Pametni među vama će sigurno želeti da pitaju: Claude Code je sačuvao 100 dugoročnih memorija, samo su 3 relevantne za trenutni prompt — kako ih je precizno pronašao?

Možda mislite da Claude Code koristi neku naprednu vektorsku pretragu ili semantičko sparivanje.

Odgovor će vas toliko iznenaditi da će vam pasti usta.

Ne koristi.

Prečitao sam izvorni kod Claude Code-a i OpenClaw-a, pa vam danas mogu pomoći da razumete tri stvari:

• Kako Claude Code pretražuje dugoročnu memoriju?
• Zašto ovako jednostavan pristup može biti ovako efikasan?
• Postoji li naprednije rešenje?

Danas ću vam za 3 minuta razjasniti kako Claude Code pretražuje dugoročnu memoriju.

Zavežite pojaseve, kreeeećemo~

Prvo, pretraga dugoročne memorije u Claude Code-u je zaista neverovatno jednostavna.

Svaki put kad započnete novi razgovor, Claude Code pročita indeksni fajl MEMORY.md, najviše prvih 200 linija, ili 25 KB — ostalo ne uzima u obzir.

Pošto ga pročita, koje su memorije relevantne za vaše trenutno pitanje?

Ne vrši nikakvo filtriranje. Prosto ubaci svih 200 linija u kontekst i prepusti velikom modelu (LLM) da sam proceni.

Nema vektorske pretrage, nema semantičkog sparivanja, nema embedding-a, nema baze podataka.

CLAUDE.md je još direktniji. Ceo fajl se injektuje u sistemsko uputstvo, potpuno se učitava — naravno, pod uslovom da vaš CLAUDE.md bude dovoljno koncizan i efikasan, o čemu smo govorili u prošlom izdanju.

A pametni među vama će se zapitati: da li ovako jednostavno rešenje zaista može da bude dovoljno?

Dovoljno je. Ali uz uslove.

Veliki model (LLM) već ima veoma snažan mehanizam pažnje. Pronaći 3 relevantne linije među 200 linija teksta je za Opus 5 trivijalna stvar.

Ali koja je cena? MEMORY.md mora ostati ispod 200 linija. Od 201. linije nadalje se ništa ne učitava — pisali ili ne, uzalud je.

Zato je indeks u MEMORY.md o kome smo govorili u prošlom izdanju ključan. Indeks mora biti koncizan — jedna memorija, jedan red sažetka je dovoljan. Ako pišete razvučeno, važne informacije će biti potopljene u šumu.

To takođe objašnjava zašto Claude Code automatski sređuje memoriju — spaja duplikate, briše zastarele. Razlog je da u ograničenju od 200 linija stane što više korisnih informacija.

A pametni među vama će opet zapitati: postoji li naprednije rešenje?

Izgleda da nema, ali mogu vam ponuditi jedan drugačiji pristup. Na primer, nekada izuzetno popularni OpenClaw ide drugom putanjom.

Claude Code iz jednog Markdown fajla radi dve stvari: čuva i čita. OpenClaw je ove dve stvari razdvojio: Markdown je zadužen samo za čuvanje sadržaja, SQLite za pronalaženje sadržaja.

Kako pronalazi?

Pri skladištenju memorije, OpenClaw seče Markdown sadržaj na male komade, zatim ih predaje embedding modelu, koji svaki komad teksta pretvara u niz brojeva — odnosno vektor. Ti vektori se čuvaju u SQLite-u.

Pri pretrazi memorije, vaše trenutno pitanje se takođe pretvara u vektor, zatim se radi sparivanje sličnosti sa vektorima sačuvanim u SQLite-u. Što je veća sličnost, to je memorija relevantnija za vaše pitanje.

Osim toga, OpenClaw istovremeno pokrene i pretragu po ključnim rečima, pa se oba rezultata objedine i rangiraju. To je hibridna pretraga — ključne reči pogađaju tačno, semantika pokriva celinu, pa se doda rangiranje; to je klasični RAG pristup.

Prednost je što memorija može biti proizvoljno velika i opet se precizno pronalazi. Mana je što treba dodatno pokrenuti embedding model, što je razlog zašto je OpenClaw veoma spor i trom — naravno, oni koji su ga u to vreme hvalili su ignorisali ovu kobnu manu, a to je sporost.

Na kraju, kratko rezime.

Claude Code se oslanja na pažnju modela za pretragu — jednostavno, ali sa granicomom od 200 linija. OpenClaw koristi vektorsku pretragu i ključne reči — precizno, ali složeno. Uz to, bez obzira na pristup, održavanje MEMORY.md konciznim je najvažnije — jedna memorija, jedan red sažetka.

Da li ste savladali ovo znanje? Želite još teških AI saznanja, paicoding.com/stutymore/claude-code-memory-retrieval-20260729154153.png)