📖 Глоссарий

Краткие определения терминов, которые встречаются в базе. Если термина нет здесь — возможно, он раскрыт в отдельной статье; пользуйтесь поиском. Каждое определение — один-два предложения, без математики.

Как пользоваться

Термины отсортированы по алфавиту. Английские написания даны там, где они устоялись в индустрии и встречаются в вакансиях. Ссылки [[...]] ведут к подробным статьям.

---

А

• Agent loop (цикл агента) — базовый паттерн работы агента: модель думает → вызывает инструмент → смотрит результат → думает снова, пока не даст финальный ответ. См. 10-agent-architecture.
• Agentic RAG — вариант RAG, в котором поиском управляет агент: сам решает, искать ли, сколько раз и в каких источниках. См. 09-rag.
• API (Application Programming Interface) — способ, каким программа обращается к другой программе. В контексте LLM — интерфейс, через который ваше приложение отправляет запрос к модели и получает ответ. См. 11-tools-mcp.
• Attention (механизм внимания) — математический приём, благодаря которому модель «понимает», какие слова в предложении важны друг для друга. На уровне руководителя важно знать, что именно attention сделал возможным современный LLM-бум. См. 02-tokens-context-window.

Б

• Бенчмарк (benchmark) — стандартный набор тестов для измерения качества модели (например, MMLU — знания, HumanEval — код, MATH — математику). См. 14-ocenka-kachestva.

В

• Векторная база данных (vector database) — хранилище, оптимизированное для поиска «похожих по смыслу» векторов. Примеры: Qdrant, Milvus, pgvector, Pinecone. См. 09-rag.
• Векторное представление — см. Embedding.

Г

• Галлюцинация (hallucination) — ситуация, когда модель уверенно выдаёт фактически неверное утверждение, выглядящее правдоподобно. Главная головная боль в юридических и медицинских доменах. См. 08-gallyutsinatsii-i-nadezhnost.
• Guardrails (ограждения) — программные проверки, которые не дают модели выйти за рамки дозволенного: фильтруют вход, выход, проверяют фактологию. См. 08-gallyutsinatsii-i-nadezhnost, 15-compliance-i-bezopasnost.

Е

• Embedding (эмбеддинг, векторное представление) — превращение текста (слова, абзаца, документа) в массив чисел так, что близкие по смыслу тексты получают близкие векторы. Основа семантического поиска и RAG. См. 02-tokens-context-window, 09-rag.

З

• Zero-shot / Few-shot — режимы работы модели: zero-shot — модель решает задачу без примеров, few-shot — ей показывают несколько примеров прямо в промпте. См. 07-prompt-engineering.

И

• Inference (инференс) — процесс получения ответа от уже обученной модели. Это то, за что вы платите в API. См. 02-tokens-context-window, 06-stoimost-i-ekonomika.
• Indexing (индексация) — этап RAG, на котором документы режутся на куски, превращаются в эмбеддинги и складываются в векторную базу для будущего поиска. См. 09-rag.

К

• Квантизация (quantization) — сжатие модели за счёт уменьшения точности чисел (например, с 16 бит до 4). Делает модель дешевле и быстрее, ценой небольшой потери качества. См. 06-stoimost-i-ekonomika.
• Контекстное окно (context window) — сколько токенов модель может «держать в голове» за один запрос: ваш промпт + вся история диалога + загруженные документы. См. 02-tokens-context-window.
• Кэш (cache), промпт-кэш — сохранение промежуточных вычислений для повторяющихся частей промпта, чтобы не считать и не платить за них заново. См. 06-stoimost-i-ekonomika.

М

• MCP (Model Context Protocol) — открытый стандарт, через который модель единообразно подключается к внешним инструментам и данным (файлам, базам, API). См. 11-tools-mcp.
• Multi-agent system (мультиагентная система) — система из нескольких агентов, у каждого своя роль; они координируются оркестратором. См. 12-multi-agent.
• MoE (Mixture of Experts) — архитектура, в которой для каждого запроса активируется только часть «экспертов» модели. Позволяет делать очень большие модели дешёвыми в инференсе. См. 03-kak-sozdayutsya-modeli.

О

• Open-source / открытая модель — модель, веса которой опубликованы и которую можно запустить у себя (Llama, Qwen, DeepSeek). Противоположность проприетарной (GPT, Claude). См. 04-landshaft-modeley.

П

• Pre-training (предобучение) — первый этап создания модели: обучение на огромном массиве текста «предсказывать следующий токен». Даёт «голосовую» модель без полезного поведения. См. 03-kak-sozdayutsya-modeli.
• Prompt (промпт) — текстовый запрос к модели. Включает инструкцию, контекст, примеры и сам вопрос. См. 07-prompt-engineering.
• Prompt injection (промпт-инъекция) — атака, когда вредоносный текст (например, внутри документа) заставляет модель проигнорировать инструкцию автора. См. 07-prompt-engineering, 15-compliance-i-bezopasnost.
• Function Calling (вызов функций) — способность модели вернуть не просто текст, а структурированный вызов инструмента с аргументами. См. 11-tools-mcp.

Р

• RAG (Retrieval-Augmented Generation) — схема, при которой модель перед ответом подгружает релевантные фрагменты из вашей базы знаний. Главный способ дать модели «актуальные корпоративные знания». См. 09-rag.
• ReAct (Reason + Act) — популярный паттерн агента: чередование рассуждений и действий (вызова инструментов). См. 10-agent-architecture.
• Retrieval (поиск, ретрив) — этап RAG: по запросу найти в векторной базе самые смысловые близкие фрагменты. См. 09-rag.
• RLHF (Reinforcement Learning from Human Feedback) — дообучение модели на оценках людей, чтобы её ответы были полезными и безопасными. Превращает «голосовую» модель в ассистента. См. 03-kak-sozdayutsya-modeli.
• Reranking (переранжирование) — дополнительный этап RAG, который точнее пересортировывает найденные фрагменты перед подачей в модель. См. 09-rag.

С

• SFT (Supervised Fine-Tuning) — дообучение модели на готовых парах «вопрос-ответ», чтобы она научилась нужному стилю и формату. См. 03-kak-sozdayutsya-modeli.
• Structured Output (структурированный вывод) — режим, в котором модель гарантированно отвечает в заданной схеме (JSON), а не свободным текстом. См. 11-tools-mcp.
• System prompt (системный промпт) — «роль и правила» для модели, заданные один раз в начале диалога. См. 07-prompt-engineering.

Т

• Token (токен) — минимальный кусочек текста, который модель обрабатывает как единое целое. Это ~=¾ слова; именно в токенах считается и длина контекста, и цена. См. 02-tokens-context-window.
• Temperature (температура) — параметр, регулирующий «творчкость» модели: 0 — всегда одинаковый ответ, 1 и выше — больше разнообразия и риска. См. 07-prompt-engineering, 08-gallyutsinatsii-i-nadezhnost.
• Tool (инструмент) — функция, которую модель может вызвать, чтобы получить данные или совершить действие (запрос в CRM, расчёт, отправка письма). См. 11-tools-mcp.
• Transformer — архитектура нейросети, на которой построены все современные LLM (GPT, Claude, Llama). Главный её механизм — attention. См. 01-chto-takoe-llm.

Ф

• Fine-tuning (файн-тюн, дообучение) — дополнительное обучение готовой модели на ваших данных, чтобы «встроить» в неё стиль или знания. См. 03-kak-sozdayutsya-modeli, 09-rag.
• Function Calling — см. в разделе П.

Ч

• Чанк (chunk) — фрагмент документа, на который он режется перед индексацией в RAG. Размер чанка сильно влияет на качество поиска. См. 09-rag.

---

Если термина нет

Загляните в профильную статью: общая теория — 01-chto-takoe-llm, память и поиск — 09-rag, агенты — 10-agent-architecture, экономика — 06-stoimost-i-ekonomika.