# 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