Woordenlijst voor AI-engineering

A

• A2A-protocol

  Het A2A-protocol, kort voor Agent2Agent, is een open standaard voor communicatie tussen AI-agents die door verschillende teams op verschillende frameworks zijn gebouwd. Het stelt de ene agent in staat de mogelijkheden van een andere te ontdekken, er een taak aan te delegeren en die taak tot voltooiing te volgen, zonder dat beide partijen hun interne prompts, modellen of tools hoeven bloot te geven.

• Agentgeheugen

  Agentgeheugen is het geheel van mechanismen waarmee een AI-agent informatie kan vasthouden en hergebruiken voorbij één enkel contextvenster: sessiestatus, notities die naar bestanden worden weggeschreven, databases en vectorstores. Het is wat een agent in staat stelt feiten, voorkeuren en lessen mee te dragen tussen taken, in plaats van elke sessie vanaf nul te beginnen. De leemte die het opvult is goed gedocumenteerd: op de LoCoMo-benchmark van zeer lange gesprekken, gemiddeld 300 beurten over maximaal 35 sessies, ontdekten Maharana en collega's in 2024 dat LLM-agents aanzienlijk achterblijven bij menselijke prestaties in het herinneren van eerdere context.

• Agentic AI

  Agentic AI is een klasse van AI-systemen die een doel nastreven door stappen te plannen, acties te ondernemen via tools, resultaten te observeren en koers bij te stellen, en dat alles met beperkte menselijke sturing. In tegenstelling tot een model dat één antwoord geeft op één prompt, blijft een agentic systeem doorwerken tot het doel is bereikt of een stopconditie intreedt. Het plafond van dat werk blijft stijgen: METR mat in 2025 dat de lengte van taken die AI-agents autonoom kunnen voltooien de afgelopen zes jaar ongeveer elke 7 maanden is verdubbeld.

• Agentic Automation

  Agentic automation is bedrijfsprocesautomatisering waarbij AI-agents de stappen afhandelen die beoordelingsvermogen vereisen, zoals het interpreteren van rommelige input, kiezen tussen opties en herstellen van uitzonderingen. Traditionele regelgebaseerde automatisering voert vaste scripts uit en breekt zodra input afwijkt; agentic automation past zich aan en escaleert naar mensen alleen wanneer een beslissing zijn mandaat overschrijdt. De adoptie is de pilotfase voorbij: 46% van de leidinggevenden in Microsofts 2025 Work Trend Index zei dat hun organisatie AI-agents gebruikt om workstreams of bedrijfsprocessen volledig te automatiseren, aangevoerd door klantenservice, marketing en productontwikkeling.

• Agentic Coding

  Agentic coding is de praktijk van software maken door een AI-coding-agent aan te sturen die de codebase leest, bestanden bewerkt, commando's uitvoert en itereert op de resultaten, in plaats van zelf de code te typen. De developer levert intentie, beperkingen en review; de agent levert de toetsaanslagen. De praktijk draait al op echte schaal: GitHub's Octoverse 2025-rapport telde meer dan 1 miljoen pull requests gegenereerd door zijn Copilot coding agent tussen mei en september 2025, geconcentreerd in gevestigde repositories in plaats van experimentele projecten.

• Agentic Design Patterns

  Agentic design patterns zijn herbruikbare structuren voor het bouwen van AI-agentsystemen. De kernvier zijn reflectie, tool use, planning en multi-agent-samenwerking. Elk patroon beschrijft een bewezen manier om modelaanroepen, tools en control flow te ordenen, en elk maakt op een andere, voorspelbare manier een afweging tussen autonomie, kosten, latentie en betrouwbaarheid.

• Agentic Engineering

  Agentic engineering is de discipline van AI-agents aansturen om software te bouwen via specificaties, guardrails en review, in plaats van elke regel met de hand te schrijven. De taak van de engineer verschuift van code typen naar definiëren hoe correct eruitziet, beperken wat de agent mag doen, en verifiëren wat hij heeft opgeleverd. Het ruwe materiaal voor deze verschuiving is al overal: het Stack Overflow-onderzoek van 2025 vond dat 84% van de developers AI-tools gebruikt of van plan is te gebruiken in hun workflow, tegenover 76% het jaar ervoor.

• Agentic RAG

  Agentic RAG is retrieval-augmented generation waarbij een AI-agent het retrievalproces bestuurt. In plaats van één vaste zoekopdracht te draaien voor het antwoorden, beslist de agent of er überhaupt opgehaald moet worden, kiest tussen bronnen, herformuleert queries, beoordeelt wat er terugkomt, en zoekt opnieuw tot hij genoeg bewijs heeft om goed te antwoorden.

• Agentic Workflow

  Een agentic workflow is een meerstaps proces waarin AI-agents plannen, acties ondernemen, resultaten beoordelen en werk doorgeven richting een vastgelegde uitkomst. Het combineert modelgestuurde beslissingen met deterministische stappen zoals scripts, API-aanroepen en goedkeuringspoorten, zodat het systeem zich kan aanpassen aan wat het aantreft en toch voorspelbare, verifieerbare output produceert. Het plafond van wat deze workflows aankunnen blijft stijgen: METR mat in 2025 dat de lengte van taken die frontier-agents met 50% slagingskans kunnen voltooien sinds 2019 ongeveer elke 7 maanden is verdubbeld, met Claude 3.7 Sonnet die een tijdshorizon van ongeveer 50 minuten bereikte.

• Agentorchestratie

  Agentorchestratie is de coördinatie van meerdere AI-agents die aan onderdelen van een grotere taak werken: werk toewijzen, stappen ordenen, context tussen agents doorgeven en resultaten samenvoegen tot één output. De coördinator kan een lead agent zijn die dynamisch beslist, of een deterministische controller die vaste routeringsregels volgt.

• AGENTS.md

  AGENTS.md is een gewoon markdown-bestand dat in een repository wordt geplaatst om AI-coding-agents te vertellen hoe het project werkt: build- en testcommando's, codeconventies, architectuurnotities en regels om te volgen. Het is een leveranciersneutrale conventie, beschreven als een README voor agents, en wordt sinds 2026 automatisch gelezen door de meeste coding-agents.

• Agentzwerm

  Een agentzwerm is een groep AI-agents die parallel wordt ingezet op hetzelfde probleem, of op veel deelstukken ervan, waarbij de outputs achteraf worden samengevoegd, gerangschikt of erover gestemd. De aanpak ruilt extra rekenkracht en tokens in voor bredere dekking en meer zekerheid dan één enkele agent-run kan bieden.

• AI Alignment

  AI alignment is het onderzoeksveld dat zich bezighoudt met AI-systemen betrouwbaar de doelen laten nastreven die hun operators daadwerkelijk bedoelen, in plaats van proxy's, mazen, of letterlijke lezingen van een instructie. Naarmate modellen capabeler worden en met meer autonomie handelen, wordt de kloof tussen wat gevraagd werd en wat bedoeld werd een veiligheids- en betrouwbaarheidsprobleem.

• AI Code Review

  AI code review is het gebruik van een large language model om codewijzigingen te onderzoeken op bugs, beveiligingsproblemen, logicafouten, en stijlproblemen, doorgaans als geautomatiseerde eerste doorgang op pull requests. Het vult menselijke review aan door mechanische defecten vroeg te vangen, zodat mensen zich kunnen richten op architectuur, intentie, en geschiktheid voor het doel.

• AI DevOps

  AI DevOps is de toepassing van AI-agents op de softwareleveringspipeline: CI-mislukkingen diagnosticeren, infrastructuurwijzigingen reviewen, deploys beheren, en de eerste doorgang van incident response draaien. Software die logs kan lezen, dashboards kan bevragen, en commando's kan uitvoeren absorbeert het operationele gedoe dat vroeger engineers onderbrak, terwijl mensen goedkeuring houden over alles wat productie raakt. De verschuiving is al mainstream: 75% van de respondenten van het DORA-onderzoek van 2024 zei op AI te vertrouwen voor minstens één dagelijkse professionele verantwoordelijkheid, en in het DORA-rapport van 2025, gebaseerd op bijna 5.000 technologieprofessionals, meldde 90% AI op het werk te gebruiken en zei meer dan 80% dat het hun productiviteit verhoogde.

• AI Governance

  AI governance is het geheel van beleid, rollen, en controles dat een organisatie gebruikt om AI verantwoord in te zetten: beslissen welke toepassingen zijn toegestaan, wie verantwoordelijk is voor elk systeem, hoe data en risico worden beheerd, en hoe compliance wordt aangetoond. Het verandert verspreide AI-adoptie in iets dat de organisatie daadwerkelijk kan zien, sturen, en verdedigen. De behoefte groeit: gerapporteerde AI-gerelateerde incidenten stegen naar een record van 233 in 2024, een stijging van 56,4% ten opzichte van 2023, volgens de cijfers van de AI Incidents Database in Stanfords AI Index.

• AI Pair Programming

  AI pair programming is werken met een AI-model als continue medewerker tijdens het schrijven van software: aanpakken bespreken, code genereren en bekritiseren, en beslissingen reviewen terwijl ze gebeuren. Het spiegelt de driver- en navigator-rollen van menselijk pair programming, waarbij de AI beide stoelen kan bekleden afhankelijk van de taak.

• AI Red Teaming

  AI red teaming is de praktijk van je eigen AI-systeem opzettelijk aanvallen, het testen met jailbreaks, injectiepayloads, en misbruikscenario's, om mislukkingen te vinden voordat echte tegenstanders of gebruikers dat doen. Het past de adversariale mindset van security red teams toe op modelgedrag, en dekt zowel kwaadaardige aanvallen als gewone inputs die schadelijke output produceren.

• AI Slop

  AI slop is laagwaardige, hoogvolume content gegenereerd door AI en gepubliceerd of uitgeleverd zonder betekenisvol menselijk oordeel. De term dekt artikelen, afbeeldingen, code, en pull requests gelijk: output vloeiend genoeg om een vluchtige blik te doorstaan maar die ruis toevoegt in plaats van waarde, het zichtbare symptoom van automatisering die draait zonder reviewproces erachter.

• AI Sycophancy

  AI sycophancy is de neiging van een taalmodel om gebruikers te vertellen wat ze willen horen in plaats van wat waar is: instemmen met geformuleerde meningen, gebrekkige plannen valideren, en correcte antwoorden terugdraaien onder tegenspraak. Het ontstaat uit preference-training, waarbij modellen leren dat inschikkelijke antwoorden hogere menselijke beoordelingen krijgen dan accurate.

• AI Testing

  AI testing dekt twee verwante praktijken: AI-modellen gebruiken om softwaretests te genereren, draaien, en onderhouden, en AI-systemen zelf testen, wier outputs variëren van run tot run en zich verzetten tegen traditionele pass-fail-assertions. Beide mikken op hetzelfde doel, defecten vangen voordat gebruikers dat doen, maar elk vergt andere technieken omdat deterministische en probabilistische software op verschillende manieren falen.

• AI-agent

  Een AI-agent is een softwaresysteem dat een taalmodel gebruikt om te beslissen wat er vervolgens moet gebeuren, en vervolgens handelt via tools zoals API's, bestanden, shells, of een browser. Hij observeert het resultaat van elke actie en blijft itereren tot het doel is bereikt, mislukt, of teruggegeven aan een persoon. De vraag naar deze systemen is breed: 82% van de bedrijfsleiders in Microsofts 2025 Work Trend Index verwacht binnen 12 tot 18 maanden digitale arbeidskrachten zoals AI-agents te gebruiken om hun personeelsbestand uit te breiden.

• AI-agentarchitectuur

  AI-agentarchitectuur is het structurele ontwerp van een agentsysteem: het taalmodel als kern, de toollaag waardoor het handelt, het geheugen dat het bewaart, de lus die planning en uitvoering aandrijft, en de guardrails die zijn gedrag begrenzen, plus de verbindingen die van die onderdelen één werkend systeem maken. Deze structuur goed krijgen is waar de vooruitgang van het vakgebied vandaan komt: Stanfords AI Index van 2025 registreerde SWE-bench-scores die in één jaar met 67,3 procentpunt stegen terwijl agentsystemen volwassen werden.

• AI-agentbeveiliging

  AI-agentbeveiliging is de praktijk van systemen beschermen tegen de risico's die ontstaan wanneer AI-agents autonoom handelen: geïnjecteerde instructies volgen die verstopt zitten in data, te ruime rechten gebruiken, gehallucineerde afhankelijkheden installeren, of ongereviewde wijzigingen naar productie pushen. Het combineert klassieke toegangscontrole met verdedigingen specifiek voor hoe taalmodellen gemanipuleerd kunnen worden.

• AI-agentevaluatie

  AI-agentevaluatie is de praktijk van meten of een AI-agent taken end-to-end correct voltooit, waarbij het volledige traject van beslissingen, tool-aanroepen en tussenstappen wordt gescoord, naast de uiteindelijke uitkomst. Het breidt evaluatie van één antwoord uit naar meerstaps autonoom werk, waarbij een agent een goed antwoord kan bereiken via een kapot proces, of tien stappen na een goede start kan falen. De inzet blijft stijgen omdat agents steeds capabeler worden: METR mat in 2025 dat frontier-modellen zoals Claude 3.7 Sonnet een tijdshorizon van ongeveer 50 minuten hebben bij 50% taakvoltooiing, een horizon die sinds 2019 ongeveer elke zeven maanden is verdubbeld.

• AI-agentframework

  Een AI-agentframework is een softwarebibliotheek die de bouwstenen levert voor het maken van AI-agents: modelaanroepen, tooldefinities, geheugen, statusbeheer, en de lus waarmee een agent kan plannen, handelen en resultaten observeren. Developers stellen deze componenten samen in plaats van de agentlus voor elk project vanaf nul te bedraden. Het publiek voor deze tooling is al groot: in LangChains State of AI Agents-onderzoek van 2024 onder meer dan 1.300 professionals had 51% agents in productie, oplopend tot 63% bij middelgrote bedrijven van 100 tot 2.000 werknemers.

• AI-Assisted Coding

  AI-assisted coding is een manier van werken waarbij een developer software schrijft met continue hulp van AI, via autocomplete, inline edits, en chat, terwijl hij de auteur blijft van elke wijziging. De mens stuurt; het model versnelt. Dit onderscheidt het van agentic coding, waarbij een agent hele taken op eigen kracht uitvoert. De praktijk is inmiddels de norm in plaats van de uitzondering: in het Stack Overflow-onderzoek van 2025 onder meer dan 49.000 developers gebruikte 84% AI-tools of was van plan dat te doen, tegenover 76% in 2024, ook al steeg het aandeel dat de nauwkeurigheid van AI-output wantrouwt van 31% naar 46%.

• AI-codedocumentatie

  AI-codedocumentatie is de praktijk van documentatie genereren en onderhouden, inclusief commentaar, READMEs, API-referenties, en architectuurnotities, met AI-modellen die de broncode direct lezen. Omdat de documentatie afgeleid is van de code zelf, kan hij opnieuw gegenereerd worden telkens wanneer de code verandert, wat het oudste probleem in documentatie aanpakt: drift tussen wat de documentatie zegt en wat de code doet. Developers hebben dit sneller omarmd dan bijna elk ander AI-gebruik: in het Stack Overflow Developer Survey van 2025 zei 30,8% AI meestal te gebruiken voor het documenteren van code en gebruikt nog eens 30,3% het gedeeltelijk.

• AI-codegeneratie

  AI-codegeneratie is de productie van broncode door een machine-learning-model op basis van natuurlijke-taal-beschrijvingen, bestaande code, of beide. Het omspant alles van single-line-autocomplete tot complete applicaties gebouwd door autonome agents, en het is in 2026 het standaard eerste-versie-mechanisme geworden voor een groot deel van professionele software. De vraag blijkt uit modelgebruik zelf: de Anthropic Economic Index vond dat 37,2% van de queries naar Claude in de categorie computer en wiskunde viel, met taken zoals softwarewijziging en debuggen, wat coderen het grootste enkele gebruik van het model maakt.

• AI-coderefactoring

  AI-coderefactoring is het gebruik van AI-coding-agents om bestaande code te herstructureren zonder te veranderen wat hij doet: hernoemen, functies extraheren, te grote modules opsplitsen, en verouderde patronen migreren door een codebase heen. De testsuite definieert het gedrag dat moet overleven, de agent voert de mechanische bewerkingen uit, en een mens reviewt het resultaat voordat het merget.

• AI-coding-agent

  Een AI-coding-agent is software die een ontwikkeltaak in natuurlijke taal ontvangt, en vervolgens de codebase leest, bestanden schrijft en bewerkt, commando's draait, en itereert op de resultaten tot de taak klaar is. Hij opereert met veel meer autonomie dan editor-autocomplete, en voltooit hele eenheden werk in plaats van de volgende regel te suggereren. De categorie rijpte snel: toen de SWE-bench-benchmark in 2023 lanceerde, loste het beste model slechts 1,96% van echte GitHub-issues op uit 12 populaire Python-repositories.

• AI-codingassistent

  Een AI-codingassistent is een tool die developers helpt software te schrijven door suggesties te genereren, code aan te vullen, en vragen te beantwoorden binnen de editor, aangedreven door een large language model. De developer houdt de controle over elke wijziging, wat assistenten onderscheidt van autonome agents die op eigen kracht bestanden bewerken en commando's draaien. De adoptie is breed: in JetBrains' 2025-onderzoek onder 24.534 developers in 194 landen gebruikte 85% regelmatig AI-tools voor coderen en vertrouwde 62% op minstens één AI-codingassistent, agent, of AI-code-editor.

• AI-grounding

  AI-grounding is de praktijk van de output van een model verankeren aan verifieerbare bronnen zoals opgehaalde documenten, databaserecords, of toolresultaten, zodat elke bewering te traceren en te controleren is. Een geaard antwoord citeert waar zijn feiten vandaan kwamen; een niet-geaard antwoord vertrouwt alleen op wat het model tijdens training heeft opgenomen.

• AI-guardrails

  AI-guardrails zijn de technische controles rond een AI-systeem geplaatst om zijn gedrag binnen acceptabele grenzen te houden: input- en outputfilters, beperkte rechten, validatiechecks, sandboxed uitvoering, en verplichte goedkeuringspoorten voor ingrijpende acties. Ze gaan ervan uit dat het model soms fout zal zitten of gemanipuleerd zal worden, en beperken de schade wanneer dat gebeurt.

• AI-hallucinatie

  Een AI-hallucinatie is zelfverzekerde output van een model die feitelijk fout of volledig verzonnen is: een functie die niet bestaat in de library, een parameter die de API nooit accepteerde, een package die niemand heeft gepubliceerd, een citaat naar een paper dat nooit geschreven is. De output is vloeiend en aannemelijk, en precies dat maakt het gevaarlijk. Het probleem is meetbaar op schaal: een Stanford-studie uit 2024 vond dat LLM's hallucineerden bij 58 procent (ChatGPT) tot 88 procent (Llama 2) van verifieerbare vragen over willekeurige federale rechtszaken.

• AI-IDE

  Een AI-IDE is een ontwikkelomgeving die vanaf de basis rond AI-mogelijkheden is ontworpen, met codebase-bewuste chat, voorspellende multi-file-bewerking, en ingebouwde agentmodi als kernfuncties in plaats van plugins. De editor behandelt het model als volwaardige medewerker met toegang tot hetzelfde project dat de developer ziet. De bredere categorie is inmiddels mainstream: 62% van de developers vertrouwt op minstens één AI-codingassistent, agent, of AI-code-editor, volgens JetBrains' 2025-onderzoek onder 24.534 developers.

• AI-inferentie

  AI-inferentie is een getraind model draaien om output te produceren: de berekening die elke keer gebeurt wanneer een applicatie een prompt stuurt en een antwoord krijgt. Training bouwt het model één keer; inferentie is de terugkerende workload daarna, en daar draait API-prijsstelling, latentiebudgetten, en GPU-serverinfrastructuur allemaal om. Die workload groeit in een verbluffend tempo: Google meldde dat zijn maandelijkse inferentievolume in één jaar 50x groeide, van 9,7 biljoen tokens per maand naar meer dan 480 biljoen tegen mei 2025.

• AI-observability

  AI-observability is de praktijk van AI-systemen instrumenteren in productie, waarbij traces, prompts, tool-aanroepen, tokenkosten, latentie, en kwaliteitssignalen worden vastgelegd, zodat teams kunnen zien wat een model of agent daadwerkelijk deed en waarom. Het breidt traditionele observability uit naar systemen wier gedrag probabilistisch is en wier mislukkingen zelden een exception gooien. De industrie heeft het argument grotendeels geaccepteerd: bijna 89 procent van de organisaties die agents bouwen, heeft er observability voor geïmplementeerd, volgens LangChains onderzoek van eind 2025 onder meer dan 1.300 professionals.

• AI-sandbox

  Een AI-sandbox is een geïsoleerde uitvoeringsomgeving waar een AI-agent code kan draaien, packages kan installeren, en bestanden kan wijzigen zonder productiesystemen, echte credentials, of de hostmachine aan te raken. Alles wat de agent breekt, blijft binnen de grens, wat autonoom werk veilig genoeg maakt om op schaal te delegeren.

• Attention-mechanisme

  Een attention-mechanisme is het onderdeel van een transformer-model dat voor elk token berekent hoeveel elk ander token in de sequentie het zou moeten beïnvloeden. Deze geleerde relevantiescores zijn hoe taalmodellen verwijzingen oplossen, structuur bijhouden, en context gebruiken, en hun kosten zijn wat lange prompts duur maakt. Het idee bleek krachtig genoeg om alleen te staan: het paper "Attention Is All You Need" uit 2017 liet recurrentie en convoluties volledig vallen en zette toch een single-model state of the art van 41,8 BLEU op WMT 2014 Engels-naar-Frans-vertaling neer.

• Automation Bias

  Automation bias is de menselijke neiging om output van een geautomatiseerd systeem meer te vertrouwen dan het bewijs rechtvaardigt, en een machine-antwoord met minder controle te accepteren dan dezelfde bewering van een persoon zou krijgen. In AI-ondersteunde engineering verschijnt het als agent-geschreven code, configs, en analyses goedkeuren grotendeels omdat ze compleet, zelfverzekerd, en professioneel geformatteerd aankomen. Het vertrouwen van developers is slecht gekalibreerd in beide richtingen: in het Stack Overflow-onderzoek van 2025 vertrouwde slechts 33% van de developers de nauwkeurigheid van AI-output, met slechts 3% die het sterk vertrouwde en 46% die het actief wantrouwde, en toch gebruikte 51% van de professionele developers AI-tools dagelijks.

• Autonome AI-agent

  Een autonome AI-agent is een AI-agent die meerstaps doelen end-to-end voltooit zonder dat een mens elke actie goedkeurt. Veiligheid komt van vooraf ingestelde beperkingen, zoals afgebakende rechten, budgetten, en guardrails, plus review van het afgewerkte resultaat, in plaats van toezicht tijdens de run. Hoeveel aan een agent veilig kan worden overgedragen blijft groeien: METR vond in 2025 dat de lengte van taken die frontier-agents met 50% betrouwbaarheid kunnen voltooien de afgelopen zes jaar ongeveer elke 7 maanden is verdubbeld.

B

• Browseragent

  Een browseragent is een AI-agent wiens primaire tool een webbrowser is. Gegeven een doel navigeert hij pagina's, leest content, klikt elementen, vult formulieren, en voltooit meerstaps flows zoals een mens dat zou doen, waardoor hij elke website kan bedienen, inclusief de overgrote meerderheid die geen API blootstelt. Betrouwbaarheid op het open web blijft het lastige deel: op WebArena's realistische taken die e-commerce, forums, code-hosting, en CMS-werk omspannen, voltooide de beste GPT-4-agent in de Carnegie Mellon-studie van 2023 14,41% van de taken end-to-end, vergeleken met 78,24% voor mensen.

C

• Chain-of-Thought Prompting

  Chain-of-thought prompting is de techniek van een taalmodel instrueren om stap voor stap door een probleem te werken voordat het zijn eindantwoord geeft, in plaats van meteen te antwoorden. De tussenliggende redenering expliciet maken verbetert meetbaar de nauwkeurigheid bij wiskunde, logica, planning, en meerstaps taken, en het laat een zichtbaar spoor achter dat je kunt inspecteren wanneer het antwoord fout is. In het originele paper van 2022 door Wei et al. bij Google bereikte een model met 540B parameters, geprompt met slechts acht chain-of-thought-voorbeelden, state-of-the-art-nauwkeurigheid op de GSM8K-wiskundebenchmark, en versloeg het zelfs een fine-getuned GPT-3 met een verifier.

• CLAUDE.md

  CLAUDE.md is het markdown-instructiebestand dat Claude Code, Anthropics coding-agent, automatisch leest bij het begin van elke sessie. Het draagt aanhoudende projectcontext: build- en testcommando's, codeconventies, architectuurnotities, en regels die de agent moet volgen, zodat dezelfde richtlijn op elke taak van toepassing is zonder herhaald te worden in prompts.

• Code LLM

  Een code-LLM is een large language model getraind of fine-getuned primair op broncode, geoptimaliseerd om programma's te genereren, aan te vullen, uit te leggen, en te herstellen. De term dekt dedicated codemodellen en, in toenemende mate, algemene frontier-modellen wier training zwaar naar code werd gewogen omdat programmeren hun commercieel belangrijkste vaardigheid werd.

• Comprehension Debt

  Comprehension debt is de opgestapelde hoeveelheid code in een productiesysteem die niemand in het team oprecht begrijpt, ontstaan wanneer AI-gegenereerde wijzigingen uitgeleverd worden zonder echte review. De code werkt en de tests slagen, maar de kennis die normaal in een menselijk hoofd vormt door de code te schrijven, vormde zich nergens, en de kloof stapelt zich op met elke ongecontroleerde merge.

• Computer Use

  Computer use is een AI-agentcapaciteit waarbij het model een computer bedient via zijn grafische interface: het kijkt naar screenshots, beweegt de cursor, klikt, typt, en scrollt, precies zoals een mens dat zou doen. Dit laat een agent werken met elke applicatie op het scherm, inclusief software die geen API biedt voor gestructureerde toegang.

• Context Engineering

  Context engineering is de discipline van controleren wat een AI-model op inferentiemoment allemaal ziet: welke bestanden, documenten, gespreksgeschiedenis, instructies, en toolresultaten het contextvenster binnenkomen, in welke vorm, en in welke volgorde. Waar prompt engineering één instructie vormt, beheert context engineering het hele gezichtsveld van het model over een langlopende taak.

• Context Rot

  Context rot is de geleidelijke verslechtering van de outputkwaliteit van een taalmodel naarmate zijn contextvenster zich vult met verouderde, tegenstrijdige, of irrelevante informatie over een lange sessie. Het model begint oude instructies te verwarren met huidige, herhaalt verlaten aanpakken, en verliest zicht op wat daadwerkelijk ertoe doet, ook al is er niets aan het model zelf veranderd.

• Contextvenster

  Een contextvenster is de maximale hoeveelheid tekst die een AI-model in één verzoek kan verwerken, gemeten in tokens, die de systeemprompt, gespreksgeschiedenis, opgehaalde documenten, toolresultaten, en de eigen output van het model omspant. Het functioneert als het werkgeheugen van het model: alles erbinnen kan het antwoord beïnvloeden, en alles erbuiten bestaat niet voor het model.

D

• Data Poisoning

  Data poisoning is een aanval die de data corrumpeert waar een AI-systeem van leert of die het ophaalt, zodat het model door de aanvaller gekozen gedrag absorbeert: verborgen backdoors, verlaagde nauwkeurigheid, of geplante misinformatie. Het is een supply-chain-aanval op de datalaag, en kan pretraining-corpora, fine-tuning-sets, of de documenten die een RAG-pipeline vertrouwt, targeten.

E

F

• Few-Shot Prompting

  Few-shot prompting is de techniek van een klein aantal uitgewerkte input-output-voorbeelden direct in de prompt opnemen zodat het model het gewenste patroon afleidt en toepast op nieuwe input. Het onderwijst door demonstratie in plaats van beschrijving, en er is geen training of fine-tuning bij betrokken: de voorbeelden leven in de prompt zelf.

• Foundation Model

  Een foundation model is een groot AI-model dat eenmalig getraind is op brede data op schaal, en vervolgens aangepast wordt aan veel downstream-taken via prompting, fine-tuning, of toolintegratie. In plaats van een apart model per taak te bouwen, bouwen teams producten op een gedeelde basis, wat het economische patroon is achter de hele moderne AI-industrie.

• Frontier Model

  Een frontier model is een AI-model op de huidige rand van capaciteit: één van de kleine set systemen die op elk moment de state of the art definieert. De term markeert een bewegende grens in plaats van een vaste spec, en dient dubbel als regelgevingscategorie, want safety-frameworks en compute-drempelregels richten zich precies op deze klasse.

G

H

• Human in the Loop

  Human in the loop is een workflowontwerp waarin een AI-systeem het werk doet maar een mens de beslissingen die ertoe doen reviewt en goedkeurt voordat ze effect hebben. De AI behandelt volume en snelheid; de mens levert oordeel, verantwoording, en een veto op de punten waar fouten duur of onomkeerbaar zijn. Het patroon houdt deels stand omdat vertrouwen grenzen heeft: het DORA-onderzoek van 2025 vond dat 30% van de technologieprofessionals weinig of geen vertrouwen heeft in AI-gegenereerde code, een sleutelreden waarom menselijke review een standaard checkpoint blijft.

I

J

K

• KV Cache

  De KV-cache is het geheugen waar een transformer-taalmodel de attention-keys en -values opslaat die het al berekend heeft voor eerdere tokens. Door ze te hergebruiken genereert het model elk nieuw token zonder de hele input opnieuw te verwerken, wat token-voor-token-generatie snel maakt en lange contexten duur in geheugen.

L

• Large Language Model (LLM)

  Een large language model (LLM) is een neuraal netwerk getraind op enorme hoeveelheden tekst om het volgende token in een reeks te voorspellen. Op voldoende schaal produceert dat enkele doel brede vaardigheid om te schrijven, samen te vatten, te redeneren, en code te genereren, en daarom drijven LLM's chatassistenten, coding-agents, en de meeste moderne AI-producten aan. Adoptie weerspiegelt dat bereik: in het Stack Overflow-onderzoek van 2025 zei 84% van de developers AI-tools te gebruiken of van plan te zijn te gebruiken in hun werk, tegenover 76% het jaar ervoor.

• LLM Benchmark

  Een werkkaart van de namen die terugkeren in modelkaarten van 2026. Kennis en redenering: MMLU en zijn moeilijkere opvolger MMLU-Pro, GPQA voor wetenschapsvragen op graduate-niveau ontworpen om weblookup te weerstaan, en ARC-AGI voor abstracte redenering die vijandig blijft tegen memorisatie. Wiskunde: GSM8K (lang verzadigd, nu een vloercheck) en wedstrijdniveau-sets zoals AIME-problemen. Coderen: HumanEval en MBPP voor korte functiecompletion, beide effectief opgelost, en SWE-bench met zijn varianten als de repository-schaal-standaard waar een agent echte GitHub-issues moet oplossen tegen verborgen tests. Agentic en toolgebruik: terminal-taaksuites, webnavigatiebenchmarks zoals WebArena-afstammelingen, en tool-calling-nauwkeurigheidssuites. Voorkeur en algemeen gevoel: arena-achtige menselijke-stem-ranglijsten, waardevol voor het vangen van kwaliteiten die statische suites missen en scheefgetrokken richting zelfverzekerde, goed-geformatteerde antwoorden. Long-context-suites maken het beeld compleet door herinnering en redenering over grote contextvensters te testen in plaats van alleen needle-in-haystack-retrieval.

• LLM Evals

  LLM-evals zijn herhaalbare, geautomatiseerde tests die meten of de output van een taalmodel een gedefinieerde kwaliteitslat haalt: correctheid, toon, veiligheid, formaat, taakvoltooiing. Waar unittests controleren dat code zich deterministisch gedraagt, scoren evals probabilistische output tegen een standaard, zodat teams prompts en modellen kunnen wijzigen zonder te gokken of kwaliteit is bewogen.

• LLM Fine-Tuning

  LLM fine-tuning is de praktijk van de training van een voorgetraind taalmodel voortzetten op een kleinere, taakspecifieke dataset zodat zijn standaardgedrag richting die taak verschuift. In tegenstelling tot prompting of retrieval, die het model op verzoekmoment sturen, verandert fine-tuning de gewichten zelf, en produceert een gespecialiseerde variant van het basismodel.

• LLM Jailbreak

  Een LLM-jailbreak is een input samengesteld om een taalmodel zijn safety-training te laten negeren en output te produceren die het gebouwd was te weigeren. Technieken lopen van fictieve rollenspel-framings tot gecodeerde payloads en lange multi-turn-manipulatie, en ze doen ertoe voor bouwers omdat elk uitgerold model het jailbreak-oppervlak van zijn basismodel erft.

• LLM Quantization

  LLM quantization is het proces van de gewichten van een taalmodel opslaan met lagere numerieke precisie, bijvoorbeeld 4-bit-integers in plaats van 16-bit-floats, zodat het model minder geheugen nodig heeft en sneller draait. Goed gedaan verlaagt het hardwarevereisten met de helft tot driekwart terwijl het maar een klein beetje outputkwaliteit verliest.

• LLM Streaming

  LLM streaming is de incrementele levering van het antwoord van een taalmodel, token voor token, terwijl het gegenereerd wordt, in plaats van te wachten op de volledige completion. Het verandert een antwoord dat vele seconden nodig heeft om af te ronden in een dat bijna onmiddellijk begint te verschijnen, en daarom gebruikt vrijwel elke chat- en agentinterface het.

• LLM Temperature

  LLM temperature is een samplingparameter die bepaalt hoe willekeurig de output van een taalmodel is. Bij lage temperatuur kiest het model bijna altijd zijn token met de hoogste waarschijnlijkheid, wat consistente, voorspelbare antwoorden geeft. Bij hoge temperatuur sampelt het vrijer uit minder waarschijnlijke tokens, wat gevarieerde en soms verrassende output geeft.

• LLM Token

  Een LLM-token is de eenheid waarin een taalmodel tekst leest en schrijft: een klein stuk tekens, gemiddeld ongeveer driekwart Engels woord. Tokens zijn ook de facturatie-eenheid voor elke model-API, dus bepalen tokenaantallen zowel wat in een verzoek past als wat elk verzoek kost.

• LLM-as-a-Judge

  LLM-as-a-judge is een evaluatietechniek waarbij het ene taalmodel de output van een ander model beoordeelt tegen een geschreven rubriek, en kwaliteiten scoort zoals correctheid, behulpzaamheid, of getrouwheid aan een bron. Het maakt kwalitatieve evaluatie goedkoop en snel genoeg om bij elke wijziging te draaien, tegen de prijs van de eigen biases en blinde vlekken van het judge-model erven. De techniek verdiende zijn geloofwaardigheid in 2023, toen Zheng et al. lieten zien dat GPT-4 als judge menselijke voorkeuren matchte met meer dan 80 procent overeenstemming op MT-Bench en Chatbot Arena, hetzelfde niveau van overeenstemming dat mensen onderling bereiken.

• llms.txt

  llms.txt is een voorgestelde webstandaard: een markdown-bestand op het rootpad van een site (/llms.txt) dat large language models een gecureerde kaart geeft van de belangrijkste content van de site, met links naar schone, markdown-vriendelijke versies van kernpagina's. Het bestaat omdat HTML-pagina's vol navigatie en scripts het beperkte context van een AI-systeem verspillen.

M

• Mixture of Experts

  Mixture of experts (MoE) is een neurale netwerkarchitectuur waarin elk token slechts een kleine subset van de parameters van het model activeert, gekozen door een geleerde router. Het model kan een zeer groot totaal parameteraantal houden terwijl het de rekenkracht van een veel kleiner model besteedt aan elk verzoek, wat inferentiekosten verlaagt.

• Model Card

  Een model card is een gestructureerd openbaarmakingsdocument gepubliceerd naast een AI-model dat beschrijft wat het model is, hoe het getraind werd, waar het goed in is, waar het faalt, en welke veiligheidsevaluaties het doorstond. Het geeft engineers de informatie die ze nodig hebben om te beslissen of een model bij hun use case past.

• Model Context Protocol (MCP)

  Model Context Protocol (MCP) is een open standaard die AI-applicaties laat verbinden met externe tools, databronnen, en diensten via één gemeenschappelijke interface. In plaats van een aangepaste integratie te schrijven voor elk model en elke tool, bouwen developers eenmalig een MCP-server en kan elke MCP-compatibele client, zoals een AI-assistent of coding-agent, hem gebruiken.

• Model Distillation

  Model distillation is de techniek van een kleiner studentmodel trainen om het gedrag van een groter leraarmodel te reproduceren, met de outputs van de leraar als trainingssignaal. De student houdt het meeste van de capaciteit van de leraar op de beoogde taken terwijl hij sneller en goedkoper draait, wat het een standaardtool maakt voor het verlagen van inferentiekosten. Het canonieke vroege resultaat is DistilBERT, dat Hugging Face in 2019 meldde als 40% kleiner en 60% sneller dan BERT terwijl het 97% van zijn taalbegrip behield.

• Model Drift

  Model drift is de verslechtering van de real-world-prestatie van een AI-systeem over tijd terwijl zijn code ongewijzigd blijft. Het gebeurt wanneer de wereld wegdrijft van wat het model leerde (data- en concept-drift) of, in LLM-gebaseerde systemen, wanneer een aanbieder het onderliggende model update en gedrag verschuift onder je prompts.

• Multi-Agentsysteem

  Een multi-agentsysteem is een architectuur waarin verschillende AI-agents met onderscheiden rollen samenwerken aan een probleem te groot of te gevarieerd voor één agent om goed te behandelen. Elke agent draait in zijn eigen context met zijn eigen instructies en tools, en een coördinatielaag beweegt taken en resultaten tussen hen.

• Multimodal AI

  Multimodal AI verwijst naar modellen die meer dan één type input accepteren en erover redeneren, zoals tekst, beelden, audio, en video, binnen één systeem. Voor softwareteams is het de capaciteit die een agent een screenshot laat lezen, een diagram interpreteren, of een schermopname bekijken in plaats van alleen vanuit tekst te werken. De capaciteit arriveerde met kracht: GPT-4, een groot multimodaal model dat beeld- en tekstinput accepteert, scoorde rond de top 10% van kandidaten op een gesimuleerd bar-exam in 2023.

N

O

• Orchestrator-agent

  Een orchestrator-agent is de lead-agent in een multi-agentsysteem. Hij ontvangt het algemene doel, ontleedt het in subtaken, delegeert elke aan werker-agents met de context die ze nodig hebben, beoordeelt wat terugkomt, en stelt de stukken samen tot een eindresultaat. Hij maakt coördinatiebeslissingen in plaats van het specialistenwerk zelf te doen.

P

• Prompt Caching

  Prompt caching is een inferentie-optimalisatie die de berekende interne status van een herhaald promptprefix opslaat, zodat latere API-aanroepen die dat prefix hergebruiken, het niet opnieuw hoeven te verwerken. Voor agents die bij elke beurt een grote systeemprompt, tooldefinities, en groeiende gespreksgeschiedenis opnieuw versturen, verlaagt het inputkosten dramatisch en verlaagt het time to first token.

• Prompt Chaining

  Prompt chaining is de techniek van een complexe taak opsplitsen in een reeks aparte modelaanroepen, waar elke prompt de output van de vorige consumeert. In plaats van om alles in één prompt te vragen, doet elke stap één gefocuste klus, en ruilt extra latentie en kosten in voor hogere betrouwbaarheid en makkelijker debuggen.

• Prompt Engineering

  Prompt engineering is de praktijk van het ontwerpen van de tekst gestuurd naar een AI-model, inclusief instructies, voorbeelden, beperkingen, en outputformaat, zodat het model betrouwbaar het resultaat produceert dat je wilt. Het behandelt de prompt als een geëngineerd artefact, iets doelbewust geschreven, tegen gevallen getest, en geversioneerd in broncode, in plaats van een vraag casual getypt in een chatvak. Het veld is groter dan het van buiten lijkt: The Prompt Report, een survey van Schulhoff et al. uit 2024, catalogiseert 58 onderscheiden tekstgebaseerde promptingtechnieken plus 40 meer voor andere modaliteiten.

• Prompt Injection

  Prompt injection is een aanval waarbij kwaadaardige instructies verstopt zitten in content die een AI-systeem verwerkt, zoals een webpagina, e-mail, of document, en het model de commando's van de aanvaller laat volgen in plaats van die van de gebruiker. Het buit uit dat taalmodellen vertrouwde instructies niet betrouwbaar kunnen scheiden van niet-vertrouwde data. De OWASP Top 10 voor LLM Applications 2025 rangschikt prompt injection als LLM01, het risico nummer één op de lijst.

Q

R

• ReAct-agent

  Een ReAct-agent is een AI-agent gebouwd op het Reasoning-and-Acting-patroon: het model schrijft een gedachte over wat vervolgens te doen, onderneemt één actie zoals een tool-aanroep, observeert het resultaat, en herhaalt de cyclus tot de taak klaar is. Expliciete redenering met acties interleaven aardt elke beslissing in echte observaties.

• Reasoning Model

  Een reasoning model is een large language model getraind om stap voor stap door een probleem te werken voordat het zich vastlegt op een antwoord, en besteedt extra inferentie-rekenkracht aan interne overweging. Die denkfase, vaak verborgen of samengevat, verhoogt nauwkeurigheid op wiskunde, code, en meerstaps-planningstaken tegen de kost van hogere latentie en tokenuitgave. De winst is meetbaar: DeepSeek-R1 scoorde 79,8% pass@1 op de AIME 2024-wiskundewedstrijd, licht voor op OpenAI's o1-1217.

• Retrieval-Augmented Generation (RAG)

  Retrieval-augmented generation (RAG) is een architectuur die op verzoekmoment een kennisbron doorzoekt naar documenten relevant voor een query en ze in de prompt van het model invoegt, zodat het antwoord geaard is in opgehaald bewijs in plaats van alleen in wat het model tijdens training onthield. Het geeft modellen toegang tot private, actuele, en verifieerbare informatie. De naam komt van Lewis et al.'s NeurIPS-paper van 2020 bij Meta AI, dat de state of the art zette op drie open-domain-vraagbeantwoordingstaken en taal produceerde die de auteurs specifieker, diverser, en feitelijker maten dan een puur-parametrische baseline.

• RLHF

  RLHF, reinforcement learning from human feedback, is een trainingsmethode die een taalmodel afstemt op menselijke voorkeuren. Mensen beoordelen of rangschikken paren van modeloutputs, een reward model leert die oordelen te voorspellen, en het taalmodel wordt vervolgens geoptimaliseerd tegen die reward. Het is de stap die ruwe tekstvoorspellers omzette in bruikbare assistenten.

S

• Semantische Zoekopdracht

  Semantische zoekopdracht is een retrievalmethode die queries matcht met documenten op basis van betekenis in plaats van gedeelde trefwoorden, typisch door beide om te zetten naar vector-embeddings en documenten te rangschikken op hoe dicht hun vectoren bij die van de query zitten. Een zoekopdracht naar "wachtwoord resetten" kan een document getiteld "accountgegevens herstellen" naar boven brengen ook al delen de twee geen woorden. De aanpak bereikte mainstream-schaal in 2019, toen Google BERT inzette in Search om querybetekenis te interpreteren en zei dat het model het begrip van één op de 10 Engelse zoekopdrachten in de VS zou verbeteren.

• Shadow AI

  Shadow AI is het gebruik van AI-tools binnen een organisatie zonder goedkeuring, toezicht, of beveiligingsreview: medewerkers die bedrijfsdata in consumentenchatbots plakken, ongeteste AI-features in workflows bedraden, of persoonlijke agentabonnementen op werktaken draaien. Het is de AI-tijdperk-opvolger van shadow IT, met dataexpositie als het centrale risico.

• Skill Atrophy

  Skill atrophy is het geleidelijke verval van het vermogen van een developer om ongeholpen code te schrijven, lezen, en debuggen, veroorzaakt door dat werk te delegeren aan AI-tools. Het verlies is dag tot dag onzichtbaar omdat agentoutput op schema blijft uitleveren, en komt alleen naar boven wanneer de AI faalt, zijn limieten raakt, of iets fout produceert dat een mens alleen moet ontwarren.

• Slopsquatting

  Slopsquatting is een supply-chain-aanval waarbij iemand packages registreert onder namen die AI-codingtools hallucineren, zodat developers die de verzonnen afhankelijkheid van een model installeren, de code van de aanvaller binnenhalen in plaats van een fout. Het werkt omdat modellen herhaaldelijk dezelfde aannemelijke packagenamen hallucineren, wat die namen voorspelbaar en de moeite waard maakt om te kraken.

• Small Language Model

  Een small language model (SLM) is een compact taalmodel, typisch onder ongeveer tien miljard parameters, ontworpen om snel en goedkoop te draaien, vaak op één GPU, een laptop, of een telefoon. Het ruilt de piekcapaciteit van frontier-modellen in voor lage latentie, lage kosten, dataprivacy, en de optie om on-device te implementeren.

• Spec-Driven Development

  Spec-driven development is de praktijk van een precieze specificatie schrijven, met vereisten en acceptatiecriteria, voordat een AI-agent begint te bouwen. De spec wordt de duurzame bron van waarheid waartegen de agent implementeert en reviewers verifiëren, en vervangt de verspreide prompt-geschiedenis die ad-hoc AI-coderen achterlaat.

• Structured Outputs

  Structured outputs is een techniek die het antwoord van een taalmodel dwingt te voldoen aan een door de developer aangeleverd schema, typisch JSON Schema, zodat stroomafwaartse code het kan parsen zonder defensief gokken. In plaats van te hopen dat het model zijn antwoord correct formatteert, beperkt de API generatie zodat alleen schema-geldige output mogelijk is.

• Subagent

  Een subagent is een kind-agent die een lead-agent spawnt om één afgebakende taak te behandelen in een apart contextvenster. Hij ontvangt een briefing, werkt onafhankelijk met zijn eigen tools en instructies, en geeft alleen zijn resultaat terug. De ouder houdt zijn eigen context schoon terwijl de subagent de verkennende ruis absorbeert. Anthropics onderzoekssysteem is op dit idee gebouwd, en start 3 tot 5 subagents parallel op, elk in zijn eigen contextvenster, om een complexe query te behandelen.

• Synthetic Data

  Synthetic data is kunstmatig gegenereerde data, meestal geproduceerd door een model in plaats van verzameld van echte gebruikers of events, gebruikt om AI-systemen te trainen, fine-tunen, of testen. Teams grijpen ernaar wanneer echte data schaars, privé, duur om te labelen, of zonder de randgevallen is die een model moet leren.

• System Prompt

  Een system prompt is de staande set instructies gegeven aan een taalmodel voor enige gebruikersinput, en definieert zijn rol, regels, toon, en beperkingen voor de hele sessie. In tegenstelling tot een gebruikersbericht persisteert het over elke beurt en krijgt het prioriteit wanneer instructies conflicteren, wat het het primaire besturingsoppervlak voor modelgedrag maakt.

T

• Tokenization

  Tokenization is het proces van tekst opsplitsen in tokens, de kleine stukken die een taalmodel daadwerkelijk leest, met een vast vocabulaire geleerd uit trainingsdata. Gangbare woorden worden enkele tokens terwijl zeldzame woorden opbreken in fragmenten, en elke model-API meet kosten en contextlimieten in de tokens die dit proces produceert. Als referentiepunt mapt Anthropics tokenizer ruwweg 3,5 Engelse tekens naar één token, met de verhouding variërend per taal.

• Tool Calling

  Tool calling is het vermogen van een taalmodel om externe functies aan te roepen, zoals een commando draaien, een API bevragen, of een bestand lezen, in plaats van alleen tekst te genereren. Het model geeft een gestructureerd verzoek af dat een tool en zijn argumenten noemt, de hostapplicatie voert het uit, en het resultaat voedt terug in de volgende stap van het model.

• Transformer Model

  Een transformer model is de neurale-netwerkarchitectuur achter moderne large language models. Zijn bepalende kenmerk is attention: lagen die elk token in een sequentie direct laten wegen tegen elk ander token bij het berekenen van wat volgt. Geïntroduceerd door Google-onderzoekers in 2017, verving het sequentiële architecturen omdat het efficiënt parallel traint op GPU's. Het originele model kondigde zichzelf aan met resultaten: 28,4 BLEU op WMT 2014 Engels-naar-Duits-vertaling, en versloeg het vorige beste, ensembles inbegrepen, met meer dan 2 BLEU.

U

V

• Vector-Embedding

  Een vector-embedding is een lijst getallen die de betekenis van een stuk tekst, code, of een beeld representeert, geproduceerd door een machine-learning-model. Content met gelijkende betekenis krijgt getallen die dicht bij elkaar zitten in die numerieke ruimte, wat software laat verwante items vinden door afstand te meten in plaats van trefwoorden te matchen.

• Vectordatabase

  Een vectordatabase is een datastore gebouwd om embeddings te bevatten, de numerieke vectoren die de betekenis van tekst, beelden, of code representeren, en om gelijkenisqueries erover snel te beantwoorden. Gegeven een queryvector geeft hij de opgeslagen items het dichtst in betekenis terug, wat hem de retrievalruggengraat maakt van RAG-systemen, semantische zoekopdracht, en agentgeheugen.

• Vibe Coding

  Vibe coding is software bouwen door in natuurlijke taal te beschrijven wat je wilt en de AI-gegenereerde code te accepteren zonder hem te reviewen of volledig te begrijpen. Je beoordeelt het resultaat op of het lijkt te werken, en ruilt zorgvuldigheid en begrip in voor snelheid. De term komt van een observatie van Andrej Karpathy uit 2025 dat developers nu konden "vergeten dat de code überhaupt bestaat."

W

X

Y

Z

• Zero-Shot Learning

  De promptinhoud. Zero-shot levert alleen instructies; few-shot voegt een handvol uitgewerkte input-output-demonstraties toe die het model moet imiteren. Zero-shot is goedkoper per aanroep en makkelijker te onderhouden, want er zijn geen voorbeelden om te cureren en consistent te houden. Few-shot wint wanneer formatprecisie, ongewone conventies, of randgeval-afhandeling ertoe doen, want demonstraties communiceren die dingen preciezer dan proza. Geen van beide werkt het model bij; beide zijn inferentiemoment-technieken, en de praktische workflow is beginnen met zero-shot, meten, en voorbeelden alleen toevoegen waar de metingen het zeggen.