Глоссарий AI & Вайбкодинга
Фундаментальный справочник новой эры разработки от Andriy Orlov: автономные агенты, loop engineering, протокол MCP, расширение контекста, инфраструктура VPS и профилактика выгорания в эру AI.
A
ENC
ENClaude Projects (Рабочие пространства с собственной базой знаний)
Инструмент организации работы в Claude от Anthropic. Позволяет создавать отдельные рабочие пространства под каждую задачу, загружать до 200 000 токенов внутренней документации и делиться ими с коллегами.
ColBERT & Late Interaction Retrieval
Архитектура нейросетевого поиска, которая сравнивает контекстные эмбеддинги каждого отдельного токена запроса с токенами документа (Late Interaction), превосходя классические Dense-векторы по точности.
F
ENG
ENK
ENM
ENN
ENNeedle in a Haystack & Long-Context Retrieval
Проблема деградации внимания языковых моделей внутри гигантских контекстных окон (1M–2M токенов), когда модель игнорирует инструкции, скрытые в середине текста, и инженерные методы ее преодоления.
NotebookLM и Аудио-Обзор (Подкаст из Конспектов)
Бесплатный исследовательский инструмент от Google на базе моделей Gemini. Строго отвечает за загруженные источники (без галлюцинаций) и умеет превращать скучные отчеты в живые разговорные аудиоподкасты.
R
ENRAG (Retrieval-Augmented Generation)
Архитектурный паттерн корпоративного AI, который динамически обогащает контекстное окно модели релевантными верифицированными знаниями из внешних хранилищ (векторных баз, графов, полнотекстовых индексов) перед генерацией финального ответа.
RAG против Fine-Tuning (Вечная дилемма внедрения ИИ)
Фундаментальный архитектурный выбор для бизнеса. RAG (поиск по документам в момент запроса) против Fine-Tuning (изменение весов модели через дообучение). Критерии выбора между актуальностью фактов и специфическим стилем поведения.
S
ENZ
ENZero-Shot Против Few-Shot (Сила Нескольких Примеров)
Сравнение двух фундаментальных техник промптинга. Zero-Shot — прямой запрос без примеров. Few-Shot — передача модели нескольких образцов желаемого ответа перед выполнением задачи для точной настройки формата и тона.
Zero-Shot CoT vs Dynamic Reasoning
Историческая и практическая эволюция техник рассуждения: от простой фразы 'Let's think step by step' (Zero-Shot Chain-of-Thought) до нативного аппаратного бюджетирования размышлений в современных моделях.
А
UAАвторское Право и Лицензии в Эру ИИ
Правовой статус интеллектуальной собственности на контент, созданный нейросетями. Прецеденты Бюро авторских прав США и ЕС: отсутствие авторского права на чистые результаты генераций, статус обучения на чужих произведениях (Fair Use) и лицензии открытых моделей.
Агентские Скиллы (Agent Skills & Custom Workflows)
Архитектурный паттерн динамической подгрузки узкоспециализированных процедурных инструкций, скриптов и шаблонов (SKILL.md) в контекстное окно агента строго по требованию (On-Demand Loading).
Анализ прикрепленных файлов (Иконка скрепки в чате)
Функция загрузки файлов в ChatGPT, Claude и Gemini (иконка скрепки или плюса). Позволяет передавать моделям таблицы Excel, отчеты PDF, текстовые документы и фотографии для мгновенного анализа и расчетов.
Архитектура и экономика кеширования промптов
Методология проектирования промптов, ориентированная на максимизацию попадания в аппаратный кеш префиксов (Prefix Caching) в Anthropic, OpenAI и DeepSeek для 90% снижения стоимости и 80% ускорения.
Атаки на Извлечение и Инверсию Промптов
Методология анализа киберугроз, направленных на кражу секретных системных промптов, проприетарной бизнес-логики и скрытых инструкций через манипулятивные запросы пользователей.
В
UAВекторные базы данных (Vector DBs & ANN Search)
Специализированные СУБД и расширения (Qdrant, pgvector, Milvus, Chroma, Turso), оптимизированные для хранения миллионов многомерных векторов и сверхбыстрого приближенного поиска ближайших соседей (Approximate Nearest Neighbors).
Векторные эмбеддинги (Dense Embeddings)
Математическая проекция текста, кода или мультимодальных данных в плотный многомерный числовой вектор, где угол и геометрия между координатами отражают их семантическую связанность.
Векторный поиск против Ctrl+F (Dense vs Sparse)
Сравнение двух подходов к поиску: нейросетевого смыслового (Dense Retrieval) и классического ключевого по совпадению слов (Sparse / BM25). Объясняет, почему векторный поиск может провалиться при поиске артикулов товаров и как работает гибридный поиск.
Г
UAГаллюцинации ИИ (Hallucinations & Confabulations)
Генерация языковой моделью фактически неверной, вымышленной или несуществующей информации (библиотек, методов API, цитат), выраженной с высокой вероятностной уверенностью.
Гибридный поиск (Dense + Sparse Search)
Архитектура ретривала в современных RAG-системах, сочетающая семантический векторный поиск (Dense Embeddings) с классическим полнотекстовым индексированием по ключевым словам (Sparse / BM25) через алгоритмы слияния рангов (RRF).
Гибридный Поиск (Hybrid Search: Dense + Sparse / BM25)
Архитектура поиска информации, объединяющая векторный семантический поиск (Dense retrieval — понимание содержания и синонимов) с классическим ключевым поиском по точным словам (Sparse retrieval / BM25). Обеспечивает идеальный баланс между концептуальным пониманием и точным поиском артикулов, серийных номеров или имен.
Графы знаний в поиске (GraphRAG)
Эволюция архитектуры RAG от Microsoft Research. Объединяет классический семантический поиск по векторным данным с графом знаний (Knowledge Graph), где документы преобразуются в узлы сущностей (люди, компании, локации) и ребра связей между ними, позволяя отвечать на глобальные комплексные вопросы по всему массиву данных.
Д
UAДеградация контекста (Context Rot & Attention Decay)
Системное снижение точности, следования инструкциям и логической согласованности LLM по мере накопления в рабочем окне диалогового шума, устаревших черновиков кода и выводов компилятора.
Джейлбрейк (Jailbreak) языковых моделей
Техника социальной инженерии в области искусственного интеллекта, заставляющая языковую модель обойти заложенные создателями этические ограничения, фильтры безопасности (RLHF) и запрещенные темы через ролевые игры, гипотетические сценарии или парадоксы.
Дистилляция Контекста и Сжатие Токенов
Методы автоматического удаления избыточных слов, синтаксического шума, форматирующих пробелов и устаревших сообщений перед отправкой промпта в модель для экономии бюджета и ускорения инференса.
Дрейф и деградация системного промпта
Феномен постепенной утраты первоначальных инструкций, стиля ответа и ограничений безопасности языковой моделью по мере увеличения истории диалога, а также методы периодического реинжектинга правил.
З
UAИ
UAИерархическая Чанкование и Поиск Родитель-Дочерний
Архитектурный паттерн поиска, где векторное соответствие осуществляется по коротким, точным дочерним фрагментам (Child Chunks), а в контекст модели подтягивается весь широкий родительский блок (Parent Document).
Иерархический чанкинг (Hierarchical Chunking / Parent-Child)
Продвинутая стратегия нарезки документов (Parent-Document Retriever) для систем RAG. Текст делится на мелкие дочерние кусочки (Child Chunks) для сверхточного векторного поиска, но в контекст модели передается полный родительский раздел (Parent Chunk), чтобы сохранить широкий контекст и не потерять суть.
К
UAКак отучить ИИ выдумывать (Промпты против галлюцинаций)
Набор проверенных инженерных техник и словесных конструкций, которые блокируют генерацию вымышленных фактов, несуществующих законов и ложных цитат. Заставляет искусственный интеллект опираться строго на предоставленные источники.
Кеширование Промптов (Prompt Caching & KV Cache Reuse)
Технология современных инференс-движков и облачных API (Anthropic, OpenAI, DeepSeek, vLLM), которая сохраняет предварительно вычисленные матрицы внимания (KV Cache) статического префикса, уменьшая стоимость обработки на 80–90% и сокращая время до первого токена (TTFT) в 4–8 раз.
Контекстное Окно (Context Window)
Максимальный рабочий объем токенов, который языковая модель может одновременно удерживать в механизме Self-Attention и памяти KV Cache во время вычисления одного инференс-запроса.
Косинусное сходство (Cosine Similarity)
Математическая метрика, измеряющая угол между двумя векторами в многомерном пространстве. Показывает степень смыслового родства двух текстов от -1 (противоположные) до +1 (полные синонимы), игнорируя длину предложений.
М
UAМагия фразы «Думай крок за кроком» (Step-by-Step)
Легендарная техника промпт-инжиниринга (Zero-Shot Chain-of-Thought). Добавление волшебной фразы «Думай крок за кроком» заставляет нейросеть развернуть цепочку промежуточных вычислений, снижая количество логических ошибок на 50–70%.
Мета-промптинг (ИИ улучшает ваш промпт вместо вас)
Техника составления запросов высшего порядка (Meta-Prompting). Вместо того чтобы самостоятельно подбирать сложные формулировки, вы поручаете мощной модели написать, структурировать и протестировать идеальный промпт для вашей задачи.
Мультимодальные Векторы (Multimodal Embeddings / CLIP)
Технология проектирования различных типов медиа (текста, изображений, аудио) в единое общее многомерное векторное пространство с помощью архитектур, таких как OpenAI CLIP или Google SigLIP. Позволяет искать фотографии текстовыми описаниями или находить похожую музыку по изображению.
Н
UAНарезка документов на чанки (Chunking для новичков)
Техника разбивки больших документов (PDF, книг, лонгридов) на небольшие логические текстовые блоки (чанки по 300–500 токенов) с перекрытием (Overlap). Обеспечивает высокую точность поиска и предотвращает потерю контекста на стыках.
Негативные Ограничения и Антипаттерны в Промптинге
Методология формулирования запретов и явного исключения нежелательных инженерных паттернов (Anti-Goals) в системных инструкциях для предотвращения шаблонного и избыточного кода (AI Slop).
О
UAОбучение в контексте (In-Context Learning простыми словами)
Удивительное эмерджентное свойство больших языковых моделей мгновенно усваивать новые правила, неизвестные слова или уникальные форматы прямо из текста текущего разговора без изменения весов нейросети и без программирования.
Объясни мне код (ИИ как персональный репетитор программирования)
Методика использования искусственного интеллекта для обучения программированию и понимания чужого кода. Позволяет разложить любой запутанный скрипт на понятные бытовые аналогии, комментарии и пошаговый разбор.
Ограниченное декодирование и структурированные выходы
Аппаратное и алгоритмическое ограничение генерации токенов языковой моделью на уровне инференса, что математически гарантирует 100% соответствие JSON Schema или Zod-типам.
Отравление контекста в базах знаний (Context Poisoning)
Киберугроза для систем RAG, когда злоумышленник внедряет поддельные документы, ложные инструкции или скрытые промпт-инъекции в общую базу знаний (Notion, Confluence, Google Drive). При поиске система подтягивает отравленный контекст, и бот начинает давать вредные советы или раскрывать секреты.
П
UAПарсинг Сложных PDF-Документов (Document Parsing)
Технологии извлечения структурированного текста из сложных PDF-файлов (LlamaParse, Unstructured.io, Marker, Nougat). Объясняет, почему простое копирование текста нарушает порядок чтения в двухколоночных документах и как сохранить формулы, графики и вложенные таблицы для систем RAG.
Перевод и локализация с помощью ИИ (Лучше, чем Google Translate)
Методика художественного перевода и культурной адаптации текстов (Localization). Объясняет, почему большие языковые модели переводят идиомы, шутки, сленг и деловые нюансы значительно точнее и естественнее, чем классические переводчики.
Переполнение и адаптивное сжатие контекстного окна
Инженерные паттерны предотвращения фатальных сбоев при исчерпании лимита контекста: Rolling Summaries, свертка состояний и селективное вытеснение устаревшей истории.
Переранжирование (Cross-Encoder Reranking)
Двухэтапная методология поиска в RAG-системах: быстрый первичный отбор кандидатов (Bi-Encoder / BM25) с последующим точным ранжированием через полносвязную кросс-энкодерную модель (Cross-Encoder / Cohere Rerank / BGE-Reranker).
Подключение баз знаний (Google Drive, Notion, Confluence)
Технология интеграции корпоративных источников данных с языковыми моделями с помощью готовых коннекторов (Connectors / ETL). Автоматически синхронизирует обновленные документы из Google Drive, Notion, Confluence и Slack с векторной базой без ручной загрузки файлов.
Поиск в Интернете в Чате (Web Search in Chat)
Встроенная функция поиска в Интернете внутри ChatGPT, Claude и Gemini (иконка глобуса). Позволяет модели получать свежие данные с веб-сайтов за текущий день и давать ответы с прямыми ссылками на источники.
Почему частица «НЕ» ломает промпты (Позитивные инструкции)
Психологический и алгоритмический парадокс работы языковых моделей («Парадокс розового слона»). Объясняет, почему команды с частицей «НЕ» часто приводят к обратному эффекту, и как переформулировать запреты в позитивные директивы.
Промпт-инжиниринг (Архитектура контекста и промпт-инжиниринг)
Инженерная дисциплина структурирования системных директив, XML-разметки, семантических делимитеров и примеров для достижения детерминированных, предсказуемых результатов от вероятностных моделей.
Промпт-инъекция (Prompt Injection)
Критическая уязвимость систем на базе LLM (OWASP Top 10 for LLM #1). Происходит из-за отсутствия архитектурного разделения между управляющими инструкциями (Control Plane) и внешними данными (Data Plane), позволяя злоумышленнику перехватить управление моделью.
Р
UAРазделители и XML-теги (Структурирование промптов)
Техника оформления сложных промптов с помощью XML-тегов (<context>, <rules>) и тройных кавычек (\"\"\"). Помогает модели четко различать, где заканчивается ваше правило и где начинается текст для обработки.
Размер контекстного окна (Память текущего разговора)
Максимальный объем текста (в токенах), который языковая модель может одновременно удерживать в памяти во время текущего разговора. Определяет, какую длину документов можно загрузить за один раз без потери содержания.
Расширение поискового запроса (Query Expansion & HyDE)
Техника подготовки поискового запроса в системах RAG. Перед обращением к векторной базе языковая модель автоматически генерирует синонимы, ключевые слова или вымышленный гипотетический ответ (HyDE — Hypothetical Document Embeddings), что кардинально повышает качество найденных документов.
Реренкинг результатов поиска (Reranking / Cross-Encoders)
Двухступенчатый паттерн поиска в RAG-системах. Первый этап (быстрый векторный или гибридный поиск) находит 20–50 кандидатов за 10 мс. Второй этап (модель-реренкер класса Cross-Encoder, например, Cohere Rerank или BGE-Reranker) детально сопоставляет запрос с каждым найденным текстом и оставляет топ-3 наиболее точных документа.
Риски галлюцинаций в реальных задачах
Анализ практических последствий и юридических рисков, возникающих из-за слепой доверия к вымышленным фактам и фальшивым источникам, сгенерированным языковыми моделями в финансовых отчетах, юридических исках и медицинских рекомендациях.
Ролевой промптинг (Магия фразы «Действуй как эксперт»)
Техника формулирования промптов через назначение модели конкретной роли, профессии или психологического образа («Действуй как Senior DevOps», «Представь, что ты педиатр»). Активирует специфические слои знаний и профессиональный словарь.
С
UAСамопроверка результатов поиска (Self-RAG & Corrective RAG)
Архитектурный подход к поиску (Self-RAG и CRAG — Corrective RAG), при котором языковая модель не слепо генерирует ответ на основе первых найденных результатов, а сначала самостоятельно оценивает их релевантность и полноту. Если найденных фактов недостаточно или они сомнительны, система автоматически перефразирует запрос и ищет повторно или обращается к открытому вебу.
Семантический поиск (Поиск по смыслу, а не по буквам)
Технология поиска информации на основе концептуального содержания запроса, а не точного совпадения букв или ключевых слов. Понимает синонимы, перефразирования, ошибки в словах и абстрактные вопросы на естественном языке.
Системные инструкции (System Prompt и Custom Instructions)
Главная скрытая директива разработчика или пользователя (System Message). Задает фундаментальные рамки поведения, роль, стиль общения и запрещенные темы, которые модель сохраняет на протяжении всей сессии.
Системный промпт (System Instructions & Metaprompting)
Приоритетный метаконтекстный блок инструкций, передаваемый на нулевой позиции контекстного окна, определяющий роль, правила безопасности, доступные инструменты и границы поведения агента.
Суммирование текстов (Как сократить 50 страниц до 5 тезисов)
Методология эффективного сжатия больших объемов информации (Summarization). Объясняет, как с помощью четких шаблонов промптов преобразовывать 50-страничные отчеты в лаконичные executive summaries по правилу «Главная теза + Риски + Следующие действия».
У
UAФ
UAФильтрация Векторных Метаданных и Гибкая Маршрутизация
Технология сочетания семантического векторного поиска с жесткими детерминированными SQL/NoSQL фильтрами по полям (tenant_id, version, role, date) перед вычислением расстояний векторов.
Фильтрация по метаданным в RAG (Metadata Filtering)
Техника комбинированного поиска в векторных базах данных (Self-Querying Retriever). Позволяет сочетать семантический поиск по смыслу с жесткими фильтрами базы данных по метаданным: дата публикации, автор документа, уровень доступа, язык или департамент компании.
Ц
UAЦепочка размышлений (Chain of Thought - CoT)
Методология побуждения языковой модели генерировать последовательные промежуточные шаги размышлений перед формированием финального ответа, что конвертирует дополнительные токены (Test-Time Compute) в качество и точность результата.
Цепочки промптов (Prompt Chaining для новичков)
Методология разбивки сложной комплексной задачи на последовательность небольших сфокусированных промптов (Prompt Chaining). Результат первого шага передается на вход следующему, что гарантирует высокое качество каждого блока.
Ч
UAЭ
UAЭмбеддинги на пальцах (Как текст становится числами)
Фундаментальная технология преобразования слов, предложений или изображений в многомерные списки чисел (векторы). Позволяет компьютеру математически измерять смысловую близость между различными мыслями и концепциями.
Эпизодическая и Семантическая Память Агента
Архитектурное разделение памяти ИИ-агента на долгосрочную фактическую базу (Semantic Memory) и хронологический журнал событий конкретных рабочих сессий (Episodic Memory).
Полный стек инструментов, рейтингов и AI-скилов
Помимо глоссария, на GOTBURNOUT доступны бенчмарки нейросетей, каталог из более 100,000 AI Agent Skills, готовые проверенные VPS-скрипты и закрытое Pro-сообщество разработчиков.