RAG + grafo de llamadas: contexto automático desde un rastreador de tareas para Claude Code

El contexto es el principal problema al usar LLM en el desarrollo real. No es la calidad del modelo ni el tamaño de la ventana, sino lo que entra en el prompt y cómo. Un desarrollador compartió una solución práctica en Habr: un índice RAG del repositorio con vectores y un grafo de llamadas, más un plugin para Claude Code que recopila automáticamente el contexto de una tarea del rastreador de tareas — sin selección manual ni desperdicio de tokens.

Por

Qué el Contexto es Más Importante que la Calidad del Modelo

Cuando un desarrollador coge una tarea del rastreador y abre un asistente de IA, el paso más difícil no es el diálogo con el modelo, sino la preparación para él. Necesitas entender qué archivos están relacionados con la tarea, qué funciones se llaman, qué módulos están interconectados. En proyectos grandes, esto toma 10–20 minutos de revisión manual de código — antes de escribir el primer prompt.

Si viertes todo en el contexto de una vez — los tokens se gastan rápidamente, la solicitud se encarece, y el LLM se pierde en el ruido del código no relacionado. Si tomas muy poco — el modelo no ve las dependencias, pierde funciones importantes y da respuestas superficiales. Encontrar el equilibrio manualmente es difícil.

El RAG clásico con embeddings resuelve parte del problema: la búsqueda semántica encuentra fragmentos semánticamente similares. Pero no entiende la estructura del código: la función A puede estar semánticamente lejos de B, pero llamarla directamente — y ambas se necesitan en el contexto.

Cómo Funciona la Solución

El autor construyó un sistema en dos niveles de indexación:

• Capa vectorial — embeddings de código para búsqueda semántica: fragmentos similares, comentarios, nombres
• Grafo de llamadas — dependencias estructurales: la función A llama a B, el módulo C importa D, E hereda de F
• Plugin de Claude Code — lee la descripción de la tarea del rastreador y ejecuta búsqueda en ambos niveles
• Clasificación y truncamiento — los resultados se ponderan por relevancia y se cortan hasta el límite de tokens
• Actualizaciones incrementales — el índice no se recalcula desde cero en cada commit

El sistema se construye sobre un analizador de código (AST) y herramientas de análisis estático. El grafo de llamadas permite eludir las limitaciones de la búsqueda semántica: incluso si los nombres de funciones no son estándar o los comentarios son escasos, las conexiones estructurales en el código aún se pueden rastrear a través del AST.

El índice se almacena por separado de la base de código y no requiere cambios en el repositorio mismo. El plugin de Claude Code se instala como una extensión estándar y accede al índice a través de una API local.

Ahorro de Tokens

Aquí es donde el enfoque produce resultados medibles. Sin contexto inteligente, los desarrolladores a menudo vierten archivos completos o directorios en el prompt — "por si acaso." Con RAG + grafo, el sistema decide por sí mismo qué es relevante y devuelve solo eso.

"El principal problema al usar LLM en un proyecto real no es la

calidad del modelo, sino el contexto", — dice el autor del artículo.

Para monorepos grandes, el efecto es especialmente notable: en lugar de 50.000 tokens de "todo lo que podría estar relacionado" — 3.000–5.000 tokens de contexto preciso. Eso es tanto velocidad de respuesta como ahorro directo de API. La práctica muestra: el contexto recopilado correctamente reduce el número de iteraciones con el modelo. Cuando la IA ve todas las dependencias de una vez, rara vez pide fragmentos adicionales o da respuestas incompletas.

Lo Que Esto Significa

El enfoque muestra una dirección real para equipos de ingeniería que implementan asistentes de IA: automatizar no el diálogo con el modelo en sí, sino la recopilación de contexto antes de él. La integración con el rastreador de tareas es un paso lógico: la tarea ya está descrita, solo necesitas vincularla correctamente al código. Para equipos grandes con cientos de tickets al día, esto puede convertirse en una parte estándar del proceso de ingeniería.