Glossario
Definizioni in parole semplici, senza dare per scontata alcuna conoscenza pregressa. Sfoglialo, oppure cerca un termine che hai incontrato altrove.
Ripassa l'essenziale con le flashcard — tocca per girarle:
Agent
Un'AI configurata per compiere azioni in un loop — legge un obiettivo, chiama tool, osserva i risultati e ripete finché non ha finito. Claude Code è un agent per la tua codebase.
Anthropic
L'azienda che crea Claude.
API (Application Programming Interface)
Un modo per far comunicare il tuo software con Claude in modo programmatico, anziché scrivere in una finestra di chat. Vedi La tua prima chiamata API.
Artifact
Un output vivo ed eseguibile (un'app, un grafico o un documento) che Claude visualizza in un pannello laterale su claude.ai, separato dalla chat.
Chain-of-thought (CoT)
Chiedere al modello di ragionare passo dopo passo prima di rispondere, il che migliora l'accuratezza sui problemi difficili.
Claude
La famiglia di modelli AI (e di app) realizzata da Anthropic. "Claude" può indicare l'app di chat, i modelli o il marchio, a seconda del contesto.
Claude Code
Lo strumento agentico da riga di comando/IDE di Anthropic, capace di leggere e modificare la tua codebase, eseguire comandi e usare tool. Vedi Che cos'è Claude Code.
CLAUDE.md
Un file di testo semplice in cui dai a Claude Code istruzioni persistenti sul tuo progetto: la sua personalizzazione a più alto impatto.
Compaction
Condensare automaticamente i turni più vecchi della conversazione in un breve riassunto quando la context window si riempie, così una sessione lunga può proseguire senza perdere il filo. Vedi Gestione del contesto.
Context engineering
Decidere deliberatamente cosa entra nella context window del modello — istruzioni, esempi, dati recuperati — per ottenere il risultato migliore. La disciplina dietro prompting, RAG e memoria.
Context window
La quantità massima di testo (misurata in token) che un modello può considerare in una sola volta — il tuo prompt più la sua risposta. Superala e i contenuti più vecchi vengono scartati.
Effort
Un controllo, sui modelli Claude più recenti, su quanto all'incirca il modello pensa prima di rispondere. Adatta il livello al task invece di portarlo al massimo — il pensiero lo paghi in latenza e costo. Vedi Extended Thinking ed Effort.
Embedding
Una lista di numeri che rappresenta il significato di un brano di testo, così il software può trovare cose simili per significato (non solo per corrispondenza di parole chiave). Alla base della ricerca semantica e del RAG.
Eval (evaluation)
Un test ripetibile della qualità dell'output dell'AI, così puoi capire se una modifica ha migliorato o peggiorato le cose.
Few-shot
Includere alcuni esempi svolti nel prompt per mostrare al modello lo schema che desideri.
Fine-tuning
Addestrare ulteriormente un modello sui tuoi esempi per specializzarlo. Di solito è l'ultima risorsa — prima prova prompting e RAG.
Grounding
Istruire il modello a rispondere solo a partire dal contesto che fornisci — e a dire "Non lo so" quando la risposta non c'è. La principale difesa, a livello di prompt, contro l'allucinazione. Vedi la Pattern Library.
Guardrails
Regole e limiti che mantengono il comportamento di un'AI sicuro e in linea con l'obiettivo — es. regole di permesso, "esegui i test prima di concludere", o approvazione umana per le azioni rischiose. Vedi Mettere in sicurezza gli agent.
Hallucination
Quando un modello afferma qualcosa di falso ma con sicurezza. L'abilità fondamentale è la verifica. Vedi Allucinazioni.
Hook
In Claude Code, un comando che si esegue automaticamente a un evento del ciclo di vita (es. dopo ogni modifica di un file) per imporre formattazione, controlli o sicurezza.
Inference
L'atto di eseguire un modello per ottenere un output (a differenza del suo addestramento).
Knowledge cutoff
La data oltre la quale un modello non ha dati di addestramento: davvero non sa cosa è accaduto dopo, a meno che tu non gli fornisca i fatti nel prompt. Il cutoff di Claude è pubblicato nelle release notes di ciascun modello. È per questo che chiedere di eventi molto recenti senza contesto può produrre risposte obsolete o inventate; il rimedio è incollare i fatti rilevanti oppure usare un tool che recupera informazioni aggiornate.
Latency
Quanto tempo aspetti per una risposta. I modelli più grandi sono di solito più lenti; lo streaming migliora la latenza percepita mostrando l'output man mano che viene generato.
LLM (Large Language Model)
Il tipo di AI dietro Claude: addestrata a predire il prossimo blocco di testo, cosa che si rivela sufficiente per scrivere, programmare, riassumere e ragionare. Vedi Cos'è un LLM?.
MCP (Model Context Protocol)
Uno standard aperto per collegare l'AI a tool e dati esterni (database, GitHub, browser). Un "server MCP" espone un tool; Claude può chiamarlo. Vedi MCP.
Multimodal
Un modello che gestisce più del solo testo — ad esempio immagini e PDF come input.
Output style
In Claude Code, un preset che cambia il modo in cui Claude comunica (es. conciso, esplicativo, didattico) senza cambiare ciò che può fare. Vedi Output Style.
Permission mode
In Claude Code, quanto può fare senza chiedere — dal chiedere conferma a ogni azione fino all'accettare automaticamente le modifiche. La principale manopola velocità-vs-sicurezza. Vedi Permessi.
Plan mode
Una modalità di Claude Code in sola lettura che indaga e propone un piano prima di toccare qualsiasi file — tu approvi prima che agisca. Vedi Plan Mode.
Prompt
Ciò che invii al modello: le tue istruzioni, la domanda e qualsiasi contesto.
Prompt caching
Riutilizzare la parte iniziale invariata di un prompt tra una chiamata e l'altra per ridurre costo e latenza. Vedi Prompt Caching.
Prompt injection
Un attacco in cui istruzioni malevole nascoste nel contenuto che l'AI legge (una pagina web, un documento) cercano di dirottarla. Vedi Prompt Injection.
RAG (Retrieval-Augmented Generation)
Recuperare frammenti rilevanti dai tuoi dati e aggiungerli al prompt, così il modello risponde basandosi su di essi. Vedi RAG.
Reasoning / extended thinking
Una modalità in cui il modello dedica risorse di calcolo extra a "pensare" prima di rispondere, per i task più difficili. Sui modelli più recenti la regoli con l'effort.
Skill
Una capacità impacchettata (istruzioni + script opzionali) che Claude carica su richiesta quando è rilevante. Vedi Skill.
Slash command
Una scorciatoia con prefisso / in Claude Code — integrata (come /clear) o un tuo prompt riutilizzabile — che innesca un'azione definita. Vedi Slash Command.
Streaming
Inviare l'output del modello token per token mentre viene generato, invece di attendere l'intera risposta. Per l'utente sembra che il modello stia scrivendo in tempo reale; per chi sviluppa significa elaborare uno stream di chunk anziché un singolo oggetto risposta. Migliora drasticamente la latenza percepita sugli output lunghi e ti permette di iniziare il rendering prima che il modello finisca. Vedi Streaming.
Structured output
Ottenere risultati in una forma rigida e leggibile dalle macchine (es. JSON conforme a uno schema) anziché testo libero — così altri software possono farci affidamento. Vedi Output strutturato.
Subagent
Un'istanza separata di Claude con il proprio contesto e i propri tool, usata per delegare parte di un task (es. la ricerca) così che la sessione principale resti concentrata.
System prompt
Le istruzioni di alto livello che definiscono il ruolo e le regole del modello per un'intera conversazione — la tua leva di orientamento più potente.
Temperature
Un'impostazione (su alcuni modelli) che controlla la casualità: bassa = focalizzata e ripetibile, alta = varia e creativa.
Token
L'unità che i modelli leggono e contano — circa ¾ di una parola in inglese. Prezzi e limiti di contesto sono misurati in token. Vedi Token e contesto.
Tool use / function calling
Permettere al modello di chiamare funzioni che definisci tu (ricerca, calcolatrice, la tua API) e di usarne i risultati. Vedi Tool Use.
Zero-shot
Chiedere al modello di svolgere un task senza esempi — solo istruzioni. La maggior parte dei prompt di ogni giorno è zero-shot. In contrasto con il few-shot, in cui includi esempi svolti per guidare formato o stile. Lo zero-shot va benissimo per i task lineari; aggiungi esempi quando il modello continua a sbagliare la forma dell'output che vuoi.
Manca un termine? Aggiungilo — le voci di glossario sono un primo contributo perfetto.