Конспект: Метод Карпати: Как дать Claude Code вечную память и снизить расход токенов на 95% — VibCoderZ - VibeCoderz

Загрузка...

🎯 О чём этот конспект: Разбор системы долгосрочной памяти для AI-агентов (Claude Code, Cursor) на основе методики Андрея Карпати. Вместо дорогостоящих RAG-систем и векторных баз предлагается использовать иерархическую структуру Markdown-файлов (Вики), которая автоматически обновляется и позволяет AI мгновенно «вспоминать» контекст проекта.

👤 Кому будет полезно: Вайбкодерам, разработчикам и AI-энтузиастам, которые работают над долгосрочными проектами и хотят перестать тратить лимиты сообщений на пересказ контекста нейросети в каждой новой сессии.

✨ Что получите: Пошаговую инструкцию по настройке «второго мозга» для вашего AI-агента, готовые промпты для создания структуры и скрипты для автоматического сохранения уроков каждой сессии.

1. Концепция «Знания как Код» (Метод Карпати)

Контекст: Главная проблема Claude Code и аналогичных агентов — «амнезия» между сессиями. Каждый раз при запуске агент заново сканирует файлы, тратит тысячи токенов и 5-10 минут времени, чтобы понять архитектуру и вспомнить прошлые баги. Андрей Карпати (экс-директор AI в Tesla) предложил относиться к знаниям о проекте как к коду: они должны проходить этапы компиляции, линтинга и иметь четкую структуру. Вместо сложного RAG (Retrieval-Augmented Generation) используется простая папка с Markdown-файлами, по которой AI навигирует через индексные файлы.

Выгода: Расход токенов снижается до 95%, время входа в контекст сокращается с минут до 5-10 секунд, исключается потеря важных проектных решений.

Как применить:

Шаг 1: Создание структуры папок — В корне проекта создайте папку (например, docs/ или wiki/), внутри которой будут подпапки raw/ (для сырых данных) и compiled/ (для обработанных знаний).
Шаг 2: Создание Индекса — Создайте файл index.md, который будет служить «картой» для AI. В нем должны быть перечислены все ключевые разделы знаний.
Шаг 3: Настройка правил — В файле .claudecustom (или .cursorrules) пропишите путь к вашей Вики, чтобы агент всегда начинал работу с чтения индекса.

Результат: AI-агент при старте обращается к индексу и сразу понимает, где искать информацию о багах, архитектуре или API, не перечитывая весь исходный код.

2. Пошаговая настройка базы знаний за 5 минут

Контекст: Для визуализации связей и удобной работы человека с базой знаний идеально подходит Obsidian, но вся магия происходит внутри Claude Code через специальные инструкции. Важно правильно инициализировать структуру, чтобы агент понимал иерархию и умел самостоятельно дополнять её.

Выгода: Готовая, масштабируемая система хранения знаний, которая не требует оплаты сторонних сервисов или БД.

Как применить:

Промпт для инициализации структуры (ТЗ Карпати):

Создай структуру папок для базы знаний по методу Карпати:
1. Папка /raw — для сырых транскриптов, статей и заметок.
2. Папка /wiki — для обработанных концепций и summary.
3. Файл index.md в корне /wiki — главный навигатор.
4. Файл CL.md — правила для тебя (Claude Code), как искать информацию в этой Вики и как её обновлять.
5. Файл log.md — для записи обновлений.
Настрой CL.md так, чтобы ты всегда начинал сессию с чтения index.md и не тратил токены на полный скан проекта, если ответ есть в Вики.

Шаг 3: Настройка захвата данных — Установите расширение Obsidian Web Clipper в Chrome. В настройках укажите путь сохранения в папку /raw вашего проекта. Установите плагин Local Images Plus в Obsidian, чтобы картинки из статей сохранялись локально.

Результат: У вас есть автоматизированный конвейер: статья из браузера попадает в /raw, а Claude по команде превращает её в структурированную статью в /wiki.

3. Продвинутый уровень: Автоматическая память через хуки

Контекст: Ручное ведение Вики — это скучно и часто забывается. Чтобы база росла сама, используются Git-хуки или скрипты автоматизации сессий. Система перехватывает диалог с AI в конце работы, сжимает его в «уроки» и записывает в Daily Log.

Выгода: Знания накапливаются в фоне, пока вы просто кодите. Вы не теряете инсайты даже после закрытия терминала.

Как применить:

Шаг 1: Настройка Session Start (Вспоминалка) — Скрипт при запуске Claude Code автоматически подтягивает index.md и последние записи из daily_log.md в контекст.
Шаг 2: Настройка Session End (Записывалка) — Скрипт при закрытии сессии берет последние 30 сообщений, отправляет их на суммаризацию и сохраняет результат.
Шаг 3: Компиляция (Compiler) — Раз в день (например, в 18:00) запускается скрипт, который превращает разрозненные логи за день в полноценные статьи в /wiki с обратными ссылками.

Команда для установки (пример логики репозитория):

# Пример установки хуков из репозитория (требует наличия Claude Agent SDK)
npm install @anthropic-ai/claude-code-hooks
claude-code init-hooks --config ./wiki-config.json

Результат: Автоматизированный цикл жизни знаний: Старт (чтение памяти) -> Работа -> Стоп (сохранение опыта) -> Компиляция (структурирование).

4. Линтинг знаний и запросы из терминала

Контекст: Со временем база знаний может «протухнуть»: появляются битые ссылки, противоречащие друг другу инструкции или пустые файлы. Для этого используется Линтер знаний — AI-скрипт, который проверяет целостность вашей Вики. Также полезно иметь возможность спросить Вики, не запуская тяжелого агента.

Выгода: Поддержание базы в актуальном состоянии и мгновенный доступ к информации через CLI.

Как применить:

Шаг 1: Запуск Линтера — Используйте скрипт для поиска «сиротских» страниц (на которые никто не ссылается) и логических противоречий.
Шаг 2: Query-скрипт — Используйте CLI-команду для быстрого вопроса к базе.

Пример команды для запроса к Вики:

# Спросить Вики без запуска основной сессии Claude Code
node ./scripts/query-wiki.js "Какие настройки API мы использовали для интеграции с Авито?"

Что проверяет Линтер:

Broken Links: Ссылки на несуществующие файлы.
Orphan Pages: Статьи без входящих ссылок.
Contradictions: Проверка через LLM на наличие противоречивых инструкций в разных файлах.

Результат: «Здоровая» база знаний, которая работает как надежный справочник для всей команды.

FAQ

В: Чем этот метод лучше обычного RAG с векторной базой? О: Для проектов до 100-500 документов Markdown-файлы эффективнее. AI-агенты (Claude/GPT-4o) отлично навигируются по тексту. Это бесплатно, не требует настройки БД, файлы индексируются Git-ом, и вы полностью контролируете данные.

В: Как Claude Code понимает, что нужно лезть в Вики? О: Это прописывается в системном промпте или файле настроек проекта (.claudecustom). Вы указываете: «Прежде чем выполнять задачу, проверь wiki/index.md. Если там есть инструкции по этой теме — следуй им».

В: Не переполнится ли контекстное окно, если Вики станет большой? О: Нет, в этом и суть метода Карпати. Агент не читает всю Вики сразу. Он читает только Индекс, а затем, как человек, открывает только те 1-2 файла, которые релевантны текущему запросу.

В: Можно ли использовать одну Вики на несколько разных проектов? О: Да. В файле .claudecustom второго проекта можно указать абсолютный путь к папке Вики первого проекта. Это позволяет создать «глобальный мозг» разработчика с общими паттернами и решениями.

В: Сколько это стоит? О: Если вы уже платите за Claude Pro / Claude Code, то дополнительные расходы — 0. Скрипты автоматизации используют тот же API-ключ или сессию, а хранение Markdown-файлов бесплатно.

Конспект создан на основе видео «Метод Карпати: Как я дал Claude Code вечную память» канала Эдвард Гришин. Все права на оригинальный материал принадлежат авторам. Источник: https://youtu.be/P7JDXCAVPxY