Question 1

Co potřebuji pro jeho spuštění?

Accepted Answer

Node 20+ a (doporučeno) Docker pro balíčený stack PostgreSQL + Ollama. Jednotlivý instalační příkaz vše provede přibližně za pět minut. Náhradní SQLite běží bez jakékoliv infrastruktury.

Question 2

Which local models should I run, and how does hardware affect SecureContext?

Accepted Answer

SecureContext degrades gracefully by hardware tier — every LLM-powered layer fails closed (the feature quietly contributes nothing) rather than breaking ingest or search. What changes with hardware is how much of the intelligence stack is active:
| Tier | Hardware | Models that fit | What you get |
|---|---|---|---|
| Minimum | Any CPU, ~2 GB RAM free | nomic-embed-text (embeddings only) | Hybrid BM25+vector search, working memory, audit chain, skills gating — the core. LLM layers (event extraction, entity extraction, contradiction adjudication) stay dormant. |
| Mid | 8–16 GB GPU (or Apple Silicon 16 GB+) | + qwen2.5-coder:14b or phi4:14b (one at a time) | + Event-fact extraction at ingest (temporal reasoning), LLM contradiction adjudication, entity extraction, L0/L1 semantic file summaries. |
| Full | 24 GB+ GPU (e.g. RTX 4090/5090) | + phi4:14b and gpt-oss:20b resident together | Everything, concurrently, at interactive latency — plus a strong local generator for QA/benchmarks. This is the configuration our published benchmark deltas were measured on.
Model-choice guidance (all measured, see bench/): Embeddings: nomic-embed-text — required, tiny, runs anywhere. Event extraction (ZCEVENTEXTRACTMODEL, default phi4:14b): our bakeoff scored phi4:14b at 100% event recall / 100% date accuracy, tying gpt-oss:20b at 2× the speed. On smaller GPUs qwen2.5-coder:14b is close behind (84.6% recall). Coder models ≠ better: qwen2.5-coder:32b scored worst (69.2%) despite being the large

Question 3

Mohou se více relací Claude Code pracovat na stejném projektu bez konfliktů?

Accepted Answer

Ano – paralelní relace atomicky získávají úkoly z fronty pracujícího kradení (zero double‑claims na 50 agentů × 100 úkolů v testech), koordinují se prostřednictvím typovaných vysílání (ASSIGN/STATUS/MERGE/REJECT) a zachovávají soukromé jmenné prostory paměti pro každého agenta plus sdílený pool. Hierarchie v případě oddělení (hlavy + pracovníci, N‑úrovňová eskalace) jsou podporovány pro větší týmy agentů.

Question 4

Jsou bezpečné instalovat dovednosti Claude Code?

Accepted Answer

Balíček dovedností pro souborový systém obsahuje skripty, které běží s vašimi oprávněními, a nativní loader Claude Code je neškannuje. SecureContext přidává chybějící bránu: AST sken při přijetí, HMAC ověření před každým spuštěním, automatická karanténa při selhání nebo změně po přijetí a ověřitelný řetězcový protokol každého rozhodnutí o přijetí.

Question 5

Does SecureContext send my code or data to the cloud?

Accepted Answer

Ne. Paměť, embeddings (Ollama nomic-embed-text), vyhledávání, shrnutí a auditní řetězec běží lokálně. Pracuje zcela offline (vyhledávání se přechází na hledání podle klíčových slov, pokud je Ollama nefunkční) a stojí $0, když je neaktivní.

Question 6

Can it manage a long, multi-week project?

Accepted Answer

Ano — to je právě účel vrstvy doručení. Definujte program s fázemi (zc_program), a kontrolní seznam otevřené fáze se pohybuje se stavem projektu. Uzavření fáze vyžaduje tabulku důkazů a automaticky generuje dokument kontrolního bodu. Pokud se orchestrující agent během fáze ukončí, nový agent rekonstruuje celý stav doručení z dvou volání — ověřeno v reálném čase.

Question 7

Jak mohu dát Claude Code trvalou paměť napříč sezeními?

Accepted Answer

Nainstalujte SecureContext (jedním příkazem — viz Quick start), pak agenti volají zcremember k ukládání rozhodnutí a ztrát, a zcrecall_context({focus: "current task"}) při spuštění sezení k jejich obnovení — seřazeny podle relevance, s odpověďmi na dotazy v přirozeném jazyce přímo z paměti. Paměť přetrvává restarty, kompakce a reboots, protože žije v PostgreSQL, ne v kontextovém okně.

Question 8

Jak moc SecureContext snižuje náklady na tokeny Claude Code?

Accepted Answer

Měřeno na projektu 10 sezení: ~87 % méně context-overheadu (obnova sezení je ~1.5–4 k tokenů místo 20–50 k z opětovného vložení souborů). Na dlouhodobých projektech s desítkami a stovkami akumulovaných pamětí zůstává rozpočet pro připomenutí ~4 k tokenů, kde by neomezený dump byl ~47 k. Otázky k souborům jsou odpovídány z 15–50× komprimovaných semantických shrnutí místo surového čtení.

Question 9

Jaký je rozdíl oproti konkurenci

Accepted Answer

Většina projektů „memory for Claude Code“ dělá jednu ze tří věcí: obaluje konverzaci v JSON, ukládá zprávy a přehrává je. Není semantické komprese, audit trail ani bezpečnostní model. Synchronizuje se s cloudovou službou. Uživatelské prostředí je lepší, ale historie nástrojů agenta (možná včetně tajných informací, ke kterým přistupoval) zůstává na serveru někoho jiného. Vloží se do vektorového vyhledávání. Přidává RAG nad vaše dokumenty, ale nepomáhá s reálným problémem – orchestrací, co agent dělá, ověřováním, co se spustilo, a přežitím komprese sezení. SecureContext nepatří mezi tyto možnosti:

| | SecureContext | Cloud memory services | Vector RAG plugins | Native Claude Code |
|---|---|---|---|---|
| Persistent across restarts | ✅ Yes, local Postgres | ✅ But on their server | ⚠️ Only docs, not state | ❌ Lossy auto-compact |
| Delivery programs + evidence-gated checkpoints | ✅ zcprogram | ❌ | ❌ | ❌ |
| HMAC audit trail | ✅ Per-agent subkey | ❌ | ❌ | ❌ |
| Per-agent identity isolation | ✅ HKDF + RLS | ❌ | ❌ | ❌ |
| Skill admission gate (HMAC + AST) | ✅ | ❌ | ❌ | ❌ |
| Tamper-evident chain + session replay | ✅ | ❌ | ❌ | ❌ |
| Work-stealing queue for parallel sessions | ✅ FOR UPDATE SKIP LOCKED | ❌ | ❌ | ❌ |
| Runs offline | ✅ Local Postgres + Ollama | ❌ | ⚠️ Depends | ✅ |
| Cost when idle | $0 | Monthly subscription | $0 | $0 |

V porovnání s dobře známými produkty pro paměť: Mem0 a Zep jsou vynikající hostované API pro LLM aplikace, které vytváříte; Letta (MemGPT) je rámec agenta se samoúpravou paměti. SecureContext cílí na odlišný úkol – mě.

Question 10

What's new (v0.46.1)

Accepted Answer

Temporal retrieval round 2 + the delivery-tool kit. Compound temporal questions decompose into event clauses with rank fusion; temporal searches render a chronological Timeline block and stale results carry age warnings. zcprogram adds multi-phase delivery programs with evidence-gated, auto-checkpointing phase closure — live-verified with an orchestrator handoff test (kill the orchestrator mid-phase; a cold replacement resumes from two calls). The embed lane now has a watchdog with budgeted self-healing. Recent releases: v0.46.0 — team memory (per-user keys, shared workspaces, write attribution), session replay with cryptographic provenance, OTel Gen-AI spans, CI/headless memory CLI, chunked embeddings, compliance report export. v0.44.0 — temporal fact supersession, durable PG task graph, first public LongMemEval numbers. v0.43.0 — token-budgeted recall digest (fixes the 47k-token recall firehose on mature projects). v0.41–0.42** — memory-quality program: focused recall, consolidation, bi-temporal windows, multi-hop graph retrieval, TTL memories, multimodal ingestion. Full details in CHANGELOG.md; architecture notes in ARCHITECTURE.md.

Question 11

GPU NVIDIA? přidat: -f docker/docker-compose.nvidia.yml

Accepted Answer

curl http://localhost:3099/health # → {"status":"ok","version":"0.46.1",...} docker exec securecontext-ollama ollama pull nomic-embed-text docker/start.ps1 / docker/start.sh obalte toto automatickým rozpoznáním GPU a režimem prod (nginx reverse proxy).

Question 12

Co je SecureContext?

Accepted Answer

Pokud používáte Claude Code na reálných projektech, narazíte na tyto překážky: 1. Každá relace začíná znovu. Znovu vkládáte stejné soubory, znovu vysvětlujete stejné rozhodnutí, znovu objevujete stejné problémy – a platíte tokeny za stejnou orientační práci opakovaně. 2. Dlouhé projekty nemají stav doručení. Když se orchestrátor (agent) zdesítá uprostřed funkce (krach, zavření okna, vyčerpání kontextu), jeho náhrada začne slepě. Lidé kompenzují ručně napsanými CHECKPOINT soubory. 3. Neexistuje záznam o tom, co agenti skutečně udělali. Když něco půjde špatně, Claude Code nemá nezpochybnitelnou historii toho, co běželo. 4. Skripty dovedností běží s vašimi oprávněními, neprověřené. Kdokoli (nebo jakýkoli agent) s přístupem k zápisu do ~/.claude/skills/ může zasadit kód, který se spustí při dalším volání. 5. Paralelní relace se navzájem blokují. Dvě okna si požadují stejný úkol; jedno přepíše úpravy druhého. SecureContext je plugin MCP, který řeší všech pět problémů. Jednou instalovaný, agenti získají: Paměť, která přežívá restarty — rozhodnutí, problémy a stav projektu obnovený jedním voláním; per-souborové sémantické shrnutí, které odpovídá "co tento soubor dělá" s 15–50× kompresí namísto přímého čtení; časové vyhledávání, které ví, kdy se věci staly, a označuje zastaralé znalosti. Vrstva doručení pro dlouhotrvající projekty — zcprogram sleduje vícestupňové programy; ukončení fáze vyžaduje důkaz akceptace a automaticky generuje vyhledatelný checkpoint; nový orchestrátor obnoví práci mrtvého z dvojí

analyst-prime-directives (Grade A)Zabezpečený data-ai dovednost pro Claude AI. Rang A. ŘEČI VE VELKÉM POŘÁDKU — extrahované z roles.json deepPrompt pro analytika

Přehled

Klíčové funkce

Ceník

Případy užití

Analýza trendů v trhu

Studium chování zákazníků

Pro a proti

Pro

Proti

Recenze

Otázky

Polož otázku

Alternativy k Dovednosti