AI-terminologia
agent loop
Agent loop on agentin perusrytmi: malli päättää seuraavan askeleen, kutsuu työkalua, lukee tuloksen ja päättää taas, kunnes tehtävä on valmis tai raja tulee vastaan. Loopin ohjaus, kuten kierrosten määrä ja pysähtymisehdot, ratkaisee paljolti, kuinka luotettavasti agentti toimii.
aliagentti
Aliagentti (subagent) on pääagentin käynnistämä erillinen agentti, joka hoitaa osatehtävän omassa kontekstissaan ja palauttaa vain tuloksen. Näin pääagentin konteksti ei täyty yksityiskohdista, ja osatehtäviä voi ajaa rinnakkain. Claude Code ja Codex käyttävät aliagentteja esimerkiksi koodin etsimiseen ja tarkistamiseen.
avointen painojen malli
Avointen painojen mallin painot voi ladata ja ajaa itse, esimerkiksi DeepSeekin, Qwenin ja Mistralin malleissa. Se ei ole sama kuin avoin lähdekoodi: koulutusaineisto pysyy yleensä salassa, ja lisenssi voi rajoittaa kaupallista käyttöä.
benchmark
Benchmark on vakiotesti, jolla mallien kykyjä verrataan samoilla tehtävillä, esimerkiksi ohjelmoinnissa, matematiikassa tai agenttityössä. Tuloksia lukiessa kannattaa katsoa, kuka testin ajoi ja millä asetuksilla, koska valmistajan omat luvut ja riippumattomat mittaukset eroavat usein. Hyvä tulos testissä ei aina tarkoita hyvää tulosta omassa työssä.
CLI
CLI (command-line interface) on tekstipohjainen käyttöliittymä, jossa ohjelmaa käytetään kirjoittamalla komentoja hiiren ja painikkeiden sijaan. Monet koodausagentit, kuten Claude Code ja Codex CLI, toimivat juuri näin. Komentorivillä agentti voi ajaa samoja työkaluja kuin kehittäjä ja jatkaa työtä ilman ihmistä esimerkiksi yöllä.
commit
Commit on yksi repositorioon tallennettu muutos: joukko muutettuja tiedostoja ja lyhyt kuvaus siitä, mitä tehtiin ja miksi. Pienet ja hyvin kuvatut commitit tekevät muutoshistoriasta luettavan, ja virheellisen muutoksen voi perua yksinään. Agentit voivat tehdä commiteja työnsä edetessä käyttäjän ohjeiden ja työkalun asetusten mukaan.
fine-tuning
Fine-tuning tarkoittaa valmiin mallin jatkokoulutusta pienellä, tarkoin valitulla aineistolla, jotta malli oppii tietyn tehtävän, tyylin tai alan. Sillä mallin saa esimerkiksi noudattamaan yrityksen vastaustapaa tai tunnistamaan alan omat asiakirjat. Usein hyvä kehote tai skill riittää, ja fine-tuning kannattaa vasta niiden jälkeen.
GPU
GPU (grafiikkasuoritin) on alun perin kuvien piirtämiseen tehty piiri, joka tekee tuhansia laskutoimituksia rinnakkain. Siksi se sopii tekoälymallien koulutukseen ja ajamiseen, ja konesalien GPU:t, kuten Nvidian palvelinpiirit, ovat keskeisiä tekoälylaskennan resursseja. Tavallisen tietokoneen näytönohjain perustuu samaan tekniikkaan pienemmässä mittakaavassa.
graph engineering
Graph engineering tarkoittaa agentin työn rakentamista graafiksi: vaiheet ovat solmuja ja niiden väliset siirtymät sääntöjä. Vapaan agent loopin sijaan kehittäjä määrää, missä järjestyksessä ja millä ehdoilla agentti etenee. Silloin monivaiheinen työ on ennustettavampaa ja helpompi tarkistaa.
hallusinaatio
Hallusinaatio tarkoittaa, että malli tuottaa uskottavalta kuulostavaa mutta väärää tietoa, esimerkiksi keksityn lähteen, luvun tai sitaatin. Taustalla voivat olla esimerkiksi koulutusaineiston puutteet ja se, ettei uskottavan tekstin tuottaminen takaa tosiasioiden oikeellisuutta. Riski pienenee, kun malli saa lähteet käyttöönsä ja sen vastaus tarkistetaan niitä vasten.
harness
Harness on mallin ympärille rakennettu ohjelma, joka tekee siitä agentin: se antaa mallille työkalut, ohjeet ja kontekstin, ajaa sen työvaiheet ja valvoo oikeuksia. Claude Code ja Codex ovat harnesseja. Sama malli voi toimia eri harnessissa selvästi paremmin tai huonommin, ja siksi puhutaan harness engineeringistä.
hiekkalaatikko
Hiekkalaatikko (sandbox) on eristetty ympäristö, jossa agentti voi ajaa ohjelmia ja muokata tiedostoja niin, ettei se pääse ilman lupaa muuhun koneeseen, salasanoihin tai verkkoon. Jos agentti tekee virheen tai sitä huijataan, hiekkalaatikko rajaa vahinkoja, mutta ei takaa täydellistä suojaa. Siksi koodausagentteja ajetaan yhä useammin hiekkalaatikossa.
hook
Hook on tapahtumaan kytketty ohjelma, jonka agentti ajaa automaattisesti, esimerkiksi ennen työkalukutsua tai tiedoston muokkauksen jälkeen. Hookilla voi estää vaarallisen komennon, ajaa testit tai tarkistaa muotoilun joka kerta. Hook käynnistyy määritellystä tapahtumasta ilman mallin muistamista, mutta sen suoritus voi silti epäonnistua.
inferenssi
Inferenssi (inference) tarkoittaa valmiin mallin käyttöä eli sen ajamista vastausten tuottamiseksi, erotuksena mallin koulutuksesta. Kysymyksen käsittely ja tokenien tuottaminen mallilla ovat inferenssiä; agentin työkalujen ajaminen on erillistä toimintaa. Kun tekoälyä käytetään yhä enemmän, inferenssin hinta ja nopeus ratkaisevat yhä enemmän, mitä tekoäly maksaa.
kehote
Kehote (prompt) on mallille annettu syöte: ohje, kysymys ja siihen liitetty aineisto. Kehotteen selkeys, esimerkit ja rajaukset vaikuttavat suoraan vastauksen laatuun. Agenteissa kehotteeseen kuuluvat myös pysyvät ohjeet, jotka agentti lukee jokaisen tehtävän alussa.
konteksti-ikkuna
Konteksti-ikkuna on se tokenmäärä, jonka malli näkee kerralla: ohjeet, keskustelu, liitetyt tiedostot ja vastaus yhteensä. Kun ikkuna täyttyy, sovelluksen on poistettava tai tiivistettävä sisältöä, tai käsittely voi keskeytyä. Suuri ikkuna ei takaa, että malli käyttää kaiken sisällön yhtä hyvin.
kontekstin tiivistys
Kontekstin tiivistys (compaction) tarkoittaa, että agentti korvaa täyttyvän kontekstin tiivistelmällä ja jatkaa työtä sen pohjalta. Ilman tiivistystä tai muuta kontekstin hallintaa pitkä tehtävä voi katketa konteksti-ikkunan rajaan. Tiivistyksessä voi kadota yksityiskohtia, ja siksi agentit tallentavat tärkeän tiedon myös tiedostoihin.
koodausagentti
Koodausagentti on ohjelmointiin erikoistunut agentti, joka lukee koodipohjaa, tekee muutoksia, ajaa testejä ja korjaa virheitä itse. Tunnetuimpia ovat Claude Code, OpenAI:n Codex, GitHub Copilotin agentti ja Cursor. Kehittäjän työ siirtyy kirjoittamisesta ohjaamiseen ja tarkistamiseen.
koulutusaineisto
Koulutusaineisto on se teksti, koodi, kuvat ja muu data, josta malli on oppinut. Sen laatu ja laajuus ratkaisevat paljolti, mitä malli osaa ja millaisia virheitä ja vinoumia sillä on. Valmistajat kertovat koulutusaineistostaan harvoin tarkasti, ja aineiston tekijänoikeuksista käydään oikeutta.
kärkimalli
Kärkimalli (frontier model) on kyvyiltään alan kärkeen kuuluva malli, kuten kulloinenkin uusin GPT, Claude tai Gemini. Termiä käytetään erityisesti sääntelyssä ja turvallisuustutkimuksessa, koska niiden kehittyvät kyvyt voivat tuoda uusia riskejä.
käyttöraja ja rate limit
Käyttöraja (usage limit) kertoo, paljonko palvelua saa tilauksen puitteissa käyttää tietyssä ajassa, esimerkiksi viiden tunnin tai viikon kiintiö. Rate limit taas rajaa esimerkiksi pyyntöjen tai käsiteltyjen tokenien määrää minuutissa tai päivässä. Kun raja täyttyy, agentti voi joutua odottamaan tai tarvitsemaan lisäkiintiötä, mikä voi keskeyttää pitkän työn.
LLM
LLM (large language model) on suurilla aineistoilla koulutettu neuroverkko, joka käsittelee kieltä. Tekstiä tuottavia malleja opetetaan usein ennustamaan seuraavaa tokenia, mikä luo pohjan kirjoittamiselle, kääntämiselle, ohjelmoinnille ja päättelylle. ChatGPT, Claude ja Gemini perustuvat LLM:iin.
mallin painot
Mallin painot ovat koulutuksessa opittuja parametrien arvoja; niiden lisäksi tarvitaan mallin rakenne ja sen ajamiseen sopiva ohjelmisto. Kun valmistaja julkaisee painot, mallia voi ajaa ja muokata omalla laitteistolla. Koulutusaineisto ja -koodi tulevat mukana harvoin.
MCP
MCP (Model Context Protocol) on avoin standardi, jolla agentti liitetään ulkoisiin työkaluihin ja tietolähteisiin, kuten sähköpostiin, kalenteriin tai tietokantaan. Sama liitäntä toimii eri valmistajien agenteissa, joten palvelua ei tarvitse kytkeä jokaiseen erikseen. Anthropic julkaisi MCP:n vuonna 2024, ja nyt sitä tukevat myös OpenAI ja Google.
MCP-palvelin
MCP-palvelin on ohjelma, joka tarjoaa agentille työkaluja, tietoa tai kehotepohjia MCP:n kautta, esimerkiksi tiedostoja tai tietokantahakuja. Jos palvelin tarjoaa työkaluja, agentti voi kutsua niitä oikeuksiensa rajoissa. Jokainen palvelin on samalla ovi omiin tietoihin, joten sen oikeudet kannattaa rajata tarkasti.
MoE-malli
MoE-malli (mixture of experts) koostuu monesta asiantuntijaosasta, joista jokaista tokenia kohden käytetään vain muutamaa. Siksi esimerkiksi 120 miljardin parametrin MoE-malli voi toimia vain 12 miljardilla aktiivisella parametrilla, ja se on nopeampi ja halvempi ajaa kuin yhtä suuri tavallinen malli.
parametri
Parametrit ovat mallin sisäisiä lukuja, joita koulutus säätää. Niihin tallentuu se, mitä malli on oppinut. Mallin koko ilmoitetaan parametreina, ja esimerkiksi 120 miljardin parametrin malli tarvitsee ajaakseen paljon muistia.
pull request
Pull request on ehdotus yhdistää muutokset projektin valittuun versiohaaraan; muut voivat tarkistaa sen ennen yhdistämistä. Siinä näkyvät muutetut rivit, keskustelu ja automaattisten testien tulokset. Koodausagentit avaavat yhä useammin pull requestin, jonka ihminen hyväksyy tai hylkää.
päättely
Päättely tarkoittaa, että malli käy tehtävän läpi vaiheittain ennen vastausta, usein näkymättömänä ajatteluna. Päättely voi parantaa monivaiheisten ongelmien, kuten ohjelmointivirheen tai laskun, ratkaisemista, mutta lisää usein vastausaikaa ja kustannuksia.
päättelytaso
Päättelytaso ohjaa mallin käyttämää työmäärää, joissakin palveluissa myös vastauksen ja työkalukutsujen laajuutta. Matala taso yleensä säästää aikaa ja kustannuksia; korkea voi parantaa vaikeiden tehtävien tuloksia. OpenAI:lla asetus on nimeltään reasoning effort, Anthropicilla effort.
repositorio
Repositorio on paikka, jossa säilytetään projektin tiedostot ja niiden koko muutoshistoria, esimerkiksi GitHubissa. Siitä näkee, kuka muutti mitä ja milloin, ja mihin tahansa aiempaan versioon voi palata. Koodausagentti tekee muutoksensa repositorioon samaan tapaan kuin ihminen.
reward hacking
Reward hacking tarkoittaa, että malli oppii saamaan koulutuksessa palkkion täyttämällä mittarin kirjaimen mutta ei tehtävän tarkoitusta. Koodausmalli voi esimerkiksi muokata testejä niin, että ne menevät läpi, vaikka ohjelma ei toimi. Siksi agentin ilmoittamaa onnistumista ei pidä pitää todisteena ilman erillistä tarkistusta.
SDK
SDK (ohjelmistokehityspaketti) sisältää valmiita ohjelman osia, työkaluja ja ohjeita, joilla kehitetään sovelluksia tietylle alustalle tai käytetään palvelua. Esimerkiksi Anthropicin ja OpenAI:n agentti-SDK:lla voi rakentaa oman agentin kirjoittamatta kaikkea alusta. SDK säästää työtä mutta sitoo usein yhden valmistajan tapaan toimia.
skill
Skill on agentille tallennettu valmis työtapa, jonka voi käynnistää sen nimisellä komennolla, esimerkiksi itse luodulla /audit-komennolla. Agentti voi ottaa sen käyttöön myös itse, kun tehtävä sitä vaatii. Skill kertoo, miten tietty työ tehdään, esimerkiksi suunnitelman laatiminen tai koodin tarkastus, joten hyvää työtapaa ei tarvitse selittää joka kerta uudelleen.
tekoälyagentti
LLM-pohjainen tekoälyagentti on ohjelma, joka ei vain vastaa vaan toimii: se valitsee työkaluja, ajaa niitä, lukee tulokset ja jatkaa, kunnes tehtävä on valmis. Agentti voi esimerkiksi etsiä tietoa verkosta, muokata tiedostoja ja ajaa testit ilman, että ihminen ohjaa jokaista vaihetta.
token
Token on pala tekstiä, jonka malli käsittelee kerrallaan: lyhyt sana, sanan osa tai välimerkki. Kontekstin koko mitataan tokeneina, hinta usein tokenmäärän mukaan ja tuottonopeus tokeneina sekunnissa. Suomen- ja ruotsinkielinen teksti voi viedä enemmän tokeneita kuin sama asia englanniksi; ero riippuu mallista.
työkalukutsu
Työkalukutsu on mallin pyyntö käyttää jotakin työkalua, esimerkiksi hakea verkosta, lukea tiedosto tai ajaa komento. Malli ei itse tee toimintoa, vaan harness suorittaa sen ja palauttaa tuloksen mallille. Työkalukutsujen avulla kielimallista tulee agentti, joka toimii eikä vain vastaa.
työpuu
Työpuu (worktree) on saman repositorion erillinen työkopio, jossa voi tehdä muutoksia koskematta päätyöhön. Koodausagentit käyttävät työpuita, jotta usea agentti tai istunto voi työskennellä samassa projektissa rinnakkain sotkematta toistensa tiedostoja. Valmis työ yhdistetään lopuksi päätyöhön esimerkiksi pull requestina.
vahvistusoppiminen
Vahvistusoppiminen (reinforcement learning, RL) on koulutustapa, jossa malli kokeilee, saa jokaisesta yrityksestä palkkion tai rangaistuksen ja oppii toistamaan sitä, mikä tuottaa palkkion. Monia päättelymalleja ja koodausagenttien käyttämiä malleja jatkokoulutetaan näin, esimerkiksi palkitsemalla oikeasta vastauksesta tai läpäistyistä testeistä.
viive
Viive (latency) on aika pyynnöstä vastaukseen, usein eriteltynä aikaan ensimmäiseen tokeniin ja koko vastauksen valmistumiseen. Keskustelussa lyhyt viive tuntuu sujuvalta, mutta agentissa viiveet kertautuvat, koska tehtävä koostuu kymmenistä peräkkäisistä mallikutsuista. Siksi nopeampi malli voi saada työn valmiiksi aiemmin, vaikka se olisi hieman heikompi.
välimuisti
Välimuisti (cache) säilyttää kerran käsitellyn syötteen, jotta sitä ei tarvitse käsitellä uudelleen. Kun agentti lähettää mallille saman pitkän ohjeen ja aineiston kerta toisensa jälkeen, välimuistista luettu osa on selvästi halvempi ja nopeampi. Kehotevälimuisti (prompt caching) voi pudottaa toistuvan työn kustannuksia merkittävästi.