واژه نامه هوش مصنوعی

هوش مصنوعی یه اسم ثابت برای یه تکنولوژی نیست و یه برچسب متغیره که با پیشرفت کامپیوترها مدام معنیش عوض میشه.

مدل فقط مغز یه LLMـه که توکن رو به توکن تبدیل می‌کنه و تمام قابلیت‌های پیشرفته مثل Tool Calling و اجرای چندمرحله‌ای کارها توسط Harness انجام میشن، نه خود مدل.

پارامتر ها، میلیاردها عددی هستن که در طول training تنظیم می‌شن و تمام دانشی که model داره داخل همین‌ها ذخیره شده و بهشون weights یا وزن هم می‌گن.

Training فرآیندیه که Model Provider باهاش Parameters مدل رو می‌سازه و بعد از اون، تنها چیزی که تو می‌تونی کنترل کنی Context یه که موقع Inference در اختیار مدل قرار میدی.

تفسیر همون فرآیندیه که هر بار موقع استفاده از LLM اجرا میشه و مدل بدون اینکه چیزی یاد بگیره، با استفاده از دانش قبلیش جواب جدید تولید می‌کنه.

Effort مشخص می‌کنه Model قبل از جواب دادن چقدر فکر کنه، هرچی بیشتر باشه، معمولاً جواب دقیق‌تره، ولی زمان و هزینه‌ی بیشتری هم داره.

Token کوچک‌ترین واحدیه که Model می‌فهمه و تقریباً همه‌چیز، از هزینه و سرعت گرفته تا ظرفیت Context Window، بر اساس تعداد Token ها محاسبه میشه.

مدل فقط با پیش‌بینی توکن بعدی، قدم‌به‌قدم کل خروجی رو میسازه و تمام رفتارهای مدل از همین مکانیزم به وجود میان.

Non-determinism یعنی خروجی LLMها ذاتا کاملاً ثابت نیست و حتی با ورودی یکسان هم ممکنه جواب‌های متفاوتی تولید کنن، پس تکرار و بررسی خروجی بخش طبیعی کار با مدل‌هاست.

Model Provider سرویسیه که Model رو اجرا می‌کنه و نتیجه‌ی Inference رو برمی‌گردونه؛ هم کیفیت و دسترسی سرویس، هم هزینه‌ی استفاده و هم مدل‌های قابل استفاده تا حد زیادی به Model Provider بستگی دارن.

Harness مغز اجرایی یه Agent ـه؛ همه‌ی قابلیت‌هایی که فراتر از تولید متن هستن، مثل استفاده از Toolها، مدیریت Context و اجرای کارهای چندمرحله‌ای، توسط Harness انجام میشن، نه خود Model.

Model Provider Request هر رفت‌وبرگشت بین Harness و Model Providerـه؛ هر Tool Call یه درخواست جدید ایجاد می‌کنه و چون هر بار کل Context دوباره ارسال میشه، تعداد این درخواست‌ها تأثیر زیادی روی هزینه و مصرف Token ها داره.

توکن ورودی تمام اطلاعاتیه که قبل از هر درخواست به Model فرستاده میشه و چون کل Session بارها و بارها ارسال میشه، معمولاً بخش بزرگی از هزینه‌ی کار با LLM ها از همین Input Tokens میاد.

توکن های خروجی، تمام توکن هایی هستن که مدل تولید می‌کنه و چون ساختن خروجی از خوندن ورودی گرون‌تره، معمولاً بیشترین هزینه و زمان تولید پاسخ از همین بخش میاد.

قابلیت Prefix Cache با نگه داشتن بخش‌های تکراری Context باعث میشه درخواست‌های پشت‌سرهم سریع‌تر و ارزون‌تر اجرا بشن، چون مدل لازم نیست هر بار کل تاریخچه‌ی مکالمه رو دوباره پردازش کنه.

Cache Tokens بخش‌هایی از Context هستن که Model Provider قبلا پردازش کرده و دوباره از همون نتیجه استفاده می‌کنه؛ همین باعث میشه Session های طولانی هزینه‌ی خیلی کمتری داشته باشن.

Stateless یعنی Model هیچ حافظه‌ی دائمی نداره و هر بار فقط با اطلاعاتی که داخل Context دریافت می‌کنه کار می‌کنه و اگه بخوای چیزی بین Session ها حفظ بشه، باید خودت اون رو جایی ذخیره کنی.

Context یعنی اطلاعات مرتبطی که Agent در لحظه برای انجام یه تسک در اختیار داره و کیفیت جواب مدل بیشتر از اینکه به حجم اطلاعات بستگی داشته باشه، به مرتبط بودن همین Context وابسته است.

Context Window تمام اطلاعاتیه که Model در لحظه می‌بینه و چون ظرفیت محدودی داره، انتخاب اینکه چه اطلاعاتی داخلش قرار بگیرن تأثیر مستقیمی روی کیفیت پاسخ مدل داره.

Stateful یعنی اطلاعات بین مراحل مختلف حفظ میشن، اما این حافظه همیشه توسط Harness یا Environment مدیریت میشه؛ خود Model هیچ‌وقت چیزی رو به خاطر نمی‌سپاره.

Agent همون سیستمیه که باهاش تعامل می‌کنی و ترکیبی از Model و Harness که با کمک Toolها و Context می‌تونه وظایف مختلف رو به جای تو انجام بده.

System Prompt مجموعه دستورالعمل‌های ثابتیه که قبل از هر درخواست به Model داده میشه و نقش، رفتار و قوانین Agent رو مشخص می‌کنه و به همین خاطر تأثیرش از پیام کاربر هم بیشتره.

Session تاریخچه‌ی کامل تعاملت با Agent در طول یک مکالمه است و هرچه طولانی‌تر و شلوغ‌تر بشه، مدیریت Context سخت‌تر و کیفیت پاسخ‌ها ممکن است کمتر شود.

Turn یک چرخه‌ی کامل از تعامل با Agentـه. از پیام تو شروع می‌شه و بعد از تمام شدن همه‌ی کارهایی که Agent پشت صحنه انجام میده، با پاسخ نهایی به پایان میرسه.

این Environment جاییه که Agent داخلش کار می‌کنه و هر چیزی که Agent می‌تونه بخونه یا تغییر بده بخشی از این محیطه و هر چیزی که بیرون از اون باشه، برای Agent عملاً وجود نداره.

این Filesystem فضای کاری مشترک بین شما و ایجنته، همه‌ی فایل‌های پروژه اونجاس، اما مدل فقط فایل‌هایی را میشناسه که در طول انجام تسک واقعا اونارو خونده باشه.

Tool ها قابلیت‌هایی هستن که Harness در اختیار Agent قرار میده، مدل به‌تنهایی فقط متن تولید می‌کند و برای هر تعامل با دنیای بیرون باید از یک Tool استفاده کند.

Tool Call فقط درخواستی است که Model برای اجرای یک Tool تولید می‌کند، اجرای واقعی آن توسط Harness انجام می‌شود و نتیجه دوباره به مدل برمی‌گردد.

Tool Result خروجی واقعی اجرای یک Toolـه و تنها راهیه که Model می‌تونه از وضعیت Environment باخبر بشه و تصمیم بگیره مرحله‌ی بعدی چه کاری انجام بده.

MCP یه پل بین Agent و سرویس‌های تردپارتیه که اضافه کردن Toolهای جدید رو خیلی راحت می‌کنه و باعث میشه لازم نباشه هر Harness همه‌ی اتصال‌ها رو از صفر بسازه.

این Permission Request یعنی که Harness قبل از انجام کارای حساس، میاد ازت یه اجازه ای میگیره.

Permission Mode مشخص می‌کنه Agent کجاها خودش جلو بره و کجاها قبل از هر کاری ازت اجازه بگیره.

Agent Mode مشخص می‌کنه Agent توی هر مرحله از کار چطور رفتار کنه و طرز فکر و تصمیماتشو تغییر بده.

Sandbox یه محیط امن و جدا برای Agent می‌سازه تا اگه اشتباهی کرد، دردسرش فقط همون‌جا بمونه و به سیستم اصلیت نرسه.

Sycophancy یعنی مدل به جای اینکه فقط تحلیل کنه، سعی می‌کنه با نظر و لحن تو موافقت کنه، حتی وقتی اون موافقت درست نیست.

چرا مدل گاهی با اعتمادبه‌نفس کامل، جواب اشتباه میده و چطور تشخیص بدهیم مشکل از ندونستنه یا از گم کردن اطلاعاتی که مدل از قبل داشته.

Parametric Knowledge همون چیزیه که مدل از قبل توی Training یاد گرفته، ولی برای اطلاعات جدید یا اختصاصی باید خودت اون‌ها رو داخل Context بهش بدی.

Knowledge Cutoff یعنی مدل فقط چیزایی رو از قبل بلده که قبل از آموزشش وجود داشتن، برای اطلاعات جدید باید خودت داکیومنتش رو بهش بدی.

یعنی اطلاعاتی که مدل همین الان داخل Context می‌بینه و مستقیم از روشون جواب می‌ده، نه چیزایی که از قبل موقع Training یاد گرفته.

اینجا توضیح میدم که Attention relationship چیه، چرا مدل بین Tokenها ارتباط برقرار می‌کنه و چرا بزرگ شدن Context باعث میشه پیدا کردن ارتباط‌های مهم سخت‌تر بشه.

هر Token ظرفیت محدودی برای توجه داره و هرچی Context شلوغ‌تر بشه، پیدا کردن و دنبال کردن دستورهای مهم برای مدل سخت‌تر میشه.

Human-in-the-loop یعنی موقع انجام کار، انسان و agent با هم همکاری می‌کنن تا اشتباه‌ها همون لحظه اصلاح بشن، نه بعد از اینکه کار تموم شد.

AFK یعنی agent بدون حضور تو کارش رو انجام بده و تو فقط بعد از اتمام، نتیجه‌ی نهایی رو بررسی کنی.

Vibe coding یعنی کد تولیدشده توسط agent رو نخونی و فقط بر اساس عملکرد برنامه تصمیم بگیری که خروجی قابل قبوله یا نه.

Design concept یعنی درک مشترک بین تو و agent از چیزی که قراره ساخته بشه و هرچی این درک کامل‌تر باشه، نتیجه هم به چیزی که واقعاً می‌خواستی نزدیک‌تر میشه.

Grilling یعنی agent قبل از ساختن چیزی، با سؤال‌های هدفمند کمک می‌کنه ایده و تصمیم‌های مهمت کامل و شفاف بشن تا بعداً مجبور به اصلاحشون نشی.

Prototyping یعنی با کمک agent سریع یه نمونه‌ی واقعی بسازی تا به جای حدس زدن، بر اساس چیزی که می‌بینی تصمیم بگیری.

DX یعنی تجربه‌ی برنامه‌نویس هنگام کار با پروژه و هرچقدر پروژه راحت‌تر قابل فهم و توسعه باشه، DX بهتری داره.

AX یعنی تجربه‌ی کاری agent داخل یک پروژه و هرچقدر پروژه برای فهمیدن، پیمایش و اصلاح خودکار خطاها مناسب‌تر باشه، AX بهتری داره.

Clearing یعنی شروع یه Session کاملا تمیز تا تمام اطلاعات اضافی و اشتباه‌های قبلی از Context حذف بشن و مدل دوباره با یه ذهن خالی کار رو شروع کنه.

Handoff یعنی منتقل کردن اطلاعات و تصمیم‌های مهم از یه Session به Session بعدی تا مدل بدون از دست دادن روند کار، ادامه پروژه رو انجام بده.

Primary source یعنی خودِ منبع اصلی و واقعی اطلاعات، مثل کد، لاگ یا پاسخ واقعی API؛ نه داکیومنت یا خلاصه‌ای که درباره‌ش نوشته شده.

Secondary source یعنی یه خلاصه یا توضیح درباره‌ی منبع اصلی که فضای کمتری می‌گیره، ولی ممکنه بخشی از جزئیات رو از دست بده یا با گذشت زمان قدیمی بشه.

Handoff artifact یه فایل یا داکیومنته که اطلاعات مهم یه Session رو نگه می‌داره تا Sessionهای بعدی بدون از دست دادن روند کار، پروژه رو ادامه بدن.

Spec داکیومنت اصلی پروژه‌ست که هدف، تصمیم‌ها، محدودیت‌ها و وضعیت کار رو نگه می‌داره تا چندین Session مختلف بتونن بدون گم کردن مسیر، روی یه پروژه مشترک کار کنن.

Ticket یه بخش کوچیک و مستقل از پروژه‌ست که طوری طراحی میشه تا توی یه Session کامل انجام بشه و در کنار بقیه Ticket ها کل پروژه رو جلو ببره.

Compaction یعنی تبدیل یه Session طولانی به یه خلاصه‌ی کوتاه تا اطلاعات مهم حفظ بشن، Context خلوت بشه و مدل بتونه با کیفیت بهتری ادامه کار رو انجام بده.

Autocompact یعنی سیستم به‌صورت خودکار و هنگام پر شدن Context Window یه خلاصه از Session می‌سازه تا کار ادامه پیدا می‌کنه، اما ممکنه بعضی اطلاعات مهم هم ناخواسته از دست برن.

Memory system لایه‌ایه که با ذخیره و بازیابی اطلاعات بین Session ها، باعث میشه یه Agent حافظه‌ی بلندمدت داشته باشه، حتی با اینکه خود Model هیچ چیزی رو بین Session ها به خاطر نمی‌سپاره.

AGENTS.md یه فایل راهنمای دائمیه که اول هر Session به‌صورت خودکار وارد Context میشه تا Agent قوانین و تنظیمات ثابت پروژه رو بدون نیاز به تکرار، همیشه بدونه.

Progressive disclosure یعنی agent فقط اطلاعاتی رو لود کنه که برای تسک فعلی لازمه تا هم هزینه‌ی context کمتر بشه و هم کیفیت تصمیم‌گیری مدل بالاتر بره.

Context pointer یه اشاره‌ی هوشمنده که باعث میشه agent فقط موقع نیاز داکیومنت‌های بزرگ رو وارد context کنه و هزینه و شلوغی context رو پایین نگه داره.

Skill یه بسته‌ی آموزشی برای یه کار مشخصه که فقط موقع نیاز وارد context میشه و باعث میشه agent بدون شلوغ کردن context کارش رو بهتر انجام بده.

Subagent یه agent کمکی با context جداست که کارهای شلوغ و سنگین رو انجام میده و فقط نتیجه‌ی نهایی رو به agent اصلی برمی‌گردونه.