Перейти к содержимому

Глоссарий

Здесь собраны все ключевые термины учебника с короткими определениями. Термины сгруппированы по алфавиту; англоязычные названия и аббревиатуры (API, MCP, RAG и подобные) вынесены в группу «A–Z» в конце страницы. Если определения мало, переходите по ссылке «Подробнее»: она ведёт на страницу, где термин разобран целиком.

Автономность (autonomy). Способность агента выполнять многошаговые задачи без постоянного контроля человека. Уровень автономности настраивается разрешениями: от подтверждения каждого действия до полностью самостоятельной работы.

Агент (AI agent). LLM + инструменты + цикл «думает → действует → смотрит на результат → повторяет» до достижения цели. Подробнее: Что такое агент

Агентный цикл (agent loop). Повторяющаяся последовательность шагов агента: модель решает, что делать дальше, вызывает инструмент, получает результат и планирует следующий шаг, и так до завершения задачи.

Агентный RAG (agentic RAG). Вариант RAG, где поиск по базе знаний отдан агенту инструментом: он сам решает, что искать, переформулирует запрос и ищет повторно, пока не соберёт достаточно. Дороже и медленнее классического RAG, но вытягивает многошаговые вопросы. Подробнее: Варианты архитектуры

Бенчмарк (benchmark). Стандартизированный набор задач для измерения и сравнения возможностей моделей. Подробнее: Бенчмарки

Векторная база (vector store). Хранилище фрагментов документов вместе с их эмбеддингами, умеющее быстро находить ближайшие по смыслу. Основа классического RAG. Подробнее: Как устроен RAG внутри

Веса (weights). Числовые параметры нейросети, полученные при обучении. Именно в весах «хранится» всё, что модель умеет.

Ворота согласования (approval gate). Точка процесса, где действие агента останавливается до явного решения человека, оформленная хуком: разрешить, спросить, заблокировать. Подробнее: Выкатка и сопровождение

Вызов инструментов (tool calling). Механизм, с помощью которого модель просит харнес выполнить действие: запустить команду, прочитать файл, сделать запрос к внешней системе. Подробнее: Инструменты и их вызов

Галлюцинация (hallucination). Уверенно изложенная выдумка модели. Ответ выглядит правдоподобно, но не соответствует фактам, поэтому результаты работы модели всегда нужно проверять.

Гибридный поиск (hybrid search). Сочетание поиска по смыслу (векторного) и по ключевым словам. Нужен почти всегда, потому что векторный поиск промахивается на точных идентификаторах: номерах задач, именах таблиц, кодах ошибок. Подробнее: Варианты архитектуры

Дерево документа (document tree). Представление документа в виде иерархии его разделов: у каждого узла заголовок, границы в тексте, краткое содержание и вложенные узлы. Заменяет нарезку на фрагменты в подходах, где нужный раздел ищут рассуждением по оглавлению, а не по близости векторов. Подробнее: Поиск без векторов: дерево документа

Золотой набор вопросов (golden set). Набор реальных вопросов с заранее известными правильными источниками, по которому измеряют качество RAG-системы и ловят регрессии при изменениях. Подробнее: Качество и оценка

Идемпотентность (idempotency). Свойство операции, при котором её повтор не создаёт дополнительного внешнего эффекта. Помогает безопасно обрабатывать повторные события и восстанавливаться после прерываний. Подробнее: Фоновые агенты

Инструмент (tool). Действие, которое агент может выполнить: чтение файла, запуск команды, веб-поиск. Подробнее: Инструменты и их вызов

Инференс (inference). Работа уже обученной модели: получение запроса и генерация ответа. Противопоставляется обучению, когда веса модели ещё меняются.

Калибровка (calibration). Согласованность предсказанных вероятностей с частотой событий: среди большого числа прогнозов с вероятностью около 0,8 событие должно происходить примерно в 80% случаев. Не гарантирует правильности отдельного ответа. Подробнее: Jev: классификация и решения по заданной схеме

Кеширование промптов (prompt caching). Повторное использование обработанной части входа модели. Сокращение цены и задержки зависит от совпадения входа, правил хранения и тарифа платформы; окно контекста не увеличивается. Подробнее: Стоимость и задержки

Классификатор (classifier). Модель или алгоритм, который относит входные данные к заданным категориям: например, определяет тему тикета или тип запроса. В харнесе классификатор может оценивать допустимость действия, но такая оценка остаётся вероятностной и не заменяет проверку прав. Подробнее: Jev: классификация и решения по заданной схеме, Безопасность и приватность

Компакция (compaction). Сжатие истории диалога, когда контекстное окно заполняется: харнес заменяет старые сообщения кратким пересказом, чтобы освободить место для новых.

Контекст (context). Всё, что модель «видит» сейчас: системный промпт, история диалога, файлы, результаты инструментов.

Контекст-инжиниринг (context engineering). Практика управления тем, что попадает в контекст модели: отбор нужных файлов и инструкций, удаление лишнего, разбиение больших задач. Подробнее: Контекст-инжиниринг

Контекстное окно (context window). Жёсткий лимит на объём контекста в токенах. Всё, что не помещается в окно, модель не видит. Подробнее: Токены и контекстное окно

Контракт данных (data contract). Согласованные поля, типы и правила обработки результата между моделью и программой. Включает отсутствие данных и исходы ошибок; форма не подтверждает достоверность значений. Подробнее: Структурированные ответы

Модель (model). Обученная нейросеть конкретной версии, которую можно запустить и получать от неё ответы. У одного провайдера обычно есть несколько моделей, различающихся размером, скоростью и ценой.

Модель-судья (LLM-as-a-judge). Модель, оценивающая результат по заданной рубрике. Её оценки требуют сверки с человеческими и не заменяют исполняемые проверки. Подробнее: Эвалы на задачах команды

Мультимодальность (multimodality). Способность модели работать не только с текстом, но и с изображениями, аудио или видео. Подробнее: Reasoning-модели и мультимодальность

Маршрутизация моделей (model routing). Выбор модели по свойствам запроса или проверяемому результату предыдущего шага. Качество и расход измеряют для всего пути, включая повторную обработку. Подробнее: Стоимость и задержки

Облачный агент (cloud agent). Агент, выполняющий задачу в удалённой среде. Облачный запуск требует отдельной подготовки файлов, доступов и инструментов. Подробнее: Фоновые агенты

Обоснованность ответа (groundedness). Доля утверждений в ответе, подтверждённых переданными модели фрагментами. Главная метрика качества генерации в RAG: всё неподтверждённое остаётся домыслом, даже если случайно оказалось верным. Подробнее: Качество и оценка

Оркестрация (orchestration). Координация работы нескольких агентов или шагов: распределение подзадач, передача результатов, контроль общего хода работы. Подробнее: Субагенты и расширения

Открытые веса (open weights). Модель, веса которой опубликованы: её можно скачать и запускать на своём оборудовании. При этом обучающие данные и код обучения могут оставаться закрытыми.

Отсечка знаний (knowledge cutoff). Дата, до которой собраны обучающие данные модели. О событиях после отсечки модель ничего не знает, если не получит информацию через контекст или инструменты.

Память (memory). Файлы с инструкциями о проекте (CLAUDE.md / AGENTS.md), подключаемые харнесом автоматически, и заметки агента между сессиями. Подробнее: Память

Песочница (sandbox). Среда с техническими ограничениями на действия: доступ к файлам, процессам и сети. Защита зависит от настроек и не обязательно распространяется на внешние инструменты. Подробнее: Безопасность и приватность

Плагин (plugin). Устанавливаемое расширение харнеса, которое объединяет в один пакет команды, скилы, хуки или MCP-серверы. Подробнее: Субагенты и расширения

Поиск без векторов (vectorless retrieval). Подход к поиску по документам без эмбеддингов и векторного хранилища: документ разбирают в дерево разделов, а модель спускается по нему рассуждением и читает найденный раздел целиком. Выигрывает на длинных структурированных документах, проигрывает в скорости и цене. Подробнее: Поиск без векторов: дерево документа

Политика подтверждений (approval policy). Настройка, определяющая, когда харнес запрашивает решение человека перед действием. Работает вместе с техническими ограничениями среды, но не заменяет их. Подробнее: Безопасность и приватность

Потеря в середине (lost in the middle). Свойство моделей хуже удерживать информацию из середины длинного контекста, чем из его начала и конца. Из-за этого качество падает задолго до жёсткого лимита окна. Подробнее: Токены и контекстное окно

Провайдер (provider). Компания, которая обучает модели и предоставляет к ним доступ, обычно через API. Подробнее: Провайдеры, семейства и размеры моделей

Промпт (prompt). Запрос, который вы отправляете модели: вопрос, задача, инструкция.

Промптинг (prompting). Умение формулировать запросы так, чтобы получать нужный результат: давать контекст, примеры, критерии готовности. Подробнее: Промптинг

Пакетная обработка (batch processing). Асинхронное выполнение набора независимых запросов, которым не нужен немедленный ответ. Исход каждого запроса проверяется отдельно. Подробнее: Стоимость и задержки

Рабочее дерево git (git worktree). Отдельный каталог с рабочей копией ветки одного репозитория. Разделяет правки параллельных задач, но не изолирует сеть, процессы и секреты. Подробнее: Фоновые агенты

Разрешения (permissions). Правила харнеса, которые определяют, какие действия агент выполняет сам, а какие требуют подтверждения человека. Подробнее: Безопасность и приватность

Расширенное рассуждение (reasoning). Режим, в котором модель перед ответом «думает»: генерирует промежуточные рассуждения, что заметно улучшает качество на сложных задачах. Подробнее: Reasoning-модели и мультимодальность

Режим планирования (plan mode). Режим харнеса, в котором агент изучает код и предлагает план изменений, но ничего не правит, пока вы не одобрите. Дешёвый способ поймать неверное понимание задачи до написания кода. Подробнее: Рабочий цикл с агентом

Реранкинг (reranking). Второй этап отбора в RAG: дешёвый поиск достаёт широкий список кандидатов, а более точная модель переоценивает их и отбирает лучшие для передачи в контекст. Подробнее: Варианты архитектуры

Системный промпт (system prompt). Инструкция, которую харнес передаёт модели до начала диалога: роль, правила поведения, описание доступных инструментов. Пользователь обычно её не видит.

Скил (skill). Упакованная инструкция или процедура (например, файл SKILL.md), которую агент подгружает, когда задача её требует; полное содержимое загружается по необходимости, а описание может присутствовать заранее. Подробнее: Скилы

Слэш-команда (slash command). Короткая команда вида /review, которая запускает заранее описанную процедуру в харнесе.

Стриминг (streaming). Передача ответа модели по мере генерации, токен за токеном, а не целиком после завершения. Благодаря стримингу текст появляется на экране постепенно.

Субагент (subagent). Вспомогательный агент с отдельным контекстным окном, которого запускает основной агент. Подробнее: Субагенты и расширения

Структурированный ответ (structured output). Результат модели, форма которого ограничена заданной схемой. Упрощает разбор программой, но требует проверки значений и полномочий. Подробнее: Структурированные ответы

Температура (temperature). Параметр генерации, влияющий на случайность выбора токенов. Поддержка зависит от модели; низкое значение не гарантирует полного повторения ответа.

Токен (token). Единица текста для модели: слово, часть слова или символ. Модель читает и генерирует текст токенами, и все лимиты и цены считаются в них. Подробнее: Токены и контекстное окно

Токенизация (tokenization). Разбиение текста на токены перед обработкой моделью.

Трасса (trace). Запись хода выполнения: сообщения, вызовы инструментов, ответы и промежуточные результаты. Позволяет разбирать причину неудачного прогона. Подробнее: Эвалы на задачах команды

Управление компьютером (computer use). Наблюдение интерфейса и выполнение действий через мышь, клавиатуру или инструменты браузера. Требует отдельного доступа к приложению; понимания скриншота недостаточно. Подробнее: Работа через браузер и интерфейс

Уровень усилий (effort). Настройка того, сколько модель «думает» и действует перед ответом: низкий / средний / высокий. Пришёл на смену явному «бюджету на размышления» в токенах и на современных моделях служит главной ручкой баланса «качество ↔ скорость ↔ цена». Подробнее: Reasoning-модели и мультимодальность

Файн-тюнинг (fine-tuning). Дообучение готовой модели на дополнительных данных, чтобы приспособить её к конкретной задаче, домену или стилю.

Фоновый агент (background agent). Агент, выполняющий задание без постоянного участия человека. Может работать локально, в CI или в облаке. Подробнее: Фоновые агенты

Форк (fork). Производный продукт на основе чужого исходного кода. Например, Cursor вырос как форк редактора VS Code. Подробнее: Cursor

Фрагмент, чанк (chunk). Кусок документа, на которые его режут перед индексацией: раздел регламента, пункт, функция. Поиск возвращает фрагменты, а не документы целиком, поэтому от качества нарезки напрямую зависит качество ответов. Подробнее: Как устроен RAG внутри

Харнес (agent harness). Программа-обвязка вокруг модели: системный промпт, инструменты, цикл, управление контекстом, разрешения, интерфейс. Модель «думает», харнес даёт «руки» и правила. Подробнее: Харнес

Хук (hook). Скрипт, который харнес автоматически запускает при определённом событии: перед вызовом инструмента, после ответа агента и так далее.

Эвал (eval). Проверка поведения модели или агента на задаче с заранее определёнными критериями. Набор эвалов помогает сравнивать модели, инструкции и инструменты, включая повторные попытки и расход. Подробнее: Эвалы на задачах команды

Эмбеддинг (embedding). Представление текста в виде списка чисел, координат в «пространстве смыслов»: тексты о близких вещах получают близкие координаты. Благодаря этому поиск находит нужное по смыслу, даже если формулировки не совпадают. Подробнее: Как устроен RAG внутри

AI-native SDLC. Жизненный цикл разработки, перестроенный вокруг агентов: этапы соединяются закоммиченными артефактами, а не передачами между людьми, и git-история служит и аудит-трейлом, и источником метрик. Подробнее: Жизненный цикл разработки с агентами

API (application programming interface). Программный интерфейс: способ, которым одна программа обращается к другой. Доступ к моделям провайдеры предоставляют именно через API.

API-ключ (API key). Секретная строка для доступа к API провайдера; по ней учитывается использование и списывается оплата. Обращайтесь с ключом как с паролем.

Chain-of-thought. «цепочка рассуждений»: подход, при котором модель решает задачу по шагам, проговаривая промежуточные выводы. Лежит в основе режимов расширенного рассуждения.

CLAUDE.md / AGENTS.md / GEMINI.md. Файлы памяти проекта: инструкции о кодовой базе, соглашениях и командах, которые харнес автоматически подключает в контекст агента. Подробнее: Память

CLI (command-line interface). Интерфейс командной строки: программа, которой управляют текстовыми командами в терминале.

IDE (integrated development environment). Среда разработки: редактор кода с отладчиком, подсказками и интеграциями, например VS Code или IntelliJ IDEA.

intent.md. Файл намерения, протоспецификация: проблема, желаемый результат, ограничения и открытые вопросы словами автора идеи, закоммиченные в репозиторий. Первый артефакт жизненного цикла. Подробнее: От намерения к спецификации

Jev. Модель TypeSafe AI для решений по заданной схеме: получает данные и вопросы, возвращает категории, оценки и вероятности. Поддерживает выбор варианта (Choice), оценку по шкале (Score) и вероятность ответа «да» (Noul). Подробнее: Jev: классификация и решения по заданной схеме

LLM (large language model). Большая языковая модель, предсказывает следующий токен. На LLM основаны современные ИИ-ассистенты и агенты. Подробнее: Что такое LLM

MCP (Model Context Protocol). Открытый протокол подключения агента к внешним системам: трекерам задач, базам данных, корпоративным сервисам. Подробнее: MCP-серверы

MCP-сервер (MCP server). Программа, которая предоставляет агенту инструменты по протоколу MCP; харнес выступает клиентом и подключает их. Подробнее: MCP-серверы

PageIndex. Открытая реализация поиска без векторов: строит из PDF дерево разделов в JSON и ищет по нему рассуждением. Доступна как библиотека, облачный сервис и MCP-сервер. Подробнее: Поиск без векторов: дерево документа

Prompt injection (внедрение промптов). Вредоносные инструкции в данных, которые читает агент: в веб-странице, письме, тикете. Агент может принять их за команды пользователя. Подробнее: Безопасность и приватность

RAG (retrieval-augmented generation). Подход, при котором перед генерацией ответа модели передают найденные во внешних источниках фрагменты: документы, статьи базы знаний. Так модель отвечает по актуальным данным, а не только по памяти обучения. Поиск может выполняться заранее заданным конвейером или вызываться агентом по ходу задачи. Подробнее: Что такое RAG

RLCD (Reinforcement Learning for Calibrated Decisions). Обучение с подкреплением для калиброванных решений: метод TypeSafe AI, направленный на получение структурированных решений с вероятностями, согласованными с частотой правильных ответов. Подробнее: Jev: классификация и решения по заданной схеме

spec.md. Спецификация: требования и проектные решения, которые агент собирает из intent.md за одну сессию с учётом скилов организации. Коммитится рядом с намерением. Подробнее: От намерения к спецификации

SDK (software development kit). Набор средств разработки для встраивания возможностей продукта в собственную программу. Агентный SDK может предоставлять управление сессиями, инструментами и проверками; состав зависит от платформы. Подробнее: Cursor

SWE-bench. Бенчмарк для агентов-программистов: набор реальных задач из открытых репозиториев, где нужно исправить код так, чтобы прошли тесты. Подробнее: Бенчмарки

System One. Название семейства моделей TypeSafe AI для быстрых структурированных решений внутри программ. Jev относится к этому семейству; действие по результату решения задаёт код приложения. Подробнее: Jev: классификация и решения по заданной схеме

TUI (text-based user interface). Текстовый интерфейс в терминале с панелями, меню и подсветкой. Так выглядят Claude Code и другие консольные харнесы.

JSON Schema. Схема JSON, описывающая типы, обязательность и допустимые значения полей. Провайдеры моделей поддерживают разные подмножества её возможностей. Подробнее: Структурированные ответы

p95 (95-й процентиль). Значение, в которое укладываются примерно 95% измерений. Для задержек показывает медленную часть распределения; интерпретируется вместе с объёмом выборки. Подробнее: Стоимость и задержки

TTFT (time to first token). Время от отправки запроса до первого токена ответа модели. Не включает оставшуюся генерацию и дальнейшие действия агента. Подробнее: Стоимость и задержки

Автор учебника: Шахматов Алексей