8.8 KiB
8.8 KiB
7 уровней Claude Code и RAG
Дата: 2026-04-29 Источник: The 7 Levels of Claude Code and RAG 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-индексомCLAUDE.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:
- Chunking — документ делится на чанки
- Embedding — каждый чанк → вектор через embedding-модель
- Vector DB — многомерное пространство, похожие по смыслу вещи рядом
- 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 — 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