Question 1

Welche lokalen Modelle sollte ich ausführen und wie wirkt sich die Hardware auf SecureContext aus?

Accepted Answer

SecureContext degradiert je nach Hardware‑Stufe sanft – jede LLM‑basierte Ebene fällt geschlossen aus (die Funktion liefert schlicht nichts), anstatt den Import oder die Suche zu brechen. Was sich mit der Hardware ändert, ist, wie viel vom Intelligenz‑Stack aktiv ist:

| Stufe | Hardware | Passende Modelle | Was du bekommst |
|---|---|---|---|
| Minimum | Beliebige CPU, ~2 GB freier RAM | nomic-embed-text (nur Embeddings) | Hybride BM25+Vector‑Suche, Arbeitsspeicher, Audit‑Chain, Skill‑Gating – das Grundgerüst. LLM‑Schichten (Ereignis‑Extraktion, Entity‑Extraction, Widerspruchs‑Adjudikation) bleiben inaktiv. |
| Mittel | 8–16 GB GPU (oder Apple Silicon 16 GB+) | + qwen2.5-coder:14b oder phi4:14b (jeweils einzeln) | + Ereignis‑Fact‑Extraktion beim Import (temporales Schließen), LLM‑Widerspruchs‑Adjudikation, Entity‑Extraction, L0/L1 semantische Dateizusammenfassungen. |
| Voll | 24 GB+ GPU (z. B. RTX 4090/5090) | + phi4:14b und gpt-oss:20b gleichzeitig resident | Alles gleichzeitig, mit interaktiver Latenz – plus ein starker lokaler Generator für Q&A/Benchmarks. Dies ist die Konfiguration, auf der unsere veröffentlichten Benchmark‑Deltas gemessen wurden. |

Modell‑Auswahl‑Hinweise (alle gemessen, siehe bench/):
- Embeddings: nomic-embed-text – erforderlich, winzig, läuft überall.
- Ereignis‑Extraktion (ZCEVENTEXTRACTMODEL, Standard phi4:14b): Unser Bake‑off ergab phi4:14b mit 100 % Ereignis‑Recall / 100 % Datengenauigkeit, gleichauf mit gpt-oss:20b bei 2‑facher Geschwindigkeit. Auf kleineren GPUs liegt qwen2.5-coder:14b knapp dahinter (84,6 % Recall).
- Coder‑Modelle ≠ besser: qwen2.5-coder:32b schnitt mit 69,2 % am

Question 2

Was benötige ich, um es auszuführen?

Accepted Answer

Node 20+ und (empfohlen) Docker für den bundelten PostgreSQL‑+ Ollama‑Stack. Der One‑Command‑Installer erledigt alles in etwa fünf Minuten. Ein SQLite‑Fallback läuft ohne Infrastruktur.

Question 3

Können mehrere Claude‑Code‑Sitzungen am selben Projekt ohne Konflikte arbeiten?

Accepted Answer

Ja – parallele Sitzungen beanspruchen atomar Aufgaben aus einer Work‑Stealing‑Queue (bei Tests mit 50 Agenten × 100 Aufgaben keinerlei Doppelbeanspruchungen), koordinieren über typisierte Broadcasts (ASSIGN/STATUS/MERGE/REJECT) und behalten private Speicher‑Namespaces pro Agent sowie einen gemeinsamen Pool. Abteilungs‑ähnliche Hierarchien (Leiter + Mitarbeiter, N‑stufige Eskalation) werden für größere Agententeams unterstützt.

Question 4

Sind Claude‑Code‑Skills sicher zu installieren?

Accepted Answer

Dateisystem‑Skills bündeln Skripte, die mit Ihren Berechtigungen ausgeführt werden, und der native Loader von Claude Code scannt sie nicht. SecureContext fügt das fehlende Gate hinzu: AST‑Scan beim Eintritt, HMAC‑Verifizierung vor jeder Ausführung, automatische Quarantäne bei Fehlern oder Änderungen nach dem Eintritt und ein nachprüfbares, verkettetes Protokoll jeder Eintrittsentscheidung.

Question 5

Sendet SecureContext meinen Code oder meine Daten in die Cloud?

Accepted Answer

Nein. Speicher, Embeddings (Ollama nomic-embed-text), Suche, Zusammenfassung und die Audit‑Kette laufen alle lokal. Es funktioniert vollständig offline (die Suche fällt bei Ausfall von Ollama elegant auf reine Stichwortsuche zurück) und kostet $0 im Leerlauf.

Question 6

Kann es ein langes, mehrwöchiges Projekt managen?

Accepted Answer

Ja – genau dafür ist die Delivery‑Layer gedacht. Definieren Sie ein Programm mit Phasen (zc_program), und die Akzeptanz‑Checkliste der offenen Phase reist mit dem Projektstatus mit. Das Abschließen einer Phase erfordert eine Evidenztabelle und erzeugt automatisch ein Checkpoint‑Dokument. Stirbt der orchestrierende Agent mitten in einer Phase, reconstructet ein neuer Agent den vollständigen Lieferstatus aus zwei Aufrufen – live verifiziert.

Question 7

Wie stark reduziert SecureContext die Token‑Kosten von Claude Code?

Accepted Answer

Gemessen an einem 10‑Sitzungen‑Projekt: etwa 87 % weniger Kontext‑Overhead (Wiederherstellung einer Sitzung kostet ~1,5–4 k Tokens statt 20–50 k durch erneut eingefügte Dateien). Bei langfristigen Projekten mit hunderten von gespeicherten Erinnerungen hält das Recall‑Budget jede Abfrage bei ~4 k Tokens, während ein unbeschränkter Dump ~47 k Tokens benötigen würde. Datei‑Fragen werden aus 15–50‑fach komprimierten semantischen Zusammenfassungen statt aus Roh‑Auszügen beantwortet.

Question 8

Wie gebe ich Claude Code einen persistenten Speicher über Sitzungen hinweg?

Accepted Answer

Installieren Sie SecureContext (ein einziger Befehl – siehe Quick start). Danach rufen Agenten zcremember auf, um Entscheidungen und Stolpersteine zu speichern, und zu Beginn einer Sitzung zcrecall_context({focus: "current task"}), um sie wiederherzustellen – sortiert nach Relevanz, wobei zeitliche Anfragen in natürlicher Sprache direkt aus dem Speicher beantwortet werden. Der Speicher überlebt Neustarts, Kompaktierungen und Reboots, weil er in PostgreSQL und nicht im Kontext‑Fenster liegt.

Question 9

Wie unterscheidet es sich von Wettbewerbern?

Accepted Answer

Die meisten „Memory for Claude Code“-Projekte erledigen eines von drei Dingen: Sie verpacken das Gespräch in JSON, speichern die Nachrichten und spielen sie wieder ab – ohne semantische Kompression, ohne Prüfpfad, ohne Sicherheitsmodell. Sie synchronisieren zu einem Cloud‑Dienst – bessere UX, aber dann liegt die Tool‑Historie Ihres Agenten (möglicherweise inklusive geöffneter Geheimnisse) auf dem Server eines Dritten. Oder sie setzen Vektorsuche ein – fügen RAG über Ihre Dokumente hinzu, helfen aber nicht beim eigentlichen Problem: dem Orchestrieren des Agenten‑Verhaltens, der Verifizierung des Ablaufs und dem Überstehen von Sitzungs‑Komprimierung. SecureContext ist keines dieser Modelle:

| | SecureContext | Cloud‑Memory‑Dienste | Vektor‑RAG‑Plugins | Native Claude Code |
|---|---|---|---|---|
| Persistenz über Neustarts | ✅ Ja, lokales Postgres | ✅, aber auf deren Server | ⚠️ Nur Dokumente, kein Zustand | ❌ Verlustbehaftete Auto‑Komprimierung |
| Lieferprogramme + prüfbare Checkpoints | ✅ zcprogram | ❌ | ❌ | ❌ |
| HMAC‑Audit‑Trail | ✅ Pro‑Agent‑Unterschlüssel | ❌ | ❌ | ❌ |
| Agent‑identitätsbasierte Isolation | ✅ HKDF + RLS | ❌ | ❌ | ❌ |
| Skill‑Admission‑Gate (HMAC + AST) | ✅ | ❌ | ❌ | ❌ |
| Manipulationsnachweis‑Kette + Sitzungs‑Replay | ✅ | ❌ | ❌ | ❌ |
| Work‑Stealing‑Queue für parallele Sitzungen | ✅ FOR UPDATE SKIP LOCKED | ❌ | ❌ | ❌ |
| Läuft offline | ✅ Lokales Postgres + Ollama | ❌ | ⚠️ Abhängig | ✅ |
| Kosten im Leerlauf | $0 | Monatliches Abonnement | $0 | $0 |

Im Vergleich zu den bekannten Memory‑Produkten: Mem0 und Zep sind hervorragende gehostete Memory‑APIs für LLM‑Apps; Letta (MemGPT) ist ein Agenten‑Framework mit selbst‑editierbare

Question 10

What's new (v0.46.1)

Accepted Answer

Temporale Abrufrunde 2 + das Delivery‑Tool‑Kit. Zusammengesetzte temporale Fragen werden in Ereignisklauseln zerlegt und mittels Rank‑Fusion zusammengeführt; temporale Suchen erzeugen einen chronologischen Timeline‑Block und veraltete Ergebnisse erhalten Alterswarnungen. zcprogram fügt mehrphasige Lieferprogramme mit evidenzgesteuerter, automatischer Checkpoint‑Schließung hinzu – live‑verifiziert mit einem Orchestrator‑Übergabetest (Orchestrator mitten in einer Phase killen; ein kalter Ersatz setzt nach zwei Aufrufen fort). Die Embed‑Lane hat jetzt einen Watchdog mit budgetierter Selbstheilung. Kürzliche Releases: v0.46.0 — Team‑Memory (pro‑User‑Keys, geteilte Arbeitsbereiche, Schreib‑Attribution), Session‑Replay mit kryptografischer Herkunft, OTel‑Gen‑AI‑Spans, CI/headless‑Memory‑CLI, chunked Embeddings, Export des Compliance‑Reports. v0.44.0 — temporale Fakten‑Supersession, dauerhaftes PG‑Task‑Graph, erste öffentliche LongMemEval‑Zahlen. v0.43.0 — Token‑budgetierter Recall‑Digest (behebt den 47k‑Token‑Recall‑Firehose bei reifen Projekten). v0.41–0.42** — Memory‑Quality‑Programm: fokussierter Recall, Konsolidierung, bi‑temporale Fenster, Multi‑Hop‑Graph‑Retrieval, TTL‑Memories, multimodale Ingestion. Vollständige Details in CHANGELOG.md; Architekturnotizen in ARCHITECTURE.md.

Question 11

Was ist SecureContext?

Accepted Answer

Wenn Sie Claude Code in realen Projekten einsetzen, stoßen Sie auf folgende Probleme: 1. Jede Sitzung beginnt von Neuem. Sie fügen dieselben Dateien erneut ein, erklären dieselben Entscheidungen erneut, entdecken dieselben Stolperfallen wieder – und zahlen Token für dieselbe Orientierungsarbeit immer wieder. 2. Langfristige Projekte haben keinen Lieferungsstatus. Wenn ein orchestrierender Agent mitten in einem Feature stirbt (Absturz, geschlossenes Fenster, erschöpfter Kontext), beginnt sein Ersatz blind. Menschen kompensieren das mit handgeschriebenen CHECKPOINT‑Dateien. 3. Es gibt keinen Nachweis darüber, was die Agenten tatsächlich getan haben. Wenn etwas schief läuft, hat Claude Code keine manipulationssichere Historie dessen, was ausgeführt wurde. 4. Skill‑Skripte laufen mit Ihren Berechtigungen, ungescannt. Jeder (oder jeder Agent) mit Schreibzugriff auf ~/.claude/skills/ kann Code einpflanzen, der beim nächsten Aufruf ausgeführt wird. 5. Parallele Sitzungen überschneiden sich. Zwei Fenster beanspruchen dieselbe Aufgabe; eines überschreibt die Änderungen des anderen. SecureContext ist ein MCP‑Plugin, das all diese fünf Punkte schließt. Installieren Sie es einmal und Ihre Agenten erhalten: Einen Speicher, der Neustarts überlebt – Entscheidungen, Stolperfallen und Projektzustand werden in einem Aufruf wiederhergestellt; semantische Zusammenfassungen pro Datei, die die Frage „Was macht diese Datei?“ mit einer Kompression von 15–50× statt Roh‑Lesen beantworten; eine temporale Suche, die erkennt, wann Dinge passiert sind und veraltetes Wissen kennzeichnet. Eine Lieferungs‑Schicht für langfristige Projekte – zcprogram verfolgt mehrphasige Programme; das Abschließen einer Phase erfordert Akzeptanznachweis und erzeugt automatisch einen durchsuchbaren Checkpoint; ein frischer Orchestrator setzt die Arbeit eines abgestorbenen Agenten nach nur zwei Aufrufen fort. Eine kryptografische Prüfspur – jede

designer-cognitive-instincts (Grade A)Sichere Daten-Verarbeitung zur AI-Kompetenz für Claude AI. A Klasse. KOGNITIVE INSTINKTE - extrahiert aus roles.json deepPrompt für Designer

Übersicht

Hauptfunktionen

Preise

Anwendungsfälle

Vor-Ort-Review

Design-Ausbildung

Pro & Contra

Pro

Contra

Bewertungen

Fragen & Antworten

Frage stellen

Alternativen zu Fähigkeiten