Глосарій AI-агентів: 60 термінів AI простою мовою (2026)

Кожна сторінка продукту з AI тепер читається як диктант із незнайомих слів: агентний, MCP, RAG, контекстне вікно, виклик інструментів, запобіжники, оркестрація. Ідеї за цими словами здебільшого прості, але ніхто не пояснює їх в одному місці, і саме через цю прогалину так багато людей «користуються AI», так і не довіривши йому справжнє завдання.

Цей глосарій AI виправляє це. Він охоплює 60 термінів, які ви зустрінете, читаючи про AI-агентів, великі мовні моделі й автоматизацію у 2026 році, згруповані за темами й пояснені простою мовою з конкретним прикладом. Збережіть його в закладки, поділіться з командою і використовуйте разом із нашими гайдами про те, що таке агентний AI, і про те, як працюють AI-субагенти. Там, де термін важливий для використання Jobbit, ми це зазначаємо.

Базові поняття: слова, якими всі користуються

• Штучний інтелект (AI): програмне забезпечення, що виконує завдання, які зазвичай потребують людського інтелекту, наприклад розуміння мови, розпізнавання зображень чи ухвалення рішень. У 2026 році цей термін здебільшого стосується систем, побудованих на великих мовних моделях.

• Машинне навчання (ML): техніка навчання програмного забезпечення на прикладах замість написання явних правил. Фільтр спаму вчиться на мільйонах позначених листів; йому не прописують кожне правило вручну.

• Глибоке навчання: машинне навчання з використанням нейронних мереж із багатьма шарами. Саме воно зробило можливими сучасне розпізнавання зображень, мовлення й мовні моделі.

• Генеративний AI: AI, що створює новий контент, текст, зображення, код, аудіо чи відео, з промпту. ChatGPT, Claude, Gemini і Midjourney це продукти генеративного AI.

• Велика мовна модель (LLM): нейронна мережа, навчена на величезних обсягах тексту, яка передбачає наступний токен у послідовності і завдяки цьому вчиться міркувати, писати й виконувати інструкції. GPT, Claude, Gemini, Llama, DeepSeek і Mistral це родини LLM.

• Фундаментальна модель: велика модель, навчена на широких даних, яку можна адаптувати під багато завдань. LLM це фундаментальні моделі для мови; існують еквіваленти для зображень і відео.

• Мультимодальна модель: модель, що розуміє і створює більш ніж один тип вхідних даних, зазвичай текст, зображення, аудіо, а іноді й відео. Мультимодальні моделі дозволяють агенту прочитати скриншот чи скановану квитанцію.

• Промпт: інструкція, яку ви даєте моделі. Вміти добре складати промпти, це окремий навик; див. як писати промпти для AI-агентів.

• Системний промпт: приховані інструкції, задані розробником продукту, що формують поведінку моделі в кожній розмові: її роль, тон, правила й інструменти.

• Інференс: запуск навченої моделі для отримання відповіді. Навчання відбувається один раз; інференс відбувається щоразу, коли ви надсилаєте повідомлення, і саме за нього ви платите.

Як думають моделі: токени, контекст і міркування

• Токен: одиниця, якою моделі читають і пишуть, приблизно три чверті англійського слова. Ціна, ліміти й швидкість, все вимірюється в токенах. «Один мільйон токенів» це приблизно 750 000 слів.

• Контекстне вікно: обсяг тексту, який модель може враховувати одночасно, включно з вашою розмовою, документами й власною відповіддю моделі. Більші вікна дозволяють агенту тримати в пам'яті цілу кодову базу чи стосторінковий договір.

• Інжиніринг контексту: мистецтво вирішувати, що потрапляє в контекстне вікно: які документи, приклади, результати інструментів і спогади, щоб модель мала все необхідне і нічого зайвого, що відволікає. Він значною мірою замінив «промпт-інжиніринг» як важливий навик у проєктуванні агентів.

• Модель міркування: модель, навчена «думати», перш ніж відповісти, створюючи проміжні кроки, що підвищують точність у математиці, коді й плануванні. Режими міркування коштують більше токенів, але роблять агентів значно надійнішими.

• Ланцюжок міркувань: покроковий хід думок, який модель викладає на шляху до відповіді. Моделі міркування роблять це нативно; старіші моделі можна спонукати до цього промптом.

• Температура: налаштування, що контролює випадковість. Низька температура дає послідовний, передбачуваний результат; вища температура дає більш різноманітний, творчий результат.

• Галюцинація: впевнене, але хибне твердження моделі, наприклад вигадане цитування чи неіснуюча функція продукту. Агенти зменшують галюцинації, перевіряючи джерела й тестуючи результати замість того, щоб довіряти одній відповіді.

• Заземлення на фактах (grounding): прив'язка відповіді моделі до реальних даних, документів, результатів пошуку чи виводу інструментів, тож вона повідомляє те, що справді є, а не те, що звучить правдоподібно.

• Донавчання (fine-tuning): додаткове навчання моделі на власних прикладах, щоб вона засвоїла стиль, формат чи знання предметної області. Корисно для вузьких завдань; зазвичай не потрібне агентам, які отримують знання з інструментів і контексту.

• Генерація, доповнена пошуком (RAG): отримання релевантних документів у момент запитання і розміщення їх у контекстному вікні, тож модель відповідає на основі ваших даних. Саме так працюють продукти на кшталт «чат із вашими документами».

• Ембеддинги: числові представлення тексту, що фіксують значення, тож схожі фрагменти опиняються поруч. Ембеддинги живлять семантичний пошук і RAG.

• Векторна база даних: база даних, оптимізована для зберігання й пошуку ембеддингів. Pinecone, Weaviate, pgvector і Chroma це поширені варіанти.

• Дата відсічення знань: дата, після якої модель не має навчальних даних. Агенти обходять це обмеження, шукаючи в інтернеті й читаючи актуальні джерела.

Агенти: словник автономності

• AI-агент: програмне забезпечення, що використовує модель та інструменти для автономного виконання завдань: планує, діє, спостерігає за результатами й адаптується. Тема більшої частини цього глосарія.

• Агентний AI: ширший підхід до побудови AI-систем, орієнтованих на мету й таких, що використовують інструменти, часто з кількома агентами, що працюють разом. Повністю пояснено в що таке агентний AI?.

• AI-асистент / копілот: допомога у стилі агента, що лишається під вашим прямим контролем, радить, а не діє. GitHub Copilot у редакторі, класичний приклад; «режим агента» це момент, коли копілот стає агентом.

• Автономність: скільки агент робить, не питаючи дозволу. Корисні системи масштабують автономність відповідно до зворотності дії: чернетки вільно, витрати лише з підтвердженням.

• Використання інструментів / виклик функцій: механізм, за допомогою якого модель викликає програмне забезпечення: шукає в інтернеті, запускає код, робить запит до бази даних, надсилає лист. Інструменти перетворюють чат-бот на агента.

• Model Context Protocol (MCP): відкритий стандарт, представлений Anthropic, для послідовного з'єднання моделей з інструментами й джерелами даних. Уявіть його як універсальну розетку для агентів; підтримка поширилася на всі великі AI-платформи протягом 2025 і 2026 років.

• Протокол «агент-агенту» (A2A): стандарт, що дозволяє агентам від різних постачальників знаходити одне одного й спілкуватися, запропонований Google. Разом з MCP він вказує на майбутнє, де агенти співпрацюють між компаніями.

• Оркестрація: координація кількох кроків, інструментів чи агентів в один робочий процес: рішення про те, що запускається, в якому порядку і що відбувається в разі невдачі.

• Мультиагентна система: кілька агентів із різними ролями, що працюють над однією метою, зазвичай провідний агент, що планує й делегує, плюс спеціалізовані агенти, що досліджують, будують чи перевіряють.

• Субагент: агент, породжений іншим агентом для паралельної обробки однієї частини завдання. Jobbit використовує субагентів, щоб досліджувати багато джерел або будувати й тестувати кілька функцій одночасно; див. AI-субагенти пояснені.

• Планувальник: частина агента, що розбиває мету на кроки й переглядає план у міру надходження результатів.

• Пам'ять: те, що агент зберігає поза межами одного повідомлення. Короткострокова пам'ять це поточний контекст; довгострокова пам'ять зберігає вподобання, минулі рішення й факти про вас, тож агент з часом стає кращим.

• Цикл агента: повторюваний цикл плану, дії, спостереження й коригування, що триває, доки мету не досягнуто або доки агенту не знадобиться рішення.

• Людина в циклі: дизайн, за якого людина переглядає чи підтверджує певні кроки, наприклад надсилання листа клієнту чи здійснення платежу.

• Керування комп'ютером / браузерний агент: агент, що керує програмним забезпеченням, дивлячись на екран і клікаючи та друкуючи, як людина, що дозволяє йому працювати з інструментами без API. Пояснено в AI-агентах з керуванням комп'ютером.

• Глибоке дослідження: агентний робочий процес, у якому агент читає десятки джерел, перехресно перевіряє твердження й готує звіт із посиланнями. Див. як проводити глибоке дослідження з AI.

• Автоматизація робочих процесів: заздалегідь визначені, засновані на правилах послідовності дій між застосунками, територія Zapier, Make і n8n. Агенти додають до робочих процесів судження; ми порівнюємо ці два підходи в Zapier проти Make проти n8n проти AI-агентів.

• Універсальний AI-агент: один агент, що виконує багато видів роботи, дослідження, написання текстів, побудову програмного забезпечення, дизайн, автоматизацію, з одного чату, замість окремого інструмента для кожної. Jobbit побудований саме так.

Побудова програмного забезпечення з AI

• Вайб-кодинг: побудова програмного забезпечення шляхом опису бажаного звичайною мовою, коли AI-агент пише, запускає й виправляє код, а ви оцінюєте результат за тим, як він поводиться, а не читаючи кожен рядок. Повний гайд: що таке вайб-кодинг?.

• AI-конструктор застосунків: продукт, що перетворює опис на робочий застосунок, часто з хостингом у комплекті. Lovable, Bolt, v0, Replit і Jobbit це приклади; порівняно в найкращих інструментах вайб-кодингу.

• Кодинг-агент: агент, що працює всередині кодової бази: читає файли, пише код, запускає тести й виправляє помилки. Claude Code, OpenAI Codex, режим агента в Cursor і Devin, це кодинг-агенти.

• No-code / low-code: візуальні інструменти для побудови програмного забезпечення без (чи майже без) програмування, такі як Bubble, Webflow, Airtable і Retool. Як вони порівнюються з вайб-кодингом, розглянуто в вайб-кодинг проти no-code проти low-code.

• Пісочниця: ізольоване середовище, де агент може безпечно запускати код, не торкаючись ваших реальних систем. Необхідна для будь-якого агента, що виконує код.

• Розгортання (deployment): запуск програмного забезпечення на сервері, щоб ним могли користуватися люди. Агенти, що розгортають за вас, із хостингом у комплекті, прибирають крок, який зупиняє більшість людей без досвіду розробки.

• API (програмний інтерфейс застосунку): структурований спосіб, у який одна програма спілкується з іншою. Агенти використовують API для читання й зміни даних в інших системах.

• Вебхук: повідомлення, яке одна система надсилає іншій, коли щось відбувається («створено нове замовлення»), зазвичай використовується для запуску автоматизацій.

• MVP (мінімально життєздатний продукт): найменша версія продукту, яку можуть спробувати реальні користувачі. Агенти скоротили терміни створення MVP з місяців до днів; див. як побудувати SaaS з AI.

• Технічний борг: скорочення шляхів у коді, що роблять майбутні зміни повільнішими й ризикованішими. Код, згенерований AI, накопичує його швидко, якщо ніхто не перевіряє структуру, один із ризиків, розглянутих у помилках вайб-кодингу та безпеці.

Безпека, якість і довіра

• Запобіжники (guardrails): правила й перевірки, що обмежують дії чи висловлювання агента: заблоковані дії, ліміти витрат, фільтри контенту, обов'язкові підтвердження.

• Промпт-ін'єкція: атака, за якої текст, що його читає агент (сторінка сайту, лист, документ), містить інструкції, покликані перехопити над ним контроль. Надійні агенти сприймають усе прочитане як дані, а не команди.

• Вирівнювання (alignment): широкі зусилля, спрямовані на те, щоб поведінка моделей відповідала людським намірам і цінностям, від відмови у шкідливих запитах до сумлінного виконання інструкцій.

• Оцінювання (evals): систематичні тести якості моделі чи агента на фіксованому наборі завдань. Серйозні команди проводять оцінювання, перш ніж довірити агенту робочий процес.

• Бенчмарк: публічне оцінювання, що використовується для порівняння моделей, наприклад SWE-bench для завдань з розробки програмного забезпечення. Корисні сигнали, але реальна продуктивність на вашому завданні важливіша.

• Спостережуваність: журналювання того, що зробив агент, які інструменти він викликав і чому, тож ви можете перевіряти результати й діагностувати збої.

• Red teaming (навмисні атаки): свідома атака на модель чи агента, щоб знайти вразливості раніше, ніж це зробить хтось інший.

• Локалізація даних і приватність: де зберігаються ваші дані і хто може їх бачити. Перевірте, чи навчається провайдер AI на ваших вхідних даних і де розташовані його сервери, перш ніж завантажувати щось чутливе.

Бізнес-терміни та терміни ціноутворення

• Кредити: валюта використання, яку продають замість сирих токенів багато платформ з агентами, тож один кредит може покривати повідомлення, крок побудови чи запуск дослідження. Уважно вивчайте конверсію; ми розбираємо це в скільки коштують AI-агенти?.

• Ліміт запитів (rate limit): обмеження на кількість запитів чи токенів, які можна використати за період. Досягнення цього ліміту посеред завдання, найпоширеніша причина зупинки роботи агента.

• Затримка (latency): скільки часу займає відповідь. Агенти обмінюють затримку на ретельність: двохвилинне дослідження краще за двосекундну здогадку.

• Оплата за місця проти оплати за використання: платити за користувача щомісяця проти оплати за спожите. Продукти з агентами дедалі частіше поєднують обидва підходи.

• ROI автоматизації: віддача від автоматизації, зазвичай вимірювана заощадженими годинами, швидшим часом відповіді чи впливом на дохід, порівняно з вартістю інструмента й часом на його налаштування.

• Цифровий працівник / AI-співробітник: маркетингова мова для агента рівня 4, що відповідає за посаду, а не за завдання. Ставтеся до цієї фрази з тим самим скептицизмом, що й до резюме.

Часті запитання

Яка різниця між AI-агентом і LLM?

LLM це модель, що читає й пише текст. AI-агент це система, побудована навколо моделі, яка додає планування, інструменти, пам'ять і зворотний цикл, тож може виконувати завдання, а не лише відповідати на запитання. LLM це двигун; агент це автомобіль.

Що означає MCP в AI?

MCP розшифровується як Model Context Protocol, відкритий стандарт для послідовного з'єднання AI-моделей з інструментами й джерелами даних. Замість того, щоб кожен продукт будував власні інтеграції, інструменти надають MCP-сервер, і будь-який сумісний агент може ним скористатися.

Що таке контекстне вікно і чому воно важливе?

Контекстне вікно це те, скільки тексту модель може враховувати одночасно, виміряне в токенах. Це важливо, бо все, що агент знає про поточне завдання, ваші інструкції, документи, результати інструментів, повинно вміститися всередині нього. Більші вікна дозволяють агентам працювати з більшими кодовими базами й довшими документами.

Яка різниця між RAG і донавчанням?

RAG отримує релевантні документи в момент запитання і передає їх моделі, тож вона відповідає на основі актуальних даних без повторного навчання. Донавчання змінює саму модель, навчаючи її на прикладах, що підходить для фіксованих стилів чи форматів. Для більшості бізнесів RAG плюс хороші інструменти достатньо, а агенти роблять обидва підходи менш потрібними, просто читаючи джерело.

Що таке вайб-кодинг одним реченням?

Вайб-кодинг це побудова програмного забезпечення шляхом опису бажаного і надання AI-агенту можливості писати, запускати й виправляти код, тож ви оцінюєте результат за тим, як поводиться застосунок, а не читаючи кожен рядок.

Тепер, коли термінологія зрозуміла, застосуйте її на практиці: почніть безкоштовно на Jobbit і доручіть агенту завдання, варте уваги.