Varför Claude Code förlorar kontext under långa sessioner, och hur CLAUDE.md löser det

Tre timmar in i en session börjar Claude Code upprepa frågor du redan har svarat på. Det återinför en namngivningskonvention som du tog bort för en timme sedan. Det "fixar" en fil som det förstörde på ett sätt du aldrig bad om. Inget kraschade. Inget felmeddelande dök upp. Modellen började bara tyst prioritera ned de delar av konversationen som var viktiga.

Det här är inte en bugg du kan laga. Det är hur kontextfönster fungerar, och det är den enskilt största anledningen till att AI-kodningssessioner går från lysande till frustrerande utan varning.

Vi arbetar med startups som anställer ingenjörer som bygger med dessa verktyg varje dag, och de team som får mest ut av Claude Code är inte de med de smartaste promptarna. De är de som slutade behandla kontext som oändlig och började konstruera den istället. Verktyget i centrum för denna förändring är en enkel Markdown-fil som kallas CLAUDE.md.

Vad som faktiskt händer när Claude Code "glömmer"

Claude Code levereras med ett kontextfönster på 200 000 tokens som standard, med ett 1 miljon-token-alternativ tillgängligt på nyare modeller. Det låter enormt, men en ny session förbrukar redan tusentals tokens innan du skriver ett ord: systempromten, inladdade färdigheter och eventuella MCP-serverscheman äter alla upp budgeten först. Lägg till en CLAUDE.md-fil, ett par verktygsintegreringar och några filläsningar, och en betydande del av fönstret är redan förbrukad.

Det djupare problemet är inte att det tar slut på plats. Det är vad som händer långt innan fönstret fylls. Flera ingenjörsteam som arbetar med Claude Code har oberoende kommit fram till samma upptäckt: utdatakvaliteten börjar försämras när kontextanvändningen passar ungefär 20 till 40 procent, långt innan någon hårdgräns nås. Uppmärksamhetsmekanismer väger senare tokens tyngre när en konversation växer, så instruktioner från början av sessionen förlorar tyst inflytande även om de tekniskt sett fortfarande är "i minnet".

Det här spelar roll praktiskt. En timmig session som börjar med en tydlig uppgift och aldrig checkpoints kommer att producera synligt sämre kod vid timme två, inte för att modellen blev dömmare, utan för att övergivna tillvagagångar, återhämtade fel och utforskande omvägar alla fortfarande sitter i fönstret och försvagar signalen som faktiskt spelar roll.

Kontextförfall är verkligt och har uppmätts

Det här är inte en Claude-specifik särhet. Oberoende benchmarking från Chroma testade 18 gränsmodeller, inklusive Claude Opus, och fann att alla förlorar noggrannhet när inputen växer, i vissa fall sjunka från 95 procent till 60 procent förbi en viss tröskel. Forskare kallar detta "kontextförfall", och det visas upp som en "förlorad i mitten"-effekt: modeller behandlar början och slutet av en lång kontext väl, men skummar mitten, vilket är exakt där dina arkitektur-beslut från 40 minuter sedan tenderar att finnas.

För en grundare eller ingenjörsledare är slutsatsen tydlig: ett större kontextfönster är inte detsamma som ett mer användbart. Nyare modeller kan tekniskt läsa en miljon tokens, men verklig testning visar vilt olika förståelsegrader i denna skala, vilket är varför en ren, väl hanterad 200K-session ofta överträffar en fylld 1M.

Vad CLAUDE.md faktiskt fixar

CLAUDE.md är en Markdown-fil som Claude Code automatiskt laddar i början av varje session. Tänk på det som en stående introduktionsbrieff för en entreprenör som inte har något minne från igår. Det gör inte modellen smartare. Det hindrar modellen från att gissa om saker du redan har beslutat: vilken testkommando som ska köras, vilken mapp som är förbjuden, vilket mönster som ska användas istället för det som är standard.

Utan det börjar varje session från noll, och du slutar skriva samma rättelse i en vecka rakt igenom. Med det blir denna rättelse en permanent regel som modellen läser innan den gör någonting annat.

Hur man skriver en CLAUDE.md som faktiskt håller

1. Håll den under 200 rader. Gränsmodeller spårar tillförlitligt ungefär 150 till 200 instruktioner innan följsamheten börjar halka, och Claude Codes egen systemprompt använder redan en del av den budgeten.

2. Börja med kommandon, inte prosa. Exakta bygg-, test- och lint-anrop är raderna med högsta värde i filen.

3. Peka, klistra inte in. Referera filsökvägen istället för att klistra in dess innehål i filen. Varje rad du klistrar in är en skatt på varje framtida session.

4. Duplicera aldrig lintern. Om en formatterare redan tillämpar en stilregel automatiskt, ägna inte modellupp åt att förklara det igen.

5. Rensa obarmhärtigt. En CLAUDE.md som har växt in i dokumentation är en som modellen har börjat ignorera i mitten.

6. Använd /clear mellan orelaterade uppgifter, och checkpoint var 45 till 60 minuter på långa sessioner snarare än att låta en konversation köra i timmar ohanterad.

FAQ: Kontext, CLAUDE.md, och anställning av människor som vet detta

F. Löser ett större kontextfönster glömproblemen?

Nej. Ett större fönster ger modellen mer plats att hålla information, men verklig läsförståelse i denna skala varierar fortfarande enormt mellan modeller. Att hantera vad som går in i fönstret spelar större roll än hur stort det är.

F. Är CLAUDE.md detsamma som dokumentation?

Nej. Dokumentation är för människor som skummar i sin egen takt. CLAUDE.md laddas i sin helhet varje session, oavsett om den är relevant för den aktuella uppgiften eller inte, så den måste vara kort, universellt sann och kommando-först.

F. Hur vet vi om en kandidat faktiskt förstår detta, eller bara vet syntaxen?

Be dem att gå igenom en CLAUDE.md de har skrivit för ett verkligt projekt, och fråga vad de började ta bort och varför. Ingenjörer som har träffat kontextförfall i produktion talar specifikt om rensningsbeslut. Ingenjörer som inte har gjort det tenderar inte att tala om filen i det abstrakta.

F. Var hittar vi ingenjörer som redan arbetar på det här sättet?

Det här är i allt högre grad en grundläggande färdighet snarare än en specialitet, men det är fortfarande ojämnt över marknaden. Det är en av de saker vi kontrollerar direkt när vi granskar utvecklare för MyNextDeveloper-klienter. Det är en stark proxy för hur någon faktiskt arbetar med AI-verktyg dag för dag, inte bara hur de talar om det.

Viktiga lärdomar

• Claude Code misslyckas inte med ett felmeddelande när kontexten försämras. Det misslyckas tyst, med subtilt sämre resultat.

• Kvaliteten börjar sjunka vid 20 till 40 procent kontextanvändning, långt innan fönstret är fullt.

• Kontextförfall mäts genom tvärmodellbeteende, inte ett Claude-specifikt fel.

• CLAUDE.md fixar glömproblemen genom att förvandla upprepade rättelser till permanenta, inladdade-varje-session-regler.

• De bästa CLAUDE.MD-filerna är korta, kommandoledda och refererar till filer istället för att klistras in.

Att sätta ihop allt

Långa AI-kodningssessioner misslyckas inte för att modellen blev sämre mitt i konversationen. De misslyckas för att ingen hanterade vad modellen höll på med. En straff CLAUDE.md, en vana att rensa kontext mellan uppgifter, och ingenjörer som redan tänker på det här sättet förvandlar en frustrerande eftermiddag till en genuint snabb.

Den sista delen är den delen de flesta team undervärderar. Verktyg är lätta att kopiera. Att veta hur man använder det väl är det inte. Om du bygger ett team där AI-assisterad teknik är standarden snarare än undantaget, det är exakt den typ av omdöme vi granskar på MyNextDeveloper när vi matchar grundare med det översta skiktet av mjukvaru- och AI-talang.

TL;DR

Claude Code kraschar inte när det glömmer; det försämras bara tyst och producerar sämre resultat långt innan kontextfönstret faktiskt fylls. Forskning visar att varje gränsmodell, inklusive Claude, förlorar noggrannhet när inputen växer, ett fenomen som kallas "kontextförfall". Ett större kontextfönster fixar inte detta; förståelse i stor skala varierar vilt oavsett storlek. CLAUDE.md löser det verkliga problemet genom att förvandla upprepade rättelser till en permanent, kort, kommando-först fil som modellen läser varje session. Den bästa fixningen kombinerar en slank CLAUDE.md med disciplinerade vanor såsom att rensa kontext mellan uppgifter och checkpointing under långa sessioner.

Vill du bygga ett högpresterande fjärrteknologiteam?

Kolla in MyNextDeveloper, en plattform där du kan hitta de bästa 3% av mjukvaruingenjörer som är djupt passionerade om innovation. Våra on-demand, dedikerade och grundliga mjukvaru-talentlösningar ger en omfattande lösning för alla dina mjukvarukrav.

Besök vår webbplats för att utforska hur vi kan hjälpa dig att sätta samman ditt perfekta team.