Słownik
Słownik AI i inżynierii danych
38 pojęć, które padają w rozmowach o wdrożeniach AI, wyjaśnionych jednym akapitem bez żargonu. Każde hasło prowadzi do usługi, w której to pojęcie ma praktyczne zastosowanie.
- Agent AI
Program oparty na modelu językowym, który samodzielnie planuje kroki i wykonuje je za pomocą narzędzi (API, baza, przeglądarka), zamiast tylko generować tekst. Agent produkcyjny ma zdefiniowany zestaw narzędzi, limity kosztu i ścieżkę eskalacji do człowieka. Zobacz zastosowanie →
- RAG (Retrieval-Augmented Generation)
Technika, w której przed odpowiedzią system wyszukuje fragmenty dokumentów firmowych i wstawia je do kontekstu modelu. Dzięki temu model odpowiada na podstawie Twoich danych i można wskazać źródło, a aktualizacja wiedzy sprowadza się do podmiany dokumentów. Zobacz zastosowanie →
- Multi-agent orchestration
Architektura, w której kilka wyspecjalizowanych agentów pracuje nad jednym procesem, a nadrzędna warstwa rozdziela zadania i scala wyniki. Stosuje się ją, gdy jeden agent z jednym promptem przestaje sobie radzić z rozgałęzionym procesem. Zobacz zastosowanie →
- Fine-tuning
Douczanie modelu na własnym zbiorze przykładów, które zmienia jego wagi. Sprawdza się przy narzucaniu stylu, formatu odpowiedzi lub wąskiej domeny. Nie nadaje się do wiedzy, która często się zmienia — do tego służy RAG. Zobacz zastosowanie →
- Baza wektorowa
Baza danych przechowująca teksty jako wektory liczb (embeddingi) i wyszukująca po podobieństwie znaczeniowym, a nie po dokładnym słowie. Fundament każdego wdrożenia RAG. W praktyce: Pinecone, Qdrant lub pgvector. Zobacz zastosowanie →
- Reranking
Drugi etap wyszukiwania, w którym osobny model przestawia kolejność znalezionych fragmentów według realnego dopasowania do pytania. Podnosi trafność odpowiedzi RAG bardziej niż powiększanie liczby zwracanych fragmentów. Zobacz zastosowanie →
- Hybrid search
Połączenie wyszukiwania słownikowego (BM25) z wektorowym. Pierwsze łapie dokładne nazwy, numery i sygnatury, drugie sens wypowiedzi. Razem działają lepiej niż każde osobno, zwłaszcza na dokumentach prawnych i technicznych. Zobacz zastosowanie →
- Halucynacja modelu
Odpowiedź brzmiąca wiarygodnie, ale niezgodna z faktami. Ogranicza się ją, dając modelowi źródła (RAG), wymuszając cytowanie fragmentów i odrzucając odpowiedzi bez pokrycia w dokumentach. Zobacz zastosowanie →
- Anti-bot bypass
Zestaw technik pozwalających pobierać dane z serwisów blokujących automaty: rotacja adresów IP, realny profil przeglądarki, obsługa CAPTCHA i naśladowanie ludzkiego tempa. Stosowany do monitoringu cen i dostępności. Zobacz zastosowanie →
- ETL
Skrót od Extract, Transform, Load — proces pobrania danych ze źródła, przekształcenia ich do wspólnego formatu i załadowania do hurtowni. Bez ETL dashboard pokazuje dane, których nie da się porównać między systemami. Zobacz zastosowanie →
- Pipeline
Automatyczny ciąg kroków przetwarzania uruchamiany harmonogramem lub zdarzeniem, z logowaniem, ponawianiem po błędzie i alertem przy awarii. Odróżnia produkcyjną automatyzację od skryptu odpalanego ręcznie. Zobacz zastosowanie →
- Lead scoring
Ocena potencjalnego klienta liczbą, wyliczana z danych o firmie i sygnałów intencji zakupowej. Model językowy pozwala uwzględnić w niej treść nieustrukturyzowaną — opis firmy, ogłoszenia o pracę, komunikaty prasowe. Zobacz zastosowanie →
- MRR
Monthly Recurring Revenue — powtarzalny przychód miesięczny z subskrypcji. Podstawowa miara zdrowia produktu SaaS, ważniejsza niż jednorazowa sprzedaż, bo pokazuje przychód, na który można planować. Zobacz zastosowanie →
- TTI (Time To Interactive)
Czas od wejścia na stronę do momentu, w którym da się z niej realnie korzystać. Na urządzeniach mobilnych to jedna z najważniejszych metryk konwersji — wartość poniżej 1,5 sekundy uznaje się za dobrą. Zobacz zastosowanie →
- Serverless
Model uruchamiania kodu, w którym nie utrzymujesz serwera — funkcja startuje na żądanie i skaluje się sama, a płacisz za wywołania. Obniża koszt utrzymania małych i średnich aplikacji do niemal zera przy niskim ruchu. Zobacz zastosowanie →
- RLS (Row Level Security)
Mechanizm bazy Postgres, który ogranicza dostęp do pojedynczych wierszy na poziomie samej bazy, a nie aplikacji. Dzięki temu błąd w kodzie frontendu nie wystarczy, żeby zobaczyć cudze dane. Zobacz zastosowanie →
- Fail-closed
Zasada projektowa: gdy system nie potrafi zweryfikować uprawnień lub limitu, odmawia dostępu zamiast go przyznać. Przeciwieństwo fail-open. Obowiązkowa wszędzie tam, gdzie za żądanie płaci właściciel usługi. Zobacz zastosowanie →
- GEO (Generative Engine Optimization)
Optymalizacja treści pod silniki generatywne — ChatGPT, Perplexity, Google AI Overviews — tak, żeby model potrafił ją wczytać, zrozumieć i zacytować. Kluczowe są: treść dostępna bez JavaScriptu, dane strukturalne i jednoznaczne fakty o podmiocie. Zobacz zastosowanie →
- AEO (Answer Engine Optimization)
Optymalizacja pod bezpośrednie odpowiedzi: każdy nagłówek jest pytaniem, a pierwsze zdanie pod nim pełną odpowiedzią, którą da się wyciąć i pokazać samodzielnie. Uzupełniana danymi strukturalnymi FAQPage. Zobacz zastosowanie →
- Pętla narzędziowa (tool loop)
Cykl działania agenta: model wybiera narzędzie, system je wykonuje, wynik wraca do modelu, model decyduje o kolejnym kroku. Pętla musi mieć twardy limit iteracji — bez niego agent potrafi krążyć wokół tego samego kroku i zużywać budżet. Zobacz zastosowanie →
- Tool calling (wywoływanie narzędzi)
Zdolność modelu do zwrócenia ustrukturyzowanego wywołania funkcji zamiast tekstu. Bez niej agent nie wykona zadania, tylko o nim opowie — dlatego przy modelach lokalnych trzeba to sprawdzić przed oceną, że „agent nie działa”. Zobacz zastosowanie →
- MCP (Model Context Protocol)
Standard podłączania narzędzi do agenta jako osobnych serwerów. Agent pyta serwer o listę narzędzi i wywołuje je po nazwie, więc integracja przestaje być częścią agenta i staje się wymienialnym elementem, testowanym osobno. Zobacz zastosowanie →
- Okno kontekstu
Maksymalna liczba tokenów na jedno zapytanie: prompt systemowy, historia, schematy narzędzi i ich wyniki, plus miejsce na odpowiedź. Agent płaci za kontekst przy KAŻDEJ turze pętli, dlatego kompresja historii obniża rachunek szybciej niż zmiana modelu. Zobacz zastosowanie →
- Wstrzyknięcie promptu (prompt injection)
Atak, w którym niezaufany tekst (strona, e-mail, zgłoszenie) zawiera instrukcję dla modelu i wpływa na wybór narzędzi. Nie da się go w pełni odfiltrować — obroną jest ograniczenie uprawnień narzędzi i potwierdzanie operacji nieodwracalnych. Zobacz zastosowanie →
- Fail-closed (bezpieczna odmowa)
Zasada projektowa: brak konfiguracji oznacza odmowę działania, nie działanie bez ochrony. Przykład: bot bez listy dozwolonych nadawców nie odpowiada nikomu, a serwer bez sekretu nie startuje. Zobacz zastosowanie →
- Cicha awaria
Sytuacja, w której operacja się nie udała, ale program tego nie zgłasza — bo ignoruje wynik zapisu albo łapie wyjątek i idzie dalej. Najdroższa klasa błędów w agentach, bo funkcja „istnieje” i nikt jej nie sprawdza. Zobacz zastosowanie →
- Sub-agent
Osobna instancja agenta uruchamiana do zadania cząstkowego, z własnym kontekstem. Pozwala pracować równolegle nad niezależnymi zadaniami i chroni główny kontekst przed zaśmieceniem szczegółami rozpoznania. Zobacz zastosowanie →
- Pamięć trwała agenta
Fakty i wyuczone zasady zachowania przechowywane między sesjami, zwykle per konto. Odpowiada na pytanie „jak mam pracować z tym użytkownikiem”, w odróżnieniu od RAG, który odpowiada „co jest w dokumentach”. Zobacz zastosowanie →
- Budżet tokenów
Limit zużycia w oknie czasowym (np. 5 godzin) z twardym odcięciem. Chroni przed kosztem pomyłki w pętli narzędziowej, która potrafi zużyć miesięczny limit w minutach. Uzupełnia limit częstości zapytań, nie zastępuje go. Zobacz zastosowanie →
- Test negatywny
Sprawdzenie, że test PADA po celowym zepsuciu kodu, który ma chronić. Bez tego kroku nie wiadomo, czy test dotyka badanej ścieżki — zielony zestaw testów potrafi współistnieć z całkowicie niedziałającą funkcją. Zobacz zastosowanie →
- Dostawca modelu (provider)
Usługa udostępniająca model przez API zgodne z OpenAI: ZAZA, OpenRouter, opencode zen, NVIDIA NIM, Groq, albo serwer lokalny (Ollama, LM Studio, llama.cpp). Agent powinien pozwalać go zmienić jedną komendą, bez zmiany reszty konfiguracji. Zobacz zastosowanie →
- Model lokalny
Model uruchomiony na własnym komputerze lub serwerze. Zero opłat za tokeny i brak wysyłania danych na zewnątrz; ograniczeniem bywa brak tool-callingu i mniejsze okno kontekstu, co przekłada się na słabsze planowanie długich zadań. Zobacz zastosowanie →
- Device-code flow
Sposób logowania narzędzi terminalowych: program pokazuje kod, użytkownik zatwierdza go w przeglądarce, a narzędzie otrzymuje token. Pozwala zalogować się na maszynie bez przeglądarki, na przykład przez SSH. Zobacz zastosowanie →
- Sesja agenta w chmurze
Historia rozmowy zapisana po stronie konta, nie komputera. Rozwiązuje typowy problem harnessów AI: pracę zaczętą na jednej maszynie można kontynuować na innej, z tym samym kontekstem i tymi samymi nawykami agenta. Zobacz zastosowanie →
- Allowlista nadawców
Lista identyfikatorów, którym agent wolno wydawać polecenia przez kanał zewnętrzny (Telegram, webhook, e-mail). Domyślnie pusta i zamknięta — inaczej sterowanie agentem oddaje się nieznanym osobom. Zobacz zastosowanie →
- Retencja pamięci
Zasady usuwania danych, które straciły wartość: wpisy z terminem ważności, pułap liczby streszczeń sesji, czyszczenie dostarczonych wiadomości. Mechanizm retencji, którego nikt nie wywołuje, jest wart tyle co jego brak. Zobacz zastosowanie →
- AEO (Answer Engine Optimization)
Przygotowanie treści pod wyszukiwarki odpowiedzi i modele językowe: odpowiedź na początku, dane strukturalne, jednoznaczne fakty i liczby. Celem jest bycie cytowanym w odpowiedzi, nie tylko wysoko na liście linków. Zobacz zastosowanie →
- GEO (Generative Engine Optimization)
Optymalizacja widoczności w wynikach generowanych przez AI. W praktyce: spójne fakty w całym serwisie, plik z pełną treścią dla modeli (llms.txt), schematy danych i unikanie sprzeczności między podstronami. Zobacz zastosowanie →