RAG + граф вызовов: автоматический контекст из таск-трекера для Claude Code

Контекст — главная проблема при использовании LLM в реальной разработке. Не качество модели и не размер окна, а именно то, что и как попадает в промпт. Разработчик поделился на Хабре практическим решением: RAG-индекс репозитория с векторами и графом вызовов, плюс плагин для Claude Code, который автоматически собирает контекст по задаче из таск-трекера — без ручного выбора и лишних токенов.

Почему контекст важнее качества модели

Когда разработчик берёт задачу из трекера и открывает AI-ассистента, самый сложный шаг — не диалог с моделью, а подготовка к нему. Нужно понять, какие файлы относятся к задаче, какие функции вызываются, какие модули взаимосвязаны. В больших проектах это занимает 10–20 минут ручного изучения кода — прежде чем написать первый промпт.

Если накидать в контекст всё подряд — токены расходуются быстро, запрос дорожает, а LLM теряется в шуме несвязанного кода. Если взять слишком мало — модель не видит зависимостей, упускает важные функции и даёт поверхностные ответы. Баланс сложно найти вручную.

Классический RAG по эмбеддингам решает часть проблемы: семантический поиск находит похожие по смыслу фрагменты. Но он не понимает структуру кода: функция A может быть семантически далека от B, однако вызывать её напрямую — и обе нужны в контексте.

Как устроено решение

Автор построил систему на двух уровнях индексирования: Векторный слой — эмбеддинги кода для семантического поиска: похожие фрагменты, комментарии, названия Граф вызовов — структурные зависимости: функция A вызывает B, модуль C импортирует D, E наследует F Плагин для Claude Code — читает описание задачи из таск-трекера и запускает поиск по обоим уровням Ранжирование и обрезка — результаты взвешиваются по релевантности и обрезаются до лимита токенов * Инкрементальное обновление — индекс не пересчитывается с нуля при каждом коммите Система строится поверх парсера кода (AST) и инструментов статического анализа. Граф вызовов позволяет обойти ограничения семантического поиска: даже если имена функций нестандартны или комментарии скудны, структурные связи в коде всё равно прослеживаются через AST. Индекс хранится отдельно от кодовой базы и не требует изменений в самом репозитории.

Плагин для Claude Code устанавливается как стандартное расширение и обращается к индексу через локальный API.

Экономия на токенах Именно здесь подход даёт измеримый результат.

Без умного контекста разработчики нередко вставляют в промпт целые файлы или директории — «на всякий случай». С RAG + графом система сама решает, что релевантно, и отдаёт только это.

«Главная проблема работы с LLM в реальном проекте — не качество модели, а контекст», — автор статьи.

Для больших монорепозиториев эффект особенно заметен: вместо 50 000 токенов «всего что может быть связано» — 3 000–5 000 токенов точного контекста. Это и скорость ответа, и прямая экономия на API. Практика показывает: правильно собранный контекст уменьшает количество итераций с моделью. Когда AI с первого раза видит все зависимости, он реже просит дополнительные фрагменты или даёт неполные ответы.

Что это значит

Подход показывает реальное направление для инженерных команд, которые внедряют AI-ассистентов: автоматизировать не сам диалог с моделью, а сбор контекста перед ним. Интеграция с таск-трекером — логичный шаг: задача уже описана, нужно только правильно её привязать к коду. Для крупных команд с сотнями тикетов в день это может стать стандартной частью инженерного процесса.