Os 7 Níveis de Claude Code e RAG

하이라이트

• O fenômeno do Context Rot reduz a precisão do Claude Code de 92% para 78% quando a janela de contexto atinge 1 milhão de tokens.

• Sistemas de RAG textual podem ser até 1.200 vezes mais baratos e rápidos do que o processamento direto por LLMs em tarefas de recuperação de dados em larga escala.

• O arquivo claude.md atua como uma instrução mestra injetada em cada prompt, mas sua eficácia diminui se for preenchido com informações irrelevantes para as tarefas diárias.

• A arquitetura de vault do Obsidian resolve problemas de memória para a maioria dos usuários individuais sem a complexidade técnica ou o custo de bancos de dados vetoriais.

• O sistema LightRAG supera o RAG ingênuo com saltos de precisão de 31,6% para 68,4% ao utilizar uma estrutura de grafo que mapeia entidades e relações.

• Modelos como o Gemini Embedding 2 permitem a indexação direta de vídeos em bancos de dados vetoriais para consultas multimodais em abril de 2026.

타임라인

1. 00:00 - 09:00

   A Armadilha da Memória Automática e o Context Rot

   Muitas pessoas dependem exclusivamente do sistema automático do Claude, que cria arquivos como memory.md para simular lembretes. Essa abordagem é ineficiente porque o custo de tokens dispara e a precisão cai conforme o contexto cresce. A solução imediata exige uma postura ativa na limpeza e reinicialização de conversas para manter a eficácia em 92%.

   • A memória nativa do Claude Code gera arquivos markdown automáticos na pasta .claude/project/memory com base na intuição do modelo.
   • O medo de perder o histórico da conversa leva usuários a manter sessões excessivamente longas no terminal.
   • O apodrecimento de contexto degrada o desempenho do modelo à medida que a janela de 1 milhão de tokens é preenchida.
2. 09:01 - 15:45

   O Uso Estratégico do claude.md e Múltiplos Arquivos de Estado

   O nível dois foca no controle manual através do comando /init para editar o claude.md. Estudos indicam que arquivos de instruções muito grandes podem, na verdade, reduzir a eficácia dos LLMs devido ao ruído. No nível três, ferramentas de orquestração como GSD separam requisitos, roteiros e estados atuais em arquivos distintos para guiar o modelo de forma modular.

   • O arquivo claude.md serve como o guia central de regras e convenções para projetos específicos.
   • A poluição de contexto ocorre quando informações irrelevantes são injetadas em cada prompt através de arquivos de instruções inchados.
   • A divisão da memória em arquivos como requirements.md e roadmap.md combate a desordem informacional.
3. 15:46 - 25:53

   Obsidian como Base de Conhecimento de Longo Prazo

   Inspirado em fluxos de trabalho de Andre Karpathy, o uso do Obsidian organiza dados brutos e estruturados em uma hierarquia clara. O Claude Code utiliza o claud.md como um índice para localizar artigos específicos dentro da wiki do vault. Esta solução é recomendada para a maioria dos casos antes de se investir em infraestruturas complexas de bancos de dados vetoriais.

   • A estrutura de vault do Obsidian funciona como um sistema quase-RAG gratuito e sem custo de manutenção.
   • A organização em pastas wiki com índices mestres permite que o Claude Code navegue por milhares de documentos via ferramenta grep.
   • O RAG textual reduz o tempo de resposta e o consumo de tokens em ordens de magnitude comparado ao processamento de texto puro.
4. 25:54 - 35:18

   Fundamentos do RAG Ingênuo e Bancos de Dados Vetoriais

   Documentos são divididos em pedaços e transformados em vetores por modelos de embedding. Na fase de recuperação, o sistema busca os vetores mais próximos à pergunta do usuário para aumentar a resposta do LLM. Sem re-rankers ou estruturas de grafo, esse método atua apenas como um mecanismo de busca medíocre com taxa de acerto próxima a 25%.

   • O processo de RAG envolve a fragmentação (chunking) de documentos e sua conversão em vetores numéricos.
   • Bancos de dados vetoriais organizam informações com base no significado semântico em gráficos multidimensionais.
   • Sistemas de RAG ingênuo falham frequentemente por não capturarem relações complexas entre diferentes fragmentos de informação.
5. 35:19 - 39:30

   A Superioridade do GraphRAG e o Ecossistema LightRAG

   Diferente do Obsidian, onde as conexões são manuais, o LightRAG extrai entidades e relações automaticamente através de sistemas de embedding. Isso permite responder perguntas sobre como conceitos isolados se relacionam entre si. Testes mostram saltos de desempenho onde o LightRAG atinge 76% de precisão contra 24% de sistemas básicos.

   • O GraphRAG utiliza grafos de conhecimento para mapear entidades e conexões lógicas entre documentos.
   • O sistema LightRAG oferece uma implementação de código aberto significativamente mais leve que o GraphRAG da Microsoft.
   • A recuperação híbrida que combina busca vetorial e busca em grafos dobra a precisão em comparação ao RAG tradicional.
6. 39:31 - 45:52

   RAG Agental e Ingestão Multimodal em Nível de Produção

   O nível mais avançado foca na manutenção da integridade dos dados e na capacidade de processar mídias além do texto. Em cenários corporativos, a infraestrutura foca na limpeza e atualização constante da base de conhecimento. Apesar da sofisticação do nível 7, a recomendação final é a experimentação progressiva, começando pelo simples Markdown antes de escalar para arquiteturas custosas.

   • O RAG agental de nível 7 integra vídeos, imagens e PDFs escaneáveis através de ferramentas como Gemini Embedding 2.
   • Sistemas de produção exigem pipelines de sincronização para gerenciar versões e duplicatas de dados no Google Drive ou Postgres.
   • Um agente centralizado deve decidir inteligentemente entre consultar o grafo de conhecimento ou executar queries SQL.