Istraživanje ETF instituta u Zurichu (ovdje) pokazuje da službene upute i preporuke o korištenju Claude.md datoteke i sličnih agentskih markdown datoteka u projektu zapravo ne donose bitno bolje rezultate, ali zato dovode do povećane potrošnje tokena i to za isti obavljeni posao.

Oni koji koriste LLM za kodiranje vjerojatno znaju za Agents.md (opći slučaj) i Claude.md (ako koristite specifično Claud Code) za davanje konteksta agentima koje koristite na projektu. Radi se o readme datoteci čitljivoj i ljudima i botovima u kojoj se spremaju upute i orijentir za agente/botove s kojima radimo. Osmišljena je kako bi zabilježila znanje u formatu koji LLM može razumjeti, čime se poboljšava kvaliteta generiranog koda.

Iako se ideja i praktična uporaba agents/claude.md datoteka u godinu dana od uvođenja proširila i postala standard, gornje istraživanje pokazuje upitne koristi od njenog korištenja.

AGENTS.md je otvoreni format za usmjeravanje programskih agenata, koji je osmislio OpenAI. Radi s gotovo svim alatima za agentsko programiranje i danas ga održava Agentic AI Foundation. Prema OpenAI-ju, njihov glavni repozitorij sadrži 88 AGENTS.md datoteka, koje se sastoje od bilješki pisanih prirodnim jezikom. Ideja je da rad s botovima/agentima bude nalik uvođenju „juniora“ u projekt.

Radi se o kombinaciji dokumentacije i uputa i vjerojatno je najveća prednost to što moramo staviti na papir misli o tome što radimo i kako radimo, pa zapravo dok je pišemo (dijelom – dijelom dolazi gotova, dijelom je botovi dopunjavaju, a treća polovica Kraljeviću Marko…) i sami bolje uočavamo gdje smo nego prije početka stavljanja misli na papir, odnosno zapisivanja u Claude.md.

Datoteke s kontekstom na razini repozitorija proučavane su godinama i prije definiranja protokola za Agents.md. Ranija istraživanja pokazivala su poboljšanja i do 36% pri korištenju ove metode, pa nije čudno što su proizvođači LLM-ova promovirali ovaj pristup.

Prema pisanju na stranicama XDA-developers, novija istraživanja iz 2026. pokazuju pak poboljšanja tek do 5% u odnosu na osnovu, a u nekim slučajevima čak i negativan učinak kada su kontekstne datoteke generirane AI-jem što je kontraintuitivno jer bi nas većina očekivala da će LLM-om generirani kontekst bolje funkcionirati jer valjda botovi sami znaju što im treba… Izgleda da nije tako.

Još je važnije to što testovi pokazuju da čak i kontekstne datoteke koje su napisali/dopisali ljudi donose vrlo mali napredak. Vjerojatno ih i dalje ima smisla pisati, ali više kao organizacijski priručnik, jer su ih poboljšanja u agentskom programiranju tijekom posljednje godine učinila zastarjelima.

Druga mana pristupa je da kontekstne datoteke povećavaju broj koraka koje agenti poduzimaju kako bi došli do rješenja, te povećavaju potrošnju tokena i do 20%. To predstavlja značajan trošak kada se koristi API, posebno s obzirom na to da poboljšanja u performansama često ostaju na razini jednocifrenih postotaka.

Autori istraživanja predlažu  da ako se koriste AGENTS.md ili CLAUDE.md datoteke, treba uključiti samo minimalne nužne zahtjeve, poput konkretnih alata ili naredbi. Općeniti opisi nisu korisni jer ih LLM može sam zaključiti analizom koda.

U praksi, sve što biste stavili u AGENTS.md datoteku može se bolje smjestiti u MCP (Model Context Protocol) server ili u dohvatljive dokumente, tako da agent po potrebi poziva relevantno znanje, umjesto da se kontekst unaprijed “trpa” u prozor modela s informacijama koje možda neće biti potrebne.

Ukratko, ako već koristite Claude ili slične, i ne vidite neku veliku razliku s dorađivanjem claude.md datoteke ili bez njega – nije problem u vama.

Dapače, iz iskustva možemo reći da kod korištenja botova, „agenata“ i umjetne inteligencije za kodiranje, u oblaku ili lokalno, problem u praksi nikada nije „u nama“, već u njima, a tekstovi i YouTube videi u kojima oduševljeni netko objašnjava kako je „skyrocketirao“ svoje sposobnosti korištenjem ovih alata, čak i lokalnih agenata što je tek totalna smijurija, ali tema za sebe -  nisu baš posve sravnjeni sa stvarnošću. Ili istinom.

Imajte na umu da ne tvrdimo da su posve beskorisni niti možemo sve AI agente staviti u isti koš. Takozvani „code autocomplete“ (Copilot, JetBrains AI…) alati gdje model sam nudi dovršetak retka ili redaka čim ga počnemo tipkati prepoznavši neposredni programski kontekst u kojem se nalazimo – petlju, proceduru, funkciju koju stvaramo što štedi tipkanje i tipfelere – rade vrlo dobro iako i oni nekoga nerviraju, uglavnom nametljivošću.

S druge strane, ovi „svjetski mozgovi“ od LLM-ova koji bi s vam „vibe kodirali“ – niti jedan ne radi kao što bi se iz članaka ili videa moglo zaključiti.

Ako, dakle, koristite Claude Code s osnovnim Pro ili najskupljim Max modelima za pojedinačne korisnike (dakle, ne računamo Team & Enterprise ili API billing), vjerojatno vam 20% veća potrošnja tokena za isti ili slični rezultat ne odgovara pa svoje misli o projektu možemo umjesto u Claude.md zapisivati i negdje drugdje – botovima to, vidimo, ne znači tako puno.