Глосарій AI & Вайбкодингу

AST Chunking for Codebases

Методологія інтелектуального розбиття кодових файлів для векторного пошуку виключно по синтаксичних межах мови програмування (Tree-sitter) замість нарізки за фіксованою кількістю рядків чи символів.

C

/ 5 термінів

Claude Projects (Робочі простори із власною базою знань)

Інструмент організації роботи в Claude від Anthropic. Дозволяє створювати окремі робочі простори під кожну задачу, завантажувати до 200 000 токенів внутрішньої документації та ділитися ними з колегами.

ColBERT & Late Interaction Retrieval

Архітектура нейромережевого пошуку, що порівнює контекстні ембеддінги кожного окремого токена запиту з токенами документа (Late Interaction), перевершуючи класичні Dense-вектори за точністю.

Constrained Decoding & Structured Outputs

Апаратне та алгоритмічне обмеження генерації токенів мовною моделлю на рівні інференсу, що математично гарантує 100% відповідність JSON Schema або Zod-типам.

Context Distillation & Token Squeezing

Методи автоматичного видалення надлишкових слів, синтаксичного шуму, форматувальних пробілів та застарілих повідомлень перед відправкою промпту в модель для економії бюджету та прискорення інференсу.

Context Window Overflow & Compaction

Інженерні патерни запобігання фатальним збоям при вичерпанні ліміту контексту: ковзні підсумки (Rolling Summaries), згортання станів та селективне витіснення застарілої історії.

E

/ 1 термін

Episodic vs Semantic Agent Memory

Архітектурне розділення пам'яті ШІ-агента на довготривалу фактологічну базу (Semantic Memory) та хронологічний журнал подій конкретних робочих сесій (Episodic Memory).

F

/ 1 термін

Few-Shot промптинг (In-Context Learning)

Методологія інженерії промптів, за якої модель адаптується до специфічного формату, стилю чи логіки безпосередньо під час інференсу (In-Context Learning) завдяки показу 2–5 еталонних прикладів.

G

/ 1 термін

GraphRAG & Knowledge Graph Retrieval

Нове покоління систем пошуку з доповненою генерацією (GraphRAG), що поєднує семантичний векторний пошук із графами знань для синтезу глобальних висновків над великими базами знань.

H

/ 1 термін

Hierarchical Chunking & Parent-Child Retrieval

Архітектурний патерн пошуку, де векторне зіставлення здійснюється по коротких, точних дочірніх фрагментах (Child Chunks), а в контекст моделі підтягується весь широкий батьківський блок (Parent Document).

K

/ 1 термін

KV-Cache Offloading & Compression

Апаратні та алгоритмічні методи тимчасового вивантаження кешу ключів і значень (KV-Cache) із дорогої відеопам'яті GPU у системну оперативну пам'ять (RAM) або швидкі NVMe SSD.

M

/ 1 термін

Markdown AST для агентів (Abstract Syntax Tree)

Ієрархічне деревоподібне представлення розмітки Markdown (стандарт mdast / Unified.js), що дозволяє програмним системам та AI-агентам детерміновано аналізувати, трансформувати та безпечно редагувати технічний контент без використання крихких регулярних виразів.

N

/ 3 термінів

Needle in a Haystack & Long-Context Retrieval

Проблема деградації уваги мовних моделей всередині гігантських контекстних вікон (1M–2M токенів), коли модель ігнорує інструкції, заховані в середині тексту, та інженерні методи її подолання.

Negative Constraints & Anti-Pattern Prompts

Методологія формулювання заборон та явного виключення небажаних інженерних патернів (Anti-Goals) у системних інструкціях для запобігання шаблонному та надлишковому коду (AI Slop).

NotebookLM та Аудіо-Огляд (Подкаст із конспектів)

Безкоштовний дослідницький інструмент від Google на базі моделей Gemini. Відповідає суворо за завантаженими джерелами (без галюцинацій) та вміє перетворювати нудні звіти на живі розмовні аудіоподкасти.

P

/ 2 термінів

Prompt Caching Architecture & Economics

Методологія проєктування промптів, орієнтована на максимізацію попадання в апаратний кеш префіксів (Prefix Caching) в Anthropic, OpenAI та DeepSeek для 90% знижки вартості та 80% прискорення.

Prompt Extraction & Inversion Attacks

Методологія аналізу кіберзагроз, спрямованих на викрадення секретних системних промптів, пропрієтарної бізнес-логіки та прихованих інструкцій через маніпулятивні запити користувачів.

R

/ 2 термінів

RAG (Retrieval-Augmented Generation)

Архітектурний патерн корпоративного AI, що динамічно збагачує контекстне вікно моделі релевантними верифікованими знаннями із зовнішніх сховищ (векторних баз, графів, повнотекстових індексів) перед генерацією фінальної відповіді.

RAG проти Fine-Tuning (Вічна дилема впровадження ШІ)

Фундаментальний архітектурний вибір для бізнесу. RAG (пошук по документах у момент запиту) проти Fine-Tuning (зміна ваг моделі через донавчання). Критерії вибору між актуальністю фактів та специфічним стилем поведінки.

S

/ 2 термінів

Self-RAG & Corrective RAG (CRAG)

Методологія адаптивного пошуку, де мовна модель самостійно оцінює релевантність знайдених документів, відкидає шум і динамічно переформулює пошуковий запит при браку інформації.

System Prompt Drift & Degradation

Феномен поступової втрати первинних інструкцій, стилю відповіді та безпекових обмежень мовною моделлю в міру розростання історії діалогу, а також методи періодичного реінжектингу правил.

V

/ 1 термін

Vector Metadata Filtering & Hybrid Routing

Технологія поєднання семантичного векторного пошуку з жорсткими детермінованими SQL/NoSQL фільтрами за полями (tenant_id, version, role, date) перед обчисленням відстаней векторів.

W

/ 1 термін

Web Search у чаті (Пошук в інтернеті в реальному часі)

Вбудована функція пошуку в інтернеті всередині ChatGPT, Claude та Gemini (іконка глобуса). Дозволяє моделі отримувати свіжі дані з веб-сайтів за поточний день і давати відповіді з прямими посиланнями на джерела.

Z

/ 2 термінів

Zero-Shot проти Few-Shot (Сила кількох прикладів)

Порівняння двох фундаментальних технік промптингу. Zero-Shot — прямий запит без прикладів. Few-Shot — передача моделі кількох зразків бажаної відповіді перед виконанням задачі для точного калібрування формату й тону.

Zero-Shot CoT vs Dynamic Reasoning

Історична та практична еволюція технік міркування: від простої фрази 'Let's think step by step' (Zero-Shot Chain-of-Thought) до нативного апаратного бюджетування роздумів у сучасних моделях.

А

/ 3 термінів

Авторське право та ліцензії в еру ШІ

Правовий статус інтелектуальної власності на контент, створений нейромережами. Прецеденти Бюро авторських прав США та ЄС: відсутність копірайту на чисті результати генерацій, статус навчання на чужих творах (Fair Use) та ліцензії відкритих моделей.

Агентські скіли (Agent Skills & Custom Workflows)

Архітектурний патерн динамічного підвантаження вузькоспеціалізованих процедурних інструкцій, скриптів і шаблонів (SKILL.md) у контекстне вікно агента суто за вимогою (On-Demand Loading).

Аналіз прикріплених файлів (Іконка скріпки в чаті)

Функція завантаження файлів у ChatGPT, Claude та Gemini (іконка скріпки або плюсика). Дозволяє передавати моделі таблиці Excel, звіти PDF, текстові документи та фотографії для миттєвого аналізу та розрахунків.

В

/ 4 термінів

Векторний пошук проти Ctrl+F (Dense vs Sparse)

Порівняння двох підходів до пошуку: нейромережевого смислового (Dense Retrieval) та класичного ключового за збігом слів (Sparse / BM25). Пояснює, чому векторний пошук може провалитися на пошуку артикулів товарів і як працює гібридний пошук.

Векторні бази даних (Vector DBs & ANN Search)

Спеціалізовані СУБД та розширення (Qdrant, pgvector, Milvus, Chroma, Turso), оптимізовані для зберігання мільйонів багатовимірних векторів та надшвидкого наближеного пошуку найближчих сусідів (Approximate Nearest Neighbors).

Векторні ембеддінги (Dense Embeddings)

Математична проєкція тексту, коду чи мультимодальних даних у щільний багатовимірний числовий вектор, де кут і геометрія між координатами відображають їхню смислову спорідненість.

Витік системного промпту (Prompt Leakage)

Вразливість штучного інтелекту, коли за допомогою хитрих формулювань користувач змушує бота дослівно процитувати свої приховані інструкції (System Prompt), розкриваючи бізнес-логіку, правила поведінки та внутрішні секрети розробників.

Г

/ 4 термінів

Галюцинації ШІ (Hallucinations & Confabulations)

Генерація мовною моделлю фактологічно неправдивої, вигаданої або неіснуючої інформації (бібліотек, методів API, цитат), висловленої з високою ймовірнісною впевненістю.

Гібридний пошук (Dense + Sparse Search)

Архітектура ретривелу в сучасних RAG-системах, що поєднує семантичний векторний пошук (Dense Embeddings) із класичним повнотекстовим індексуванням за ключовими словами (Sparse / BM25) через алгоритми злиття рангів (RRF).

Гібридний пошук (Hybrid Search: Dense + Sparse / BM25)

Архітектура пошуку інформації, що об'єднує векторний семантичний пошук (Dense retrieval — розуміння змісту та синонімів) із класичним ключовим пошуком за точними словами (Sparse retrieval / BM25). Забезпечує ідеальний баланс між концептуальним розумінням та точним пошуком артикулів, серійних номерів чи імен.

Графи знань у пошуку (GraphRAG)

Еволюція архітектури RAG від Microsoft Research. Поєднує класичний семантичний пошук за векторами з графом знань (Knowledge Graph), де документи перетворюються на вузли сутностей (люди, компанії, локації) та ребра зв'язків між ними, дозволяючи відповідати на глобальні комплексні запитання по всьому масиву даних.

Д

/ 2 термінів

Деградація контексту (Context Rot & Attention Decay)

Системне зниження точності, слідування інструкціям та логічної узгодженості LLM у міру накопичення в робочому вікні діалогового шуму, застарілих чернеток коду та виводів компілятора.

Джейлбрейк (Jailbreak) мовних моделей

Техніка соціальної інженерії щодо штучного інтелекту, яка змушує мовну модель обійти закладені творцями етичні обмеження, фільтри безпеки (RLHF) та заборонені теми через рольові ігри, гіпотетичні сценарії або парадокси.

Е

/ 1 термін

Ембеддінги на пальцях (Як текст стає числами)

Фундаментальна технологія перетворення слів, речень чи зображень у багатовимірні списки чисел (вектори). Дозволяє комп'ютеру математично вимірювати смислову близькість між різними думками та концепціями.

З

/ 1 термін

Заземлення фактів (Grounding та цитування джерел)

Методика прив'язки згенерованих нейромережею тверджень до перевірених першоджерел (Source Grounding). Дозволяє виключити вигадки та забезпечити юридичну й наукову достовірність відповідей за допомогою точних виносок і цитат.

І

/ 1 термін

Ієрархічний чанкінг (Hierarchical Chunking / Parent-Child)

Просунута стратегія нарізки документів (Parent-Document Retriever) для систем RAG. Текст ділиться на дрібні дочірні шматочки (Child Chunks) для надточного векторного пошуку, але в контекст моделі передається повний батьківський розділ (Parent Chunk), щоб зберегти широкий контекст і не втратити суть.

К

/ 3 термінів

Кешування промптів (Prompt Caching & KV Cache Reuse)

Технологія сучасних інференс-двигунів та хмарних API (Anthropic, OpenAI, DeepSeek, vLLM), що зберігає попередньо обчислені матриці уваги (KV Cache) статичного префіксу, зменшуючи вартість обробки на 80–90% та скорочуючи час до першого токена (TTFT) у 4–8 разів.

Контекстне вікно (Context Window)

Максимальний робочий обсяг токенів, який мовна модель здатна одночасно утримувати в механізмі Self-Attention та пам'яті KV-кешу під час обчислення одного інференс-запиту.

Косинусна подібність (Cosine Similarity)

Математична метрика, що вимірює кут між двома векторами в багатовимірному просторі. Показує ступінь смислової спорідненості двох текстів від -1 (протилежні) до +1 (повні синоніми), ігноруючи довжину речень.

Л

/ 2 термінів

Ланцюжки промптів (Prompt Chaining для новачків)

Методологія розбиття складного комплексного завдання на послідовність невеликих сфокусованих промптів (Prompt Chaining). Результат першого кроку передається на вхід наступному, що гарантує високу якість кожного блоку.

Ланцюжок думок (Chain of Thought - CoT)

Методологія спонукання мовної моделі генерувати послідовні проміжні кроки міркувань перед формуванням фінальної відповіді, що конвертує додаткові токени (Test-Time Compute) у якість і точність результату.

М

/ 3 термінів

Магія фрази «Думай крок за кроком» (Step-by-Step)

Легендарна техніка промпт-інжинірингу (Zero-Shot Chain-of-Thought). Додавання чарівної фрази «Думай крок за кроком» змушує нейромережу розгорнути ланцюжок проміжних обчислень, знижуючи кількість логічних помилок на 50–70%.

Мета-промптинг (ШІ покращує твій промпт замість тебе)

Техніка складання запитів вищого порядку (Meta-Prompting). Замість того, щоб самостійно підбирати складні формулювання, ви доручаєте потужній моделі написати, структурувати та протестувати ідеальний промпт для вашого завдання.

Мультимодальні вектори (Multimodal Embeddings / CLIP)

Технологія проектування різних типів медіа (тексту, зображень, аудіо) у єдиний спільний багатовимірний векторний простір за допомогою архітектур на кшталт OpenAI CLIP або Google SigLIP. Дозволяє шукати фотографії текстовими описами або знаходити схожу музику за картинкою.

Н

/ 2 термінів

Навчання в контексті (In-Context Learning простими словами)

Дивовижна емерджентна властивість великих мовних моделей миттєво засвоювати нові правила, невідомі слова чи унікальні формати просто з тексту поточної розмови без зміни ваг нейромережі та без програмування.

Нарізка документів на чанки (Chunking для новачків)

Техніка розбиття великих документів (PDF, книг, лонгрідів) на невеликі логічні текстові блоки (чанки по 300–500 токенів) із перекриттям (Overlap). Забезпечує високу точність пошуку та запобігає втраті контексту на стиках.

О

/ 1 термін

Отруєння контексту в базах знань (Context Poisoning)

Кіберзагроза для систем RAG, коли зловмисник впроваджує сфальсифіковані документи, хибні інструкції або приховані промпт-ін'єкції в спільну базу знань (Notion, Confluence, Google Drive). Під час пошуку система підтягує отруєний контекст, і бот починає давати шкідливі поради або розкривати секрети.

П

/ 7 термінів

Парсинг складних PDF-документів (Document Parsing)

Технології вилучення структурованого тексту зі складних PDF-файлів (LlamaParse, Unstructured.io, Marker, Nougat). Пояснює, чому просте копіювання тексту ламає порядок читання в двоколонкових документах і як зберегти формули, графіки та вкладені таблиці для систем RAG.

Переклад та локалізація через ШІ (Краще за Google Translate)

Методика художнього перекладу та культурної адаптації текстів (Localization). Пояснює, чому великі мовні моделі перекладають ідіоми, жарти, сленг та ділові нюанси значно точніше й природніше за класичні перекладачі.

Переранжування (Cross-Encoder Reranking)

Двоетапна методологія пошуку в RAG-системах: швидкий первинний відбір кандидатів (Bi-Encoder / BM25) із подальшим точним ранжуванням через повнозв'язну крос-енкодерну модель (Cross-Encoder / Cohere Rerank / BGE-Reranker).

Підключення баз знань (Google Drive, Notion, Confluence)

Технологія інтеграції корпоративних джерел даних із мовними моделями за допомогою готових конекторів (Connectors / ETL). Автоматично синхронізує оновлені документи з Google Drive, Notion, Confluence та Slack із векторною базою без ручного завантаження файлів.

Поясни мені код (ШІ як персональний репетитор програмування)

Методика використання штучного інтелекту для навчання програмуванню та розуміння чужого коду. Дозволяє розкласти будь-який заплутаний скрипт на зрозумілі побутові аналогії, коментарі та покроковий розбір.

Промпт-ін'єкція (Prompt Injection)

Критична вразливість систем на базі LLM (OWASP Top 10 for LLM #1). Відбувається через відсутність архітектурного розділення між керуючими інструкціями (Control Plane) та зовнішніми даними (Data Plane), дозволяючи зловмиснику перехопити керування моделлю.

Промпт-інжиніринг (Context Architecture & Prompt Engineering)

Інженерна дисципліна структурування системних директив, XML-розмітки, семантичних делімітерів та прикладів для досягнення детермінованих, передбачуваних результатів від імовірнісних моделей.

Р

/ 6 термінів

Реренкінг результатів пошуку (Reranking / Cross-Encoders)

Двоетапний патерн пошуку в RAG-системах. Перший етап (швидкий векторний або гібридний пошук) знаходить 20–50 кандидатів за 10 мс. Другий етап (модель-реренкер класу Cross-Encoder, наприклад Cohere Rerank або BGE-Reranker) детально зіставляє запит із кожним знайденим текстом і залишає топ-3 найбільш точні документи.

Ризики галюцинацій у реальних завданнях

Аналіз практичних наслідків та юридичних ризиків, що виникають через сліпу довіру до вигаданих фактів і фальшивих джерел, згенерованих мовними моделями у фінансових звітах, юридичних позовах та медичних порадах.

Розділювачі та XML-теги (Структурування промптів)

Техніка оформлення складних промптів за допомогою XML-тегів (<context>, <rules>) та потрійних лапок (\"\"\"). Допомагає моделі чітко розрізняти, де закінчується ваше правило і де починається текст для обробки.

Розмір контекстного вікна (Пам'ять поточної розмови)

Максимальний обсяг тексту (у токенах), який мовна модель здатна одночасно утримувати в пам'яті під час поточної бесіди. Визначає, яку довжину документів можна завантажити за один раз без втрати змісту.

Розширення пошукового запиту (Query Expansion & HyDE)

Техніка підготовки пошукового запиту в RAG-системах. Перед зверненням до векторної бази мовна модель автоматично генерує синоніми, ключові слова або вигадану гіпотетичну відповідь (HyDE — Hypothetical Document Embeddings), що кардинально підвищує якість знайдених документів.

Рольовий промптинг (Магія фрази «Дій як експерт»)

Техніка формулювання промптів через надання моделі конкретної ролі, професії чи психологічного образу («Дій як Senior DevOps», «Уяви, що ти лікар-педіатр»). Активує специфічні шари знань та професійний словник.

С

/ 5 термінів

Саммаризація текстів (Як скоротити 50 сторінок до 5 тез)

Методологія ефективного стиснення великих обсягів інформації (Summarization). Пояснює, як за допомогою чітких шаблонів промптів перетворювати 50-сторінкові звіти на лаконічні executive summaries за правилом «Головна теза + Ризики + Наступні дії».

Самоперевірка результатів пошуку (Self-RAG & Corrective RAG)

Архітектурний підхід до пошуку (Self-RAG та CRAG — Corrective RAG), за якого мовна модель не сліпо генерує відповідь на основі перших знайдених результатів, а спочатку самостійно оцінює їхню релевантність і повноту. Якщо знайдених фактів замало або вони сумнівні, система автоматично перефразовує запит і шукає повторно або йде у відкритий веб.

Семантичний пошук (Пошук за змістом, а не за буквами)

Технологія пошуку інформації на основі концептуального змісту запиту, а не точного збігу літер чи ключових слів. Розуміє синоніми, перефразовування, помилки в словах та абстрактні питання природною мовою.

Системний промпт (System Instructions & Metaprompting)

Пріоритетний метаконтекстний блок інструкцій, що передається на нульовій позиції контекстного вікна і визначає роль, правила безпеки, доступні інструменти та межі поведінки агента.

Системні інструкції (System Prompt та Custom Instructions)

Головна прихована директива розробника або користувача (System Message). Задає фундаментальні рамки поведінки, роль, стиль спілкування та заборонені теми, які модель зберігає протягом усієї сесії.

Ф

/ 1 термін

Фільтрація за метаданими в RAG (Metadata Filtering)

Техніка комбінованого пошуку у векторних базах даних (Self-Querying Retriever). Дозволяє поєднувати семантичний пошук за смислом із суворими фільтрами бази даних за метаданими: дата публікації, автор документа, рівень доступу, мова або департамент компанії.

Ч

/ 2 термінів

Чанкінг документів (Chunking Strategies)

Методологія декомпозиції масивних документів і кодових баз на інформаційно самодостатні фрагменти (чанки) для генерації векторних ембеддінгів та точного пошуку в RAG-системах.

Чому частка «НЕ» ламає промпти (Позитивні інструкції)

Психологічний та алгоритмічний парадокс роботи мовних моделей («Парадокс рожевого слона»). Пояснює, чому команди з часткою «НЕ» часто призводять до зворотного ефекту, і як переформулювати заборони у позитивні директиви.

Я

/ 1 термін

Як відучити ШІ вигадувати (Промпти проти галюцинацій)

Набір перевірених інженерних технік та словесних конструкцій, які блокують генерацію вигаданих фактів, неіснуючих законів і хибних цитат. Змушує штучний інтелект спиратися суворо на надані джерела.