Die 7 Stufen von Claude Code & RAG

하이라이트

• Das Kontextfenster von Claude Code verliert bei einer Füllung von 256.000 Token etwa 8 % seiner Genauigkeit und sinkt am Ende auf 78 %.

• RAG-Systeme können im Vergleich zu reinen LLM-Abfragen bei großen Datenmengen eine bis zu 1200-fache Kosten- und Zeitersparnis erzielen.

• Die Nutzung von Obsidian als strukturiertes Wiki dient für 99 % der Einzelanwender als kostenlose und wartungsfreie Alternative zu komplexen RAG-Datenbanken.

• GraphRAG-Systeme wie LightRAG steigern die Antwortqualität gegenüber naivem RAG in Tests um über 100 % durch die Extraktion von Entitäten und Beziehungen.

• Moderne Embedding-Modelle wie Gemini Embedding 2 ermöglichen seit März 2026 die direkte Einbettung von Videoinhalten in Vektordatenbanken.

• Effektive Gedächtnis-Architekturen nutzen die claud.md-Datei lediglich als Index, der auf spezialisierte Dateien wie project.md oder roadmap.md verweist.

타임라인

1. 00:00 - 09:00

   Das Problem der Kontext-Fäulnis und Auto-Memory

   Das Phänomen der Context Rot beschreibt den Leistungsabfall von 92 % auf 78 % bei Claude Code innerhalb eines 1-Million-Token-Fensters. Viele Nutzer löschen ihre Sitzungen nicht aggressiv genug, was zu unpräzisen Antworten und hohen Kosten führt. Auto-Memory fungiert dabei lediglich als digitale Post-it-Notiz ohne echte strategische Steuerung.

   • KI-Modelle verlieren drastisch an Effektivität, je voller das Kontextfenster durch lange Sitzungen wird.
   • Das native Auto-Memory-System von Claude Code erstellt eigenständig Markdown-Notizen im .claud-Ordner.
   • Die Angst vor Informationsverlust führt zu neurotischem Chat-Verhalten und explodierenden Token-Kosten.
2. 09:01 - 15:50

   Strukturierung durch claud.md und spezialisierte Markdown-Dateien

   Studien zu agents.md belegen, dass zu umfangreiche Anweisungsdateien die Effektivität mindern, da sie in jeden Prompt injiziert werden. Ein besserer Ansatz ist die Aufteilung in Chunks innerhalb der Codebasis. Tools wie das GSD-Framework nutzen diese Architektur, um der KI einen klaren Pfad durch Roadmap- und State-Dateien zu geben.

   • Überladene claud.md-Dateien verschlechtern die Modellleistung durch unnötiges Rauschen bei jedem Prompt.
   • Spezialisierte Dateien wie project.md oder requirements.md trennen Kontext und Konventionen sauber voneinander.
   • Zentralisierte Index-Dateien weisen der KI den Weg zu relevanten Informationen, anstatt alles gleichzeitig zu laden.
3. 15:51 - 25:53

   Obsidian als skalierbare Wissensdatenbank

   Das von Andre Karpathy inspirierte System nutzt Obsidian als strukturiertes Datei-Archiv, in dem Rohdaten zu Wikipedia-ähnlichen Artikeln verarbeitet werden. Claude Code greift über Grep-Tools auf diesen Vault zu. Dies schließt die Lücke zwischen manuellem Gedächtnis und technischem RAG, solange die Anzahl der Dokumente die Token-Effizienz nicht negativ beeinflusst.

   • Obsidian bildet eine 99-Prozent-Lösung für Einzelanwender ohne den Verwaltungsaufwand komplexer Server-Infrastrukturen.
   • Eine klare Hierarchie aus Vault, Wiki und Master-Index ermöglicht die Verwaltung von tausenden Dokumenten ohne formales RAG.
   • Menschliche Einsicht in die Dokumentverknüpfungen ist oft wertvoller als schwer durchschaubare Vektor-Embeddings.
4. 25:54 - 34:53

   Technisches Fundament: Naive RAG und Vektordatenbanken

   Beim Naive RAG werden Textstücke durch Embedding-Modelle in Zahlenreihen transformiert. Diese Punkte werden basierend auf ihrer Bedeutung in Clustern angeordnet, etwa Obst oder Schiffe. Das Hauptproblem liegt in der Isolation der Chunks; fehlt der Kontext benachbarter Textstellen, liefert das System oft nur zu 25 % korrekte oder relevante Ergebnisse.

   • Naive RAG zerlegt Dokumente in Chunks, wandelt sie in mathematische Vektoren um und speichert sie in multidimensionalen Graphen.
   • Isolierte Vektorabfragen gleichen oft nur einer komplizierten Strg+F-Suche ohne Verständnis für Zusammenhänge.
   • Die Qualität eines RAG-Systems hängt primär von der Chunking-Strategie und der semantischen Bedeutung der Embeddings ab.
5. 34:54 - 39:23

   Fortgeschrittene Vernetzung mit GraphRAG

   Im Gegensatz zu isolierten Vektoren sind in einem Wissensgraphen Informationen wie Dateityp, Name und Beziehungen fest verknüpft. LightRAG demonstriert durchweg Verbesserungen von über 100 % in Benchmarks. Während Obsidian auf willkürlichen menschlichen Links basiert, nutzt GraphRAG KI-Power, um die Architektur der Wissensbasis dynamisch zu definieren.

   • GraphRAG extrahiert Entitäten und definiert explizite Beziehungen zwischen Datensätzen.
   • Open-Source-Lösungen wie LightRAG bieten signifikante Leistungssprünge gegenüber herkömmlichen Vektordatenbanken.
   • Die automatisierte Analyse von Inhalten durch Embedding-Systeme übertrifft die manuelle Verlinkung in Obsidian an Präzision.
6. 39:24 - 46:11

   Agentic RAG und multimodale Pipelines

   Auf der höchsten Stufe steht die Integration verschiedener Datenquellen. Agenten nutzen Tools wie n8n, um Daten aus Google Drive zu synchronisieren und zu bereinigen. Für Einzelunternehmer empfiehlt sich die Kombination aus RAG Anything und LightRAG, da sie kostengünstig und flexibel bleibt. Komplexität sollte erst dann eingeführt werden, wenn einfachere Methoden wie Obsidian versagen.

   • Agentic RAG entscheidet autonom, ob Informationen aus Graph-Datenbanken, SQL-Abfragen oder internem Wissen bezogen werden.
   • Moderne Systeme müssen multimodale Daten wie Bilder, Tabellen und Videos nativ verarbeiten können.
   • Der Fokus produktionsreifer Systeme liegt auf der Daten-Ingestion, Synchronisierung und Zugriffskontrolle für Teams.