Контекстное окно Claude: рабочий стол вашего ИИ
Что такое контекстное окно Claude, какой у него размер, что съедает место и что делают /context, /compact и /clear — объясняю на рабочем столе.
Евгений Арсентьев · MD, PhDПроверено на точность — Евгений Арсентьев, MD, PhD · 2026-06-12
Контекстное окно — это всё, что Claude «видит» в данный момент: ваш разговор, прочитанные файлы, вывод команд и его инструкции — всё делит одно ограниченное пространство. Представьте рабочий стол: просторный, но конечный, и каждая бумага на нём оставляет меньше места следующей. Как только вы поймёте этот стол, половина странностей Claude Code перестанет быть странностями.
Это самая полезная ментальная модель из всех, что я преподаю, потому что настоящая валюта работы с ИИ — контекст, а не промпты и не волшебные слова. Давайте измерим стол, посмотрим, что на нём уже лежит, и выучим три команды, которые держат его в чистоте.
Какой размер у контекстного окна Claude?
Стандартное окно в Claude Code — 200 000 токенов. Токен — это примерно половина-три четверти слова, так что 200K токенов — порядка романа приличной толщины. Звучит как бесконечность; это не она. Реальные проекты прожигают окно на удивление быстро, потому что стол занят не только вашими сообщениями.
Можно ли увеличить окно до 1M токенов?
На некоторых тарифах — да. У части моделей есть вариант на 1 миллион токенов для долгих сессий с большими проектами — выбирается как opus[1m] или sonnet[1m] в списке /model, доступность зависит от тарифа. Стол больше, физика та же: лимит просто отодвигается дальше, а всё, что ниже про чистоту стола, остаётся в силе.
Что лежит на столе ещё до вашего первого слова?
Это удивляет всех: стол никогда не пуст. До первого сообщения Claude Code загружает системный промпт (свои постоянные инструкции), ваши файлы CLAUDE.md с правилами проекта, автопамять (собственные заметки из прошлых сессий), краткие описания доступных скиллов и имена подключённых MCP-инструментов. А потом приходит главный едок: чтение файлов. Каждый файл, который Claude открывает, ложится на стол целиком — один файл с кодом может стоить несколько тысяч токенов, и в терминале вы видите лишь строчку «Read file», пока всё содержимое сидит в контексте. Чтение файлов — главный потребитель контекста; это формулировка документации, не моя.
Что происходит, когда контекстное окно заполняется?
Claude Code не падает — он уплотняет. Приближаясь к лимиту, он заменяет разговор структурированным конспектом: ваши запросы, ключевые решения и важные куски кода выживают, а дословные детали — полный вывод инструментов и промежуточные рассуждения — отбрасываются. После уплотнения CLAUDE.md и автопамять перечитываются с диска автоматически — именно поэтому постоянные правила должны жить в CLAUDE.md, а не в реплике, сказанной час назад. Аналогия со столом держится: уплотнение — это смести бумаги в папку и пришпилить сверху одностраничную выжимку. Жить можно, но мелкий шрифт пропал.
Когда жалуются, что Claude забыл сказанное, виновато почти всегда контекстное окно: инструкцию либо уплотнили, либо она утонула под полусотней прочитанных файлов. Лечение механическое, а не психологическое: запишите её в CLAUDE.md — этот файл перечитывается каждую сессию и возвращается в контекст после каждого уплотнения.
Как держать стол в чистоте?
Три команды и одна привычка. /context показывает живую раскладку, что занимает место — запускайте всякий раз, когда Claude начинает «уставать». /clear стирает разговор целиком: используйте между несвязанными задачами, потому что вчерашняя отладка вытесняет сегодняшние файлы. /compact уплотняет на ваших условиях — и его можно навести: /compact focus on the API changes сохранит то, что выбрали вы, а не то, что угадает автоматика.
/context
Показывает, что занимает контекстное окно, по категориям — разговор, файлы, инструменты, память — с подсказками по оптимизации. Самая недооценённая команда в Claude Code.
/compact focus on the payment bug
Уплотняет разговор, но объясняет конспектирующему, что важно. Запускайте перед большой новой задачей внутри старой сессии — на своих условиях, до того как автоматика сработает сама.
Как субагенты экономят контекст?
Это та самая привычка за тремя командами: большие исследования отдавайте субагентам. Субагент читает свою гору файлов на собственном отдельном столе и приносит на ваш только короткую выжимку. Вместо полусотни прочитанных файлов в вашем контексте оседает пара абзацев — разница между чистым столом в конце долгой задачи и заваленным.
Пять минут: посмотрите, как заполняется ваш стол
0/5Сдвиг в голове, который из этого следует
Стоит один раз увидеть стол — и привычки меняются сами: вместо одного бесконечного мегачата вы заводите свежую сессию под задачу; перестаёте вставлять документы целиком «на всякий случай»; записываете правила в CLAUDE.md вместо того, чтобы повторять их. В следующий раз, когда глубоко в долгой сессии Claude выдаст странно небрежный ответ, — не спорьте с ним. Запустите /context, посмотрите на стол и либо сделайте /compact с прицелом, либо /clear и переформулируйте задачу двумя плотными фразами. За десять секунд почините то, что не чинится часом раздражённых повторов.
Бесплатный курс
Хватит читать про ИИ — начни строить с ним
Бесплатный курс Claude Code: свой первый сайт, инструмент или игра — без программирования. Без апсейлов и кросс-сейлов — здесь нечего купить.
Начать →Источники и исследования
Подборка рецензируемых работ и препринтов по научной основе этой темы.
- [1]Xiaoran Liu et al. (2025). Thus Spake Long-Context Large Language Model. arXiv:2502.17129
- [2]Zhixuan Lin et al. (2025). Forgetting Transformer: Softmax Attention with a Forget Gate. arXiv:2503.02130
- [3]Yifei Gao et al. (2023). Pay Attention to What You Need. arXiv:2307.13365
- [4]Alfred Shen et al. (2026). Gated Sparse Attention: Combining Computational Efficiency with Training Stability for Long-Context Language Models. arXiv:2601.15305
- [5]Dong Liu et al. (2026). MKA: Memory-Keyed Attention for Efficient Long-Context Reasoning. arXiv:2603.20586
- [6]Ziwei He et al. (2023). Fovea Transformer: Efficient Long-Context Modeling with Structured Fine-to-Coarse Attention. arXiv:2311.07102
- [7]Junjie Wu et al. (2025). Ref-Long: Benchmarking the Long-context Referencing Capability of Long-context Language Models. arXiv:2507.09506
- [8]Dong Liu et al. (2025). $\pi$-Attention: Periodic Sparse Transformers for Efficient Long-Context Modeling. arXiv:2511.10696

Автор
Евгений Арсентьев
MD, PhD · Руководитель ИИ-трансформации
Чтение — это синяя пилюля
Хочешь реально это построить?
Гайды объясняют. Бесплатный курс превращает — персонально, с геймификацией и заточенный на быстрый запуск.
Начать бесплатный курс →