diff --git a/Dev/7-уровней-claude-code-rag.md b/Dev/7-уровней-claude-code-rag.md
new file mode 100644
index 0000000..3c90348
--- /dev/null
+++ b/Dev/7-уровней-claude-code-rag.md
@@ -0,0 +1,133 @@
+# 7 уровней Claude Code и RAG
+
+**Дата:** 2026-04-29
+**Источник:** [The 7 Levels of Claude Code and RAG](https://www.youtube.com/watch?v=kQu5pWKS8GA)
+**Автор:** Chase AI
+
+---
+
+## Резюме
+
+Видео — это дорожная карта по системам памяти для Claude Code: от встроенных механизмов до продвинутого Graph RAG. Главная идея: большинству людей достаточно Obsidian, а настоящий RAG нужен лишь при работе с тысячами документов и сложными связями между ними. Ключевое напряжение — context rot: чем больше контекст, тем хуже качество ответов. Нужно не накапливать контекст бесконечно, а управлять памятью явно и структурированно.
+
+---
+
+## Уровни
+
+### Уровень 1 — AutoMemory (встроенная память)
+
+- Claude Code автоматически создаёт markdown-файлы в `~/.claude/projects/memory/`
+- Сохраняет то, что считает важным — без участия пользователя
+- **Проблема:** люди боятся закрывать окно чата → никогда не сбрасывают контекст → **context rot**
+- Context rot: чем больше заполнен контекст, тем хуже модель работает (пример: 256k из 1M = 92% → 78% эффективность)
+- **Вывод:** automemory недостаточно, нужен явный контроль памяти
+
+---
+
+### Уровень 2 — CLAUDE.md
+
+- Один файл с правилами и контекстом проекта, читается перед каждым промптом
+- Создаётся автоматически, редактируется вручную или через `/init`
+- **Ловушка:** раздутый rulebook — исследования показывают, что переполненный CLAUDE.md снижает качество
+- **Принцип:** меньше = лучше. Если контент не релевантен буквально каждому промпту — ему здесь не место
+- **Вывод:** высокий сигнал, нулевой шум
+
+---
+
+### Уровень 3 — State Files (множественные markdown-файлы)
+
+- Вместо одного CLAUDE.md — несколько специализированных файлов
+- Пример (паттерн GSD/orchestration): `project.md`, `requirements.md`, `roadmap.md`, `state.md`
+- CLAUDE.md становится **индексом**, указывающим на нужный файл
+- Борьба с context rot: инжектируем только релевантный контекст, а не всё подряд
+- **Аналог:** грубая реализация chunking + similarity search из RAG
+- **Ловушка:** файлы привязаны к конкретному проекту, плохо масштабируются между проектами
+
+---
+
+### Уровень 4 — Obsidian (рекомендуемый уровень для большинства)
+
+> 💡 **Для большинства людей — это финальный уровень. Дальше — избыточно.**
+
+- Бесплатный инструмент, vault = квази-RAG система из markdown-файлов
+- Архитектура (по Андрею Карпатому):
+  - `raw/` — сырые данные (staging area)
+  - `wiki/` — структурированные статьи с мастер-индексом
+  - `CLAUDE.md` — индекс структуры vault
+- Claude Code ищет: vault → wiki → master index → статья
+- Преимущества: человек видит все связи, бесплатно, нет оверхеда
+- **Когда не хватает:** тысячи документов + нужны сложные relationships + цена/скорость критичны
+- Сравнение: textual RAG vs textual LLM — разница до **1200x** по скорости и стоимости (данные 2025, с тех пор изменилось)
+
+---
+
+### Уровень 5 — Naive RAG (понять, не внедрять)
+
+- Цель уровня — **понять основы**, а не реализовывать
+- Как работает:
+  1. **Chunking** — документ делится на чанки
+  2. **Embedding** — каждый чанк → вектор через embedding-модель
+  3. **Vector DB** — многомерное пространство, похожие по смыслу вещи рядом
+  4. **Retrieval** — вопрос тоже превращается в вектор, находятся ближайшие чанки → подаются в LLM
+- **Проблемы naive RAG:**
+  - Чанки в изоляции — теряется контекст между ними
+  - Нет понимания связей между документами
+  - Без reranker — эффективность ~25%
+- **Ловушка:** не покупать "RAG системы" на Pinecone/Supabase без понимания, что это — просто сложный ctrl+F
+
+---
+
+### Уровень 6 — Graph RAG (LightRAG)
+
+- Вместо изолированных векторов — граф связей между сущностями
+- Инструмент: [LightRAG](https://github.com/HKUDS/LightRAG) — open-source, легковесный
+- Производительность vs naive RAG: +100% и более (31→68%, 24→76% и т.д.)
+- Гибридный подход: vector + graph query
+- **Отличие от Obsidian:** связи в Obsidian — ручные и произвольные; в LightRAG — автоматические, на основе реального содержимого
+- **Ловушка:** только текст — нет поддержки PDF, видео, изображений "из коробки"
+
+---
+
+### Уровень 7 — Agentic RAG (bleeding edge, апрель 2026)
+
+- **Multimodal ingestion:** RAGAnything (PDF, изображения, таблицы) + Gemini Embedding 2 (видео)
+- **Agentic routing:** агент сам решает — идти в graph RAG или делать SQL запрос в Postgres
+- **Data pipeline:** Google Drive → ingestion pipeline → LightRAG → логирование
+- Вопросы production: дедупликация, версионирование, права доступа, обновление данных
+- **Рекомендация для solo:** LightRAG + RAGAnything (open-source, легко попробовать и отказаться)
+- **Ловушка:** форсировать этот уровень без реальной необходимости — пустая трата времени
+
+---
+
+## Ключевые инсайты
+
+- **Context rot реален** — никогда не работать в одном окне до заполнения контекста
+- **CLAUDE.md — не дневник** — только то, что нужно в каждом промпте
+- **Obsidian first** — перед любым RAG попробовать Obsidian, он решает 80-99% задач
+- **Понять naive RAG** — без этого нельзя осознанно выбирать более сложные системы
+- **Эксперимент > теория** — никто не скажет тебе заранее, где твой предел масштаба
+- **LightRAG > Microsoft GraphRAG** — дешевле, проще, по бенчмаркам не хуже
+- **Зрелая архитектура:** CLAUDE.md + state files + Obsidian vault + graph RAG + agentic router
+
+---
+
+## Что применить
+
+- [ ] Проверить и почистить свой CLAUDE.md — убрать всё нерелевантное
+- [ ] Попробовать архитектуру с несколькими state-файлами для Pulse App
+- [ ] Obsidian vault уже есть → структурировать по паттерну `raw/` + `wiki/` + master index
+- [ ] Изучить LightRAG если Obsidian начнёт не справляться
+- [ ] Посмотреть видео про RAGAnything + LightRAG связку
+
+---
+
+## Ресурсы из видео
+
+- Видео: André Karpathy — LLM Knowledge Base on Obsidian
+- LightRAG GitHub (Microsoft Graph RAG альтернатива)
+- Chase AI Plus — модуль по production RAG
+- RAGAnything — multimodal ingestion
+
+---
+
+#claude #rag #ai #dev #obsidian #memory #llm