Ang Glossary ng AI Agent: 60 Terminong AI na Ipinaliwanag sa Simpleng Pananalita (2026)

Bawat AI product page ngayon ay parang spelling test na babasahin: agentic, MCP, RAG, context window, tool calling, guardrails, orchestration. Karaniwang simple ang mga ideya sa likod ng mga salitang ito, pero walang nagpapaliwanag nito sa iisang lugar, at ang puwang na iyon ang dahilan kung bakit maraming tao ang "gumagamit ng AI" nang hindi kailanman ito binibigyan ng tunay na trabaho.

Inaayos ito ng AI glossary na ito. Sinasaklaw nito ang 60 terminong makakasalubong mo kapag nagbabasa tungkol sa mga AI agent, large language model at automation sa 2026, na naka-grupo ayon sa tema at ipinaliwanag sa simpleng pananalita na may konkretong halimbawa. I-bookmark ito, ibahagi sa iyong team, at gamitin kasabay ng aming mga guide sa ano ang agentic AI at paano gumagana ang mga AI subagent. Kapag mahalaga ang isang termino para sa paggamit ng Jobbit, sinasabi namin iyon.

Mga pangunahing konsepto: ang mga salitang ginagamit ng lahat

• Artificial intelligence (AI): software na gumagawa ng mga gawaing karaniwang nangangailangan ng human intelligence, tulad ng pag-unawa sa wika, pagkilala sa mga larawan o paggawa ng desisyon. Sa 2026, karaniwan nang tumutukoy ang termino sa mga system na itinayo sa large language model.

• Machine learning (ML): ang teknik ng pagsasanay ng software gamit ang mga halimbawa sa halip na pagsusulat ng eksplisitong mga panuntunan. Natututo ang isang spam filter mula sa milyun-milyong naka-label na email; hindi ito sinasabihan ng bawat panuntunan nang mano-mano.

• Deep learning: machine learning na gumagamit ng neural network na may maraming layer. Ito ang nagpaganap posible sa modernong image recognition, speech at language model.

• Generative AI: AI na gumagawa ng bagong content, text, larawan, code, audio o video, mula sa isang prompt. Ang ChatGPT, Claude, Gemini at Midjourney ay mga produktong generative AI.

• Large language model (LLM): isang neural network na sinanay gamit ang napakaraming text na humuhula sa susunod na token sa isang sunod-sunod, at sa paggawa nito, natututong mangatwiran, sumulat at sumunod sa mga instruction. Ang GPT, Claude, Gemini, Llama, DeepSeek at Mistral ay mga pamilya ng LLM.

• Foundation model: isang malaking model na sinanay gamit ang malawak na data na maaaring iangkop sa maraming gawain. Ang mga LLM ay mga foundation model para sa wika; may mga katumbas din para sa larawan at video.

• Multimodal model: isang model na nakakaintindi at gumagawa ng higit sa isang uri ng input, karaniwan nang text, larawan, audio at minsan ay video. Dahil sa mga multimodal model, kayang basahin ng isang agent ang isang screenshot o isang na-scan na invoice.

• Prompt: ang instruction na ibinibigay mo sa isang model. Ang magandang pag-prompt ay isang kasanayan; tingnan ang paano magsulat ng mga prompt para sa mga AI agent.

• System prompt: mga nakatagong instruction na itinakda ng gumawa ng produkto na humuhubog kung paano kumikilos ang model sa bawat pag-uusap: ang papel nito, tono, mga panuntunan at tool.

• Inference: ang aksyon ng pagpapatakbo ng isang sinanay na model para makagawa ng sagot. Nangyayari ang training nang isang beses lang; nangyayari ang inference tuwing magpapadala ka ng mensahe, at ito ang binabayaran mo.

Paano nag-iisip ang mga model: token, context at reasoning

• Token: ang unit na binabasa at isinusulat ng mga model, humigit-kumulang tatlong-kapat ng isang salitang Ingles. Ang pricing, limit at bilis ay lahat sinusukat sa token. Ang "isang milyong token" ay mga 750,000 salita.

• Context window: ang dami ng text na kayang isaalang-alang ng isang model nang sabay-sabay, kasama na ang iyong pag-uusap, mga dokumento at ang sariling tugon ng model. Dahil sa mas malalaking window, kayang panatilihin ng isang agent ang buong codebase o isang isandaang-pahinang kontrata sa isip.

• Context engineering: ang sining ng pagpapasya kung ano ang ilalagay sa context window: aling mga dokumento, halimbawa, resulta ng tool at memory, para nasa model ang kailangan nito at wala nang makakagambala rito. Malaki nang pinalitan nito ang "prompt engineering" bilang ang mahalagang kasanayan sa disenyo ng agent.

• Reasoning model: isang model na sinanay na "mag-isip" bago sumagot, na gumagawa ng mga intermediate na hakbang na nagpapabuti sa accuracy sa matematika, code at pagpaplano. Mas maraming token ang ginagastos ng reasoning mode pero ginagawa nitong mas maaasahan ang mga agent.

• Chain of thought: ang hakbang-hakbang na reasoning na isinusulat ng isang model habang papunta sa isang sagot. Ginagawa ito ng mga reasoning model nang natural; ang mga mas lumang model ay puwedeng i-prompt para gawin ito.

• Temperature: isang setting na kumokontrol sa randomness. Ang mababang temperature ay nagbibigay ng consistent at predictable na output; ang mas mataas na temperature ay nagbibigay ng mas iba't ibang, malikhaing output.

• Hallucination: isang may-kumpiyansa pero maling pahayag mula sa isang model, tulad ng isang gawa-gawang sitasyon o isang product feature na hindi naman umiiral. Binabawasan ng mga agent ang hallucination sa pamamagitan ng pagsusuri ng mga source at pagte-test ng mga resulta sa halip na magtiwala sa isang sagot lang.

• Grounding: ang pagtali sa sagot ng isang model sa tunay na data, dokumento, resulta ng search o output ng tool, para iulat nito ang aktwal na nandiyan sa halip na kung ano ang mukhang katanggap-tanggap.

• Fine-tuning: karagdagang pagsasanay sa isang model gamit ang sarili mong mga halimbawa para makuha nito ang isang estilo, format o kaalaman sa isang domain. Kapaki-pakinabang para sa mga makipot na gawain; kadalasan ay hindi na kailangan para sa mga agent, na kumukuha ng kaalaman mula sa mga tool at context.

• Retrieval-augmented generation (RAG): ang pagkuha ng mga kaugnay na dokumento sa oras ng tanong at paglalagay nito sa context window para sumagot ang model batay sa iyong data. Ganito gumagana ang mga produktong "makipag-chat sa iyong mga dokumento".

• Embeddings: mga numerical na representasyon ng text na kumukuha ng kahulugan, kaya ang magkatulad na sipi ay malapit sa isa't isa. Pinapatakbo ng embeddings ang semantic search at RAG.

• Vector database: isang database na naka-optimize para sa pag-iimbak at paghahanap ng embeddings. Ang Pinecone, Weaviate, pgvector at Chroma ay karaniwang mga pagpipilian.

• Knowledge cutoff: ang petsa kung saan wala nang training data ang isang model pagkalipas nito. Naiiwasan ito ng mga agent sa pamamagitan ng pag-search sa web at pagbabasa ng mga kasalukuyang source.

Mga agent: ang bokabularyo ng autonomy

• AI agent: software na gumagamit ng isang model kasama ang mga tool para tapusin ang mga gawain nang autonomous: nagpaplano ito, kumikilos, sinusuri ang mga resulta at umaangkop. Ito ang paksa ng karamihan sa glossary na ito.

• Agentic AI: ang mas malawak na approach ng pagtatayo ng mga AI system na hinihimok ng goal at gumagamit ng tool, na kadalasa'y may ilang agent na magkakasamang gumagana. Ganap na ipinaliwanag sa ano ang agentic AI?.

• AI assistant / copilot: tulong na parang agent na nananatili sa ilalim ng iyong direktang kontrol, nagmumungkahi sa halip na kumikilos. Ang GitHub Copilot sa editor ang klasikong halimbawa; ang "agent mode" ang punto kung saan nagiging isang agent ang isang copilot.

• Autonomy: kung gaano karami ang ginagawa ng isang agent nang hindi nagtatanong. Ina-adjust ng mga kapaki-pakinabang na system ang autonomy ayon sa kung gaano kababaligtad ang aksyon: mag-draft nang malaya, gumastos lang na may approval.

• Tool use / function calling: ang mekanismo kung paano tumatawag ang isang model ng software: mag-search sa web, magpatakbo ng code, mag-query ng database, magpadala ng email. Ang mga tool ang gumagawa sa isang chatbot na maging isang agent.

• Model Context Protocol (MCP): isang open standard, ipinakilala ng Anthropic, para sa pagkonekta ng mga model sa mga tool at data source sa isang pare-parehong paraan. Isipin itong parang universal na plug para sa mga agent; kumalat ang suporta sa mga pangunahing AI platform noong 2025 at 2026.

• Agent-to-agent protocol (A2A): isang standard para sa mga agent mula sa iba't ibang vendor para matuklasan at makipag-usap sa isa't isa, iminungkahi ng Google. Kasama ng MCP, itinuturo nito ang direksyon kung saan nagtutulungan ang mga agent sa iba't ibang kompanya.

• Orchestration: ang pag-coordinate ng maraming hakbang, tool o agent papunta sa isang workflow: pagpapasya kung ano ang tatakbo, sa anong pagkakasunod-sunod, at kung ano ang mangyayari kapag nabigo.

• Multi-agent system: ilang agent na may magkakaibang papel na gumagana para sa isang goal, karaniwan nang isang lead agent na nagpaplano at nagde-delegate kasama ang mga specialist agent na nagre-research, nagtatayo o nagsusuri.

• Subagent: isang agent na nilikha ng ibang agent para hawakan ang isang piraso ng trabaho nang sabay-sabay. Ginagamit ng Jobbit ang mga subagent para mag-research ng maraming source o magtayo at mag-test ng ilang feature nang sabay-sabay; tingnan ang ipinaliwanag ang mga AI subagent.

• Planner: ang bahagi ng isang agent na naghahati sa goal sa mga hakbang at binabago ang plano habang dumarating ang mga resulta.

• Memory: ang tinatandaan ng isang agent lampas sa isang mensahe. Ang short-term memory ay ang kasalukuyang context; itinatago naman ng long-term memory ang mga kagustuhan, nakaraang desisyon at mga detalye tungkol sa iyo para bumuti ang agent sa paglipas ng panahon.

• Agent loop: ang paulit-ulit na cycle ng plano, kilos, suri, ayos na tumatakbo hanggang maabot ang goal o kailanganin ng agent ang isang desisyon.

• Human in the loop: isang disenyo kung saan sinusuri o ina-approve ng isang tao ang ilang hakbang, tulad ng pagpapadala ng email sa customer o paggawa ng bayad.

• Computer use / browser agent: isang agent na nagpapatakbo ng software sa pamamagitan ng pagtingin sa screen at pag-click at pagta-type tulad ng isang tao, na nagbibigay-daan dito na gumana kasama ang mga tool na walang API. Ipinaliwanag sa mga computer-use AI agent.

• Deep research: isang agentic workflow kung saan binabasa ng agent ang dose-dosenang source, ini-cross-check ang mga claim at gumagawa ng report na may sitasyon. Tingnan ang paano magpatakbo ng deep research gamit ang AI.

• Workflow automation: mga paunang-natukoy at rule-based na sunod-sunod na aksyon sa iba't ibang app, ang teritoryo ng Zapier, Make at n8n. Nagdaragdag ang mga agent ng judgement sa mga workflow; ikinukumpara namin ang dalawa sa Zapier laban sa Make laban sa n8n laban sa mga AI agent.

• Multipurpose AI agent: isang agent na humahawak ng maraming uri ng trabaho, research, pagsusulat, pagtatayo ng software, disenyo, automation, mula sa iisang chat, sa halip na hiwalay na tool para sa bawat isa. Ganito itinayo ang Jobbit.

Pagtatayo ng software gamit ang AI

• Vibe coding: ang pagtatayo ng software sa pamamagitan ng paglalarawan kung ano ang gusto mo sa natural na wika at pagpapahintulot sa isang AI agent na sumulat, magpatakbo at ayusin ang code, hinuhusgahan ang resulta batay sa kung paano ito kumikilos sa halip na pagbasa ng bawat linya. Buong guide: ano ang vibe coding?.

• AI app builder: isang produkto na ginagawang gumaganang application ang isang deskripsyon, kadalasan ay kasama na ang hosting. Ang Lovable, Bolt, v0, Replit at Jobbit ay mga halimbawa; ikinumpara sa pinakamagandang vibe coding tool.

• Coding agent: isang agent na gumagana sa loob ng isang codebase: nagbabasa ng mga file, sumusulat ng code, nagpapatakbo ng mga test at inaayos ang mga kabiguan. Ang Claude Code, OpenAI Codex, agent mode ng Cursor at Devin ay mga coding agent.

• No-code / low-code: mga visual na tool para sa pagtatayo ng software nang walang (o kaunting) programming, tulad ng Bubble, Webflow, Airtable at Retool. Ang paghahambing nila sa vibe coding ay sinasaklaw sa vibe coding kumpara sa no-code kumpara sa low-code.

• Sandbox: isang nakahiwalay na environment kung saan kayang magpatakbo ng code nang ligtas ang isang agent nang hindi nagagalaw ang iyong tunay na system. Mahalaga para sa anumang agent na nagsasagawa ng code.

• Deployment: ang paglalagay ng software nang live sa isang server para magamit ito ng mga tao. Inaalis ng mga agent na nag-de-deploy para sa iyo, kasama na ang hosting, ang hakbang na humahadlang sa karamihan ng mga hindi developer.

• API (application programming interface): ang structured na paraan kung paano nakikipag-usap ang isang piraso ng software sa isa pa. Ginagamit ng mga agent ang mga API para basahin at baguhin ang data sa ibang system.

• Webhook: isang mensaheng ipinapadala ng isang system sa isa pa kapag may nangyari ("bagong order na inilagay"), karaniwang ginagamit para mag-trigger ng mga automation.

• MVP (minimum viable product): ang pinakamaliit na bersyon ng isang produkto na kayang subukan ng mga tunay na user. Pinaikli ng mga agent ang timeline ng MVP mula sa mga buwan papuntang mga araw; tingnan ang paano magtayo ng SaaS gamit ang AI.

• Technical debt: mga shortcut sa code na nagpapabagal at nagpapa-risky sa mga pagbabago sa hinaharap. Mabilis itong naiipon ng AI-generated na code kung walang nagsusuri ng structure, isa sa mga panganib na sinasaklaw sa mga pagkakamali sa vibe coding at seguridad.

Kaligtasan, kalidad at tiwala

• Guardrails: mga panuntunan at check na naglilimita kung ano ang maaaring gawin o sabihin ng isang agent: mga naka-block na aksyon, spending cap, content filter, kinakailangang approval.

• Prompt injection: isang atake kung saan ang text na binabasa ng agent (isang web page, isang email, isang dokumento) ay naglalaman ng mga instruction na dinisenyo para i-hijack ito. Itinuturing ng mga matibay na agent ang lahat ng binabasa nila bilang data, hindi kailanman bilang mga command.

• Alignment: ang malawak na pagsisikap na gawing kumilos ang mga model nang naaayon sa layunin at mga halaga ng tao, mula sa pagtanggi sa mga nakakapinsalang hiling hanggang sa tapat na pagsunod sa mga instruction.

• Evaluation (evals): systematic na mga test ng kalidad ng model o agent sa isang nakatakdang set ng gawain. Nagpapatakbo ang mga seryosong team ng evals bago magtiwala sa isang agent ng isang workflow.

• Benchmark: isang pampublikong evaluation na ginagamit para ikumpara ang mga model, tulad ng SWE-bench para sa mga software engineering na gawain. Kapaki-pakinabang na signal, pero mas mahalaga ang real-world na performance sa sarili mong gawain.

• Observability: ang pag-log kung ano ang ginawa ng isang agent, aling mga tool ang tinawag nito at bakit, para ma-audit mo ang mga resulta at ma-debug ang mga kabiguan.

• Red teaming: ang sadyang pag-atake sa isang model o agent para matuklasan ang mga kahinaan bago ito magawa ng iba.

• Data residency at privacy: kung saan naka-imbak ang iyong data at kung sino ang makakakita nito. Suriin kung nagse-train ang isang AI provider gamit ang iyong mga input, at kung nasaan ang mga server nito, bago mag-upload ng anumang sensitibo.

Mga termino sa negosyo at pricing

• Credits: ang usage currency na ibinebenta ng maraming agent platform sa halip na hilaw na token, kaya maaaring sakupin ng isang credit ang isang mensahe, isang build step o isang research run. Basahing mabuti ang conversion; inilalarawan namin ito sa magkano ba ang gastos sa mga AI agent?.

• Rate limit: ang cap kung ilang request o token ang puwede mong gamitin sa isang panahon. Ang pag-abot dito sa gitna ng isang gawain ang pinakakaraniwang dahilan kung bakit napipigilan ang isang agent run.

• Latency: kung gaano katagal bago dumating ang isang tugon. Ipinapalit ng mga agent ang latency para sa thoroughness: mas maganda ang dalawang-minutong research run kaysa sa dalawang-segundong hula.

• Seat-based kumpara sa usage-based na pricing: ang pagbabayad kada user kada buwan laban sa pagbabayad para sa iyong nagagamit. Lalong pinaghahalo ng mga produktong agent ang dalawa.

• Automation ROI: ang return ng isang automation, karaniwang sinusukat sa mga oras na natipid, mas mabilis na response time o revenue na naapektuhan, laban sa gastos ng tool at oras para i-set up ito.

• Digital worker / AI employee: wikang panmarketing para sa isang level-4 na agent na may-ari ng isang papel sa halip na isang gawain lang. Ituring ang pariralang ito nang may parehong pag-aalinlangan na ilalapat mo sa isang CV.

Mga madalas itanong

Ano ang pagkakaiba ng isang AI agent at isang LLM?

Ang LLM ang model na nagbabasa at sumusulat ng text. Ang isang AI agent ay isang system na itinayo sa paligid ng isang model na nagdaragdag ng pagpaplano, mga tool, memory at isang feedback loop para matapos nito ang mga gawain sa halip na sumagot lang ng mga tanong. Ang LLM ang makina; ang agent ang kotse.

Ano ang ibig sabihin ng MCP sa AI?

Ang MCP ay nangangahulugang Model Context Protocol, isang open standard para sa pagkonekta ng mga AI model sa mga tool at data source sa isang pare-parehong paraan. Sa halip na magtayo ang bawat produkto ng custom na integration, nag-e-expose ang mga tool ng isang MCP server at magagamit ito ng anumang compatible na agent.

Ano ang context window at bakit ito mahalaga?

Ang context window ay kung gaano karaming text ang kayang isaalang-alang ng isang model nang sabay-sabay, sinusukat sa token. Mahalaga ito dahil lahat ng alam ng agent tungkol sa kasalukuyang trabaho, ang iyong mga instruction, ang mga dokumento, ang mga resulta ng tool, ay kailangang magkasya rito. Dahil sa mas malalaking window, kayang hawakan ng mga agent ang mas malalaking codebase at mas mahahabang dokumento.

Ano ang pagkakaiba ng RAG at fine-tuning?

Kinukuha ng RAG ang mga kaugnay na dokumento sa oras ng tanong at ibinibigay ito sa model, kaya sumasagot ito batay sa kasalukuyang data nang walang retraining. Binabago naman ng fine-tuning ang mismong model sa pamamagitan ng pagsasanay dito gamit ang mga halimbawa, na bagay para sa mga nakapirming estilo o format. Para sa karamihan ng negosyo, sapat na ang RAG kasama ang magandang mga tool, at binabawasan ng mga agent ang pangangailangan sa pareho sa pamamagitan lang ng pagbasa sa source.

Ano ang vibe coding sa isang pangungusap?

Ang vibe coding ay ang pagtatayo ng software sa pamamagitan ng paglalarawan kung ano ang gusto mo at pagpapahintulot sa isang AI agent na sumulat, magpatakbo at ayusin ang code, kaya hinuhusgahan mo ang resulta batay sa kung paano kumikilos ang app sa halip na pagbasa ng bawat linya.

Ngayong malinaw na ang bokabularyo, gamitin ito: magsimula nang libre sa Jobbit at magbigay sa isang agent ng trabahong karapat-dapat gawin.