інструментам кодування виробляти точний, релевантний вивід. Вона включає структурування запитів з правильним рівнем контексту, обмежень та прикладів, щоб ШІ розумів і що ви хочете, і як ви це хочете.
Headless AI Agent
Headless AI agent — це coding agent, що працює без користувацького інтерфейсу або взаємодії в реальному часі. Він автономно виконує завдання у фонових процесах, CI/CD-конвеєрах або запланованих задачах — читаючи код, вносячи зміни, запускаючи тести та звітуючи про результати без очікування введення від людини на будь-якому кроці.
Sub-Agents
Sub-agent'и — це паралельні дочірні процеси, породжені головним ШІ-агентом для кодування для одночасного виконання незалежних частин складного завдання. Замість послідовної обробки всього, головний агент делегує підзавдання спеціалізованим дочірнім агентам, що працюють паралельно й передають результати назад батьківському.
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.