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
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.
Кеширование промптов (prompt caching). Механизм, при котором повторяющаяся часть контекста (системный промпт, память, начало диалога) оплачивается по сниженной ставке и обрабатывается быстрее. Смягчает удорожание длинных сессий. Подробнее: Токены и контекстное окно
Классификатор (classifier). Отдельная модель с одной узкой задачей: судить, можно ли выполнить действие. Харнес пропускает через неё рискованные вызовы инструментов и сверяет их с вашим запросом и окружением, вместо того чтобы спрашивать подтверждение у человека. Риск не убирает, потому что сам остаётся вероятностным. Подробнее: 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
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.
Мультимодальность (multimodality). Способность модели работать не только с текстом, но и с изображениями, аудио или видео. Подробнее: Reasoning-модели и мультимодальность
Облачный (фоновый) агент. Агент, работающий не на вашей машине, а на сервере, обычно без присмотра: задача ставится из браузера или мессенджера, результат приходит готовым, чаще всего в виде pull request. Подробнее: Харнес
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). Изолированная среда, в которой агент выполняет команды, не рискуя навредить основной системе или данным.
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
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
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; не занимает контекст, пока не нужна. 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
Температура (temperature). Параметр генерации, управляющий случайностью ответов: при низкой температуре ответы предсказуемы, при высокой становятся разнообразнее.
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.
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.
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 качества поведения агента на наборе реальных задач с известными критериями приёмки. Запускается в CI при изменении конфигурации агента: модели, промптов, скилов. Подробнее: Сборка и проверка
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. 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
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. В отличие от агента, который сам решает, что прочитать, вызывая инструменты по ходу задачи, при RAG нужные фрагменты подбираются заранее и подкладываются в контекст. Подробнее: Что такое RAG
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
SWE-bench. Бенчмарк для агентов-программистов: набор реальных задач из открытых репозиториев, где нужно исправить код так, чтобы прошли тесты. Подробнее: Бенчмарки
TUI (text-based user interface). Текстовый интерфейс в терминале с панелями, меню и подсветкой. Так выглядят Claude Code и другие консольные харнесы.
Что дальше
Заголовок раздела «Что дальше»- Если остались вопросы, загляните в Частые вопросы.
- Не знаете, с чего начать чтение? Начните с Как читать этот сайт.