Глоссарий ИИ-агентов: 60 терминов простыми словами (2026)

Сегодня любая страница ИИ-продукта читается как диктант по орфографии: агентный, MCP, RAG, контекстное окно, вызов инструментов, защитные ограничения, оркестрация. Идеи за этими словами обычно простые, но никто не объясняет их в одном месте, и именно из-за этого пробела так много людей «пользуются ИИ», ни разу не поручив ему настоящую задачу.

Этот глоссарий ИИ закрывает этот пробел. Он охватывает 60 терминов, которые вам встретятся при чтении об ИИ-агентах, больших языковых моделях и автоматизации в 2026 году, сгруппированных по темам и объяснённых простыми словами с конкретным примером. Сохраните его в закладки, поделитесь с командой и используйте вместе с нашими статьями что такое агентный ИИ и как работают ИИ-субагенты. Там, где термин важен для работы с Jobbit, мы это отдельно отмечаем.

Базовые понятия: слова, которые использует каждый

• Искусственный интеллект (ИИ): софт, который выполняет задачи, обычно требующие человеческого интеллекта: понимание языка, распознавание изображений или принятие решений. В 2026 году этот термин чаще всего означает системы, построенные на больших языковых моделях.

• Машинное обучение (ML): методика обучения софта на примерах вместо написания явных правил. Спам-фильтр учится на миллионах размеченных писем, а не получает каждое правило вручную.

• Глубокое обучение: машинное обучение с использованием нейросетей с большим числом слоёв. Именно оно сделало возможными современное распознавание изображений, речи и языковые модели.

• Генеративный ИИ: ИИ, который создаёт новый контент, текст, изображения, код, аудио или видео, по промпту. ChatGPT, Claude, Gemini и Midjourney - продукты на основе генеративного ИИ.

• Большая языковая модель (LLM): нейросеть, обученная на огромных массивах текста, которая предсказывает следующий токен в последовательности и благодаря этому учится рассуждать, писать и следовать инструкциям. GPT, Claude, Gemini, Llama, DeepSeek и Mistral - семейства LLM.

• Базовая модель (foundation model): крупная модель, обученная на широких данных, которую можно адаптировать под множество задач. LLM - это базовые модели для языка; есть аналоги для изображений и видео.

• Мультимодальная модель: модель, которая понимает и создаёт более одного типа данных, обычно текст, изображения, аудио и иногда видео. Мультимодальные модели позволяют агенту прочитать скриншот или отсканированный счёт.

• Промпт: инструкция, которую вы даёте модели. Хорошо составлять промпты - отдельный навык; смотрите как писать промпты для ИИ-агентов.

• Системный промпт: скрытые инструкции, заданные разработчиком продукта, которые определяют поведение модели в каждом диалоге: её роль, тон, правила и инструменты.

• Инференс: запуск обученной модели для получения ответа. Обучение происходит один раз, а инференс - каждый раз, когда вы отправляете сообщение, и именно за него вы платите.

Как думают модели: токены, контекст и рассуждения

• Токен: единица, которой модель читает и пишет, примерно три четверти английского слова. Цена, лимиты и скорость измеряются в токенах. «Один миллион токенов» - это около 750 000 слов.

• Контекстное окно: объём текста, который модель может учитывать одновременно, включая вашу переписку, документы и собственный ответ модели. Более широкое окно позволяет агенту удерживать в памяти целую кодовую базу или стостраничный договор.

• Инжиниринг контекста: искусство решать, что попадёт в контекстное окно: какие документы, примеры, результаты инструментов и воспоминания, чтобы у модели было всё нужное и ничего лишнего. Этот навык во многом заменил «промпт-инжиниринг» как ключевое умение при проектировании агентов.

• Рассуждающая модель: модель, обученная «думать» перед ответом, производя промежуточные шаги, которые повышают точность в математике, коде и планировании. Режим рассуждений расходует больше токенов, зато делает агентов гораздо надёжнее.

• Цепочка рассуждений (chain of thought): пошаговые рассуждения, которые модель выписывает на пути к ответу. Рассуждающие модели делают это по умолчанию; более старые модели можно попросить об этом отдельно.

• Температура: параметр, управляющий случайностью. Низкая температура даёт стабильный, предсказуемый результат; более высокая - разнообразный, творческий.

• Галлюцинация: уверенное, но ложное утверждение модели, например выдуманная цитата или несуществующая функция продукта. Агенты снижают число галлюцинаций, проверяя источники и тестируя результаты, а не доверяя единственному ответу.

• Привязка к данным (grounding): увязывание ответа модели с реальными данными, документами, результатами поиска или выводом инструментов, чтобы она сообщала то, что есть на самом деле, а не то, что звучит правдоподобно.

• Дообучение (fine-tuning): дополнительное обучение модели на ваших собственных примерах, чтобы она переняла стиль, формат или знания предметной области. Полезно для узких задач; агентам обычно не нужно, так как они получают знания из инструментов и контекста.

• Генерация с дополнением поиском (RAG): получение релевантных документов в момент запроса и их добавление в контекстное окно, чтобы модель отвечала на основе ваших данных. Именно так работают продукты вида «чат с вашими документами».

• Эмбеддинги: числовые представления текста, которые улавливают смысл, так что похожие фрагменты оказываются рядом друг с другом. Эмбеддинги лежат в основе семантического поиска и RAG.

• Векторная база данных: база данных, оптимизированная для хранения и поиска эмбеддингов. Pinecone, Weaviate, pgvector и Chroma - распространённые варианты.

• Дата отсечки знаний (knowledge cutoff): дата, после которой у модели нет обучающих данных. Агенты обходят это ограничение, обращаясь к интернету и читая актуальные источники.

Агенты: словарь автономности

• ИИ-агент: софт, который использует модель вместе с инструментами для автономного выполнения задач: планирует, действует, наблюдает за результатами и подстраивается. Предмет большей части этого глоссария.

• Агентный ИИ: более широкий подход к созданию ИИ-систем, ориентированных на цель и использующих инструменты, часто с несколькими агентами, работающими сообща. Подробно разобрано в статье что такое агентный ИИ?.

• ИИ-ассистент / копилот: помощь в духе агента, которая остаётся под вашим прямым контролем: она предлагает, а не действует. GitHub Copilot в редакторе - классический пример; «режим агента» - это момент, когда копилот превращается в агента.

• Автономность: насколько много агент делает, не спрашивая разрешения. Полезные системы соотносят автономность с обратимостью действия: черновики - свободно, траты - только с подтверждением.

• Использование инструментов / вызов функций (function calling): механизм, с помощью которого модель обращается к софту: ищет в интернете, запускает код, обращается к базе данных, отправляет письмо. Именно инструменты превращают чат-бота в агента.

• Model Context Protocol (MCP): открытый стандарт, предложенный Anthropic, для единообразного подключения моделей к инструментам и источникам данных. Считайте его универсальным разъёмом для агентов; поддержку добавили все крупные ИИ-платформы в течение 2025 и 2026 годов.

• Протокол agent-to-agent (A2A): стандарт, предложенный Google, чтобы агенты от разных производителей могли находить друг друга и обмениваться данными. Вместе с MCP он указывает на будущее, где агенты сотрудничают между разными компаниями.

• Оркестрация: координация нескольких шагов, инструментов или агентов в единый процесс: что запускается, в каком порядке и что происходит при сбое.

• Мультиагентная система: несколько агентов с разными ролями, работающих над одной целью, обычно ведущий агент, который планирует и делегирует, плюс специализированные агенты, которые исследуют, собирают или проверяют.

• Субагент: агент, порождённый другим агентом для параллельной обработки одной части задачи. Jobbit использует субагентов, чтобы изучать много источников или собирать и тестировать несколько функций одновременно; смотрите что такое ИИ-субагенты.

• Планировщик: часть агента, которая разбивает цель на шаги и пересматривает план по мере поступления результатов.

• Память: то, что агент сохраняет за пределами одного сообщения. Краткосрочная память - это текущий контекст; долгосрочная хранит предпочтения, прошлые решения и факты о вас, так что со временем агент становится лучше.

• Цикл агента: повторяющийся цикл «план, действие, наблюдение, корректировка», который выполняется до достижения цели или до момента, когда агенту нужно ваше решение.

• Человек в контуре (human in the loop): архитектура, при которой человек проверяет или утверждает определённые шаги, например отправку письма клиенту или платёж.

• Управление компьютером / браузерный агент: агент, который работает с софтом, глядя на экран и кликая и печатая, как человек, что позволяет ему работать с инструментами без API. Разобрано в статье об ИИ-агентах с управлением компьютером.

• Глубокое исследование (deep research): агентный процесс, в котором агент читает десятки источников, перепроверяет утверждения и готовит отчёт со ссылками. Смотрите как проводить глубокие исследования с помощью ИИ.

• Автоматизация рабочих процессов: заранее заданные, основанные на правилах последовательности действий между приложениями, территория Zapier, Make и n8n. Агенты добавляют в такие процессы элемент суждения; мы сравниваем оба подхода в статье Zapier, Make, n8n и ИИ-агенты.

• Многофункциональный ИИ-агент: один агент, который берёт на себя множество видов работы, исследования, тексты, сборку софта, дизайн, автоматизацию, из одного чата, вместо отдельного инструмента под каждую задачу. Именно так устроен Jobbit.

Создание софта с помощью ИИ

• Вайб-кодинг: создание софта через описание желаемого на естественном языке, когда ИИ-агент сам пишет, запускает и исправляет код, а вы оцениваете результат по тому, как он себя ведёт, а не построчным чтением кода. Полное руководство: что такое вайб-кодинг?.

• ИИ-конструктор приложений: продукт, который превращает описание в рабочее приложение, часто с хостингом в комплекте. Примеры: Lovable, Bolt, v0, Replit и Jobbit; сравнение в статье лучшие инструменты вайб-кодинга.

• Агент для программирования: агент, который работает внутри кодовой базы: читает файлы, пишет код, запускает тесты и исправляет ошибки. Claude Code, OpenAI Codex, режим агента в Cursor и Devin - агенты для программирования.

• No-code / low-code: визуальные инструменты для создания софта без программирования (или с минимумом кода), такие как Bubble, Webflow, Airtable и Retool. Как они соотносятся с вайб-кодингом, разобрано в статье вайб-кодинг против no-code и low-code.

• Песочница: изолированная среда, где агент может безопасно запускать код, не затрагивая ваши реальные системы. Необходима любому агенту, который исполняет код.

• Развёртывание (deployment): публикация софта на сервере, чтобы им могли пользоваться люди. Агенты, которые разворачивают приложение за вас, с хостингом в комплекте, убирают тот шаг, на котором останавливается большинство людей без опыта разработки.

• API (программный интерфейс приложения): структурированный способ, которым одна программа обращается к другой. Агенты используют API, чтобы читать и изменять данные в других системах.

• Вебхук: сообщение, которое одна система отправляет другой при наступлении события («оформлен новый заказ»), обычно используется для запуска автоматизаций.

• MVP (минимально жизнеспособный продукт): наименьшая версия продукта, которую уже можно дать попробовать реальным пользователям. Агенты сократили сроки создания MVP с месяцев до дней; смотрите как создать SaaS с помощью ИИ.

• Технический долг: упрощения в коде, из-за которых будущие изменения становятся медленнее и рискованнее. Код, сгенерированный ИИ, накапливает его быстро, если никто не проверяет структуру, это один из рисков, разобранных в статье ошибки вайб-кодинга и безопасность.

Безопасность, качество и доверие

• Защитные ограничения (guardrails): правила и проверки, которые ограничивают действия и высказывания агента: заблокированные операции, лимиты трат, фильтры контента, обязательные подтверждения.

• Промпт-инъекция: атака, при которой текст, прочитанный агентом (веб-страница, письмо, документ), содержит инструкции, призванные перехватить управление. Надёжные агенты воспринимают всё прочитанное как данные, а не как команды.

• Alignment (согласованность): общее направление работы, чтобы поведение моделей соответствовало намерениям и ценностям людей: от отказа выполнять вредные запросы до точного следования инструкциям.

• Оценка (evals): систематическое тестирование качества модели или агента на фиксированном наборе задач. Серьёзные команды прогоняют evals, прежде чем доверить агенту рабочий процесс.

• Бенчмарк: публичная методика оценки для сравнения моделей, например SWE-bench для задач разработки софта. Полезный ориентир, но реальная эффективность на вашей задаче важнее.

• Наблюдаемость (observability): протоколирование того, что сделал агент, какие инструменты и зачем он вызвал, чтобы можно было проверить результаты и разобрать сбои.

• Red teaming: намеренная атака на модель или агента с целью найти уязвимости раньше, чем это сделает кто-то другой.

• Место хранения данных и приватность (data residency): где хранятся ваши данные и кто может их увидеть. Прежде чем загружать что-либо чувствительное, проверьте, обучается ли провайдер ИИ на ваших данных и где расположены его серверы.

Термины бизнеса и ценообразования

• Кредиты: внутренняя валюта использования, которую многие агентные платформы продают вместо сырых токенов, так что один кредит может покрывать сообщение, шаг сборки или запуск исследования. Внимательно изучайте конвертацию; мы разбираем её в статье сколько стоят ИИ-агенты?.

• Лимит запросов (rate limit): ограничение на количество запросов или токенов, которые можно использовать за период. Упереться в него посреди задачи - самая частая причина, по которой выполнение агента останавливается.

• Задержка (latency): сколько времени занимает ответ. Агенты жертвуют скоростью ради тщательности: двухминутное исследование лучше двухсекундной догадки.

• Оплата за пользователя и оплата по факту использования: платить за каждого пользователя в месяц или платить за то, что реально потребляете. Агентные продукты всё чаще совмещают оба подхода.

• Окупаемость автоматизации (ROI): отдача от автоматизации, обычно измеряемая в сэкономленных часах, ускорении ответа или влиянии на выручку, в сравнении со стоимостью инструмента и временем на его настройку.

• Цифровой работник / ИИ-сотрудник: маркетинговый оборот для агента уровня 4, который отвечает за целую роль, а не за отдельную задачу. Относитесь к этой формулировке с той же долей скепсиса, что и к резюме соискателя.

Часто задаваемые вопросы

В чём разница между ИИ-агентом и LLM?

LLM - это модель, которая читает и пишет текст. ИИ-агент - это система, построенная вокруг модели, которая добавляет планирование, инструменты, память и обратную связь, так что может выполнять задачи, а не только отвечать на вопросы. LLM - двигатель, агент - автомобиль.

Что означает MCP в контексте ИИ?

MCP расшифровывается как Model Context Protocol - открытый стандарт для единообразного подключения ИИ-моделей к инструментам и источникам данных. Вместо того чтобы каждый продукт строил собственные интеграции, инструменты предоставляют MCP-сервер, и им может пользоваться любой совместимый агент.

Что такое контекстное окно и почему это важно?

Контекстное окно - это объём текста, который модель может учитывать одновременно, измеряемый в токенах. Это важно, потому что всё, что агент знает о текущей задаче: ваши инструкции, документы, результаты инструментов, должно поместиться внутри него. Более широкое окно позволяет агентам работать с более крупными кодовыми базами и длинными документами.

В чём разница между RAG и дообучением?

RAG получает релевантные документы в момент запроса и передаёт их модели, так что она отвечает на основе актуальных данных без переобучения. Дообучение меняет саму модель, обучая её на примерах, что подходит для устойчивых стилей или форматов. Большинству бизнесов достаточно RAG вместе с хорошими инструментами, а агенты и вовсе снижают потребность в обоих подходах, просто читая источник напрямую.

Что такое вайб-кодинг одним предложением?

Вайб-кодинг - это создание софта через описание желаемого, когда ИИ-агент сам пишет, запускает и исправляет код, так что вы оцениваете результат по поведению приложения, а не построчным чтением кода.

Теперь, когда терминология стала понятной, пустите её в дело: начните бесплатно на Jobbit и дайте агенту задачу, которая того стоит.