Словарь терминов ИИ: глоссарий нейросетей простыми словами
Короткие определения терминов, которые встречаются в статьях блога: от токена и контекстного окна до RAG и MCP. К части терминов есть ссылка на разбор.
Агент (ИИ-агент)
Программа на основе языковой модели, которая сама выбирает шаги, вызывает инструменты (поиск, файлы, терминал) и ведёт задачу до результата, а не только отвечает на вопрос.
Подробнее об уровнях агентного инжинирингаАгентский кодинг (agentic coding)
Когда инженер-разработчик работает с агентом вроде Claude Code или Codex, агент сам читает проект, правит файлы и запускает тесты, а разработчик ставит задачу, проверяет изменения и отвечает за результат.
Подробнее: Claude CodeБенчмарк
Набор стандартных заданий, на которых сравнивают модели: все решают одно и то же, результат считают в баллах. Он показывает сильные стороны модели, но не заменяет проверку на твоих задачах.
Пример бенчмарка: Voice Standard BenchВайб-кодинг (vibe coding)
Способ писать программы, когда ты описываешь задачу словами, а код пишет нейросеть. Ты смотришь, что получилось, и уточняешь задачу, а не правишь строки сам.
Подробнее: вайб-кодингГаллюцинации
Уверенные, но выдуманные ответы модели: несуществующие факты, ссылки или функции. Модель продолжает текст правдоподобно и сама не проверяет, правда ли это, поэтому важное сверяй с источниками.
Дистилляция
Способ обучить компактную модель на ответах более сильной, чтобы она переняла часть её качества и работала быстрее и дешевле.
Подробнее: дистилляция на примере ClaudeИнференс
Работа уже обученной модели: ты отправляешь запрос, она выдаёт ответ. Обучение идёт один раз, а инференс при каждом запросе, и именно за него ты платишь по токенам или подпиской.
Квантизация
Сжатие модели: её числа хранят с меньшей точностью. Модель занимает меньше памяти и быстрее работает, а качество падает немного. Так большие модели запускают на обычных компьютерах.
Контекстное окно
Максимальный объём текста в токенах, который модель видит за один запрос: вопрос, история диалога, файлы и ответ. Что не влезло в окно, модель не учитывает.
Подробнее: контекст и память агентовМультимодальность
Способность модели работать не только с текстом, но и с картинками, звуком или видео, на входе и на выходе.
Пример: мультимодальная Qwen 3.5Нейросеть
Программа, которая учится на примерах: подбирает внутренние числа (веса), пока не начнёт давать нужные ответы. Языковые модели, генераторы картинок и распознавание речи тоже нейросети.
Открытые веса (open-weights)
Модель, у которой опубликованы обученные веса: её можно скачать, запустить у себя и дообучить. Это не всегда открытый исходный код: данные обучения могут быть закрыты, а лицензия может ограничивать использование.
Пример: открытые модели Gemma 4Параметры модели
Числа внутри нейросети, которые настраиваются при обучении. Чем их больше, тем больше модель может запомнить и тем дороже её запускать, но по числу параметров нельзя судить о качестве.
Пример: открытая модель Kimi K3Промпт
Текст запроса к модели: задача, контекст, примеры и требования к ответу. От формулировки сильно зависит качество результата.
Пример: библиотека промптов для дизайнаРассуждающие модели (reasoning)
Модели, которые перед ответом строят цепочку рассуждений: разбирают задачу по шагам и проверяют себя. Это дольше и дороже по токенам, зато лучше на сложных задачах: математике, коде, планировании.
Подробнее: effort level в Claude CodeСкиллы
Папки с инструкцией SKILL.md и вспомогательными файлами, которые агент подтягивает под конкретную задачу, например проверку кода или оформление документа.
Пример скилла: Karpathy skillsСубагент
Вспомогательный агент с узкой задачей и собственным контекстом. Основной агент поручает ему часть работы и получает только итог.
Подробнее: субагенты в CodexТемпература
Параметр генерации, который задаёт, насколько случайно модель выбирает следующий токен. Низкая температура даёт предсказуемые ответы, высокая более разнообразные.
Токен
Единица текста, с которой работает модель: слово, часть слова или знак. По токенам считают длину контекста и стоимость запросов. В русском тексте токенов обычно больше, чем в английском того же объёма.
Подробнее: как экономить токеныЭмбеддинг
Числовой вектор, который описывает смысл текста или картинки. По близости векторов ищут похожие документы.
Пример: Gemini Embedding 2Agent harness
Обвязка вокруг модели: инструменты, разрешения, память и цикл работы. Модель думает, а harness даёт ей руки: доступ к файлам и терминалу. Claude Code это пример такой обвязки.
Подробнее об agent harnessAPI
Интерфейс, через который одна программа обращается к другой. У нейросетей API позволяет отправить запрос модели из своего кода и получить ответ, а платишь ты за использованные токены.
CLAUDE.md
Файл с правилами проекта, который Claude Code читает при старте сессии: стек, команды, договорённости. Так агенту не нужно объяснять одно и то же в каждом диалоге.
Подробнее: как писать CLAUDE.mdFine-tuning
Дообучение готовой модели на своих примерах, чтобы она лучше решала узкую задачу или держала нужный стиль ответов.
LLM
Large Language Model, большая языковая модель: нейросеть, обученная на огромных объёмах текста предсказывать следующий токен. На ней построены Claude, GPT, Gemini и открытые модели.
MCP
Model Context Protocol, открытый протокол, который придумали в Anthropic, для подключения моделей и агентов к внешним сервисам: базам, трекерам, браузеру.
Подробнее: что такое MCP и как настроитьMoE
Mixture of Experts, смесь экспертов: модель состоит из множества подсетей-экспертов, а на каждый токен включается только часть из них. Параметров много, а работает быстрее плотной модели того же размера.
RAG
Retrieval-Augmented Generation: перед ответом модель получает найденные в базе знаний фрагменты документов. Так она отвечает по свежим или закрытым данным без дообучения.
Подробнее: RAG в памяти агентовТакого термина пока нет.