Question 1

Welche lokalen Modelle sollte ich ausführen und wie beeinflusst die Hardware den SecureContext?

Accepted Answer

SecureContext verschlechtert sich sanft mit der Hardwarestufe — jede LLM‑gestützte Schicht fällt geschlossen ab (die Funktion trägt leise nichts bei), anstatt das Ingest oder die Suche zu brechen. Was sich mit der Hardware ändert, ist, wie viel des Intelligenzstapels aktiv ist:

| Tier | Hardware | Modelle, die passen | Was Sie bekommen |
|---|---|---|---|
| Minimum | Jeder CPU, ~2 GB RAM frei | nomic-embed-text (nur Embeddings) | Hybrid BM25+Vektor‑Suche, Arbeitsspeicher, Audit‑Kette, Skills‑Gate – das Kernstück. LLM‑Schichten (Ereignis‑Extraktion, Entität‑Extraktion, Widerspruchs­prüfung) bleiben inaktiv. |
| Mid | 8–16 GB GPU (oder Apple Silicon 16 GB+) | + qwen2.5-coder:14b oder phi4:14b (jeweils eines) | + Ereignis‑Fact‑Extraktion bei Ingest (temporale Logik), LLM‑Widerspruchs­prüfung, Entität‑Extraktion, L0/L1 semantische Dateizusammenfassungen. |
| Full | 24 GB+ GPU (z. B. RTX 4090/5090) | + phi4:14b und gpt-oss:20b gleichzeitig im Speicher | Alles, gleichzeitig, mit interaktiver Latenz – plus ein starker lokaler Generator für QA/Benchmarks. Dies ist die Konfiguration, auf der unsere veröffentlichten Benchmark‑Differenzen gemessen wurden. |

Anleitung zur Modellwahl (alles gemessen, siehe bench/):
- Embeddings: nomic-embed-text – erforderlich, klein, läuft überall.
- Ereignis‑Extraktion (ZCEVENTEXTRACTMODEL, Standard phi4:14b): unser Vergleichs‑Test erzielte bei phi4:14b 100 % Ereignis‑Erinnerung / 100 % Datengenauigkeit, gleichbedeutend mit gpt-oss:20b bei 2× der Geschwindigkeit. Auf kleineren GPUs ist qwen2.5-coder:14b nahe dran (84,6 % Erinnerung).
- Coder‑Modelle ≠ besser: q

Question 2

Was brauche ich, um es auszuführen?

Accepted Answer

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

Question 3

Können mehrere Claude‑Code‑Sessions am selben Projekt arbeiten, ohne Konflikte zu verursachen?

Accepted Answer

Ja – parallele Sessions beanspruchen Aufgaben atomar aus einer Work‑Stealing‑Queue (keine Doppelbeanspruchungen bei 50 Agenten × 100 Aufgaben im Test), koordinieren sich über typisierte Broadcasts (ASSIGN/STATUS/MERGE/REJECT) und besitzen private Speicher‑Namespaces pro Agent sowie einen gemeinsamen Pool. Hierarchien im Abteilungsstil (Leiter + Mitarbeiter, N‑Stufen‑Eskalation) werden für größere Agententeams unterstützt.

Question 4

Sind die Claude Code-Fähigkeiten sicher zu installieren?

Accepted Answer

Filesystem‑Skills bündeln Skripte, die mit Ihren Berechtigungen ausgeführt werden, und der native Loader von Claude Code scannt sie nicht. SecureContext ergänzt die fehlende Tür: AST‑Scan bei der Zulassung, HMAC‑Verifikation vor jeder Ausführung, automatische Quarantäne bei Fehlern oder nach Zulassungsänderungen und ein verifizierbares, verkettetes Log jeder Zulassungsentscheidung.

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 vollständig lokal. Es funktioniert komplett offline (die Suche degradiert sich sanft zu nur Schlüsselwortsuche, wenn Ollama ausfällt) und kostet $0 bei Leerlauf.

Question 6

Kann es ein langes, mehrwöchiges Projekt verwalten?

Accepted Answer

Ja – das ist genau die Aufgabe der Delivery-Schicht. Definieren Sie ein Programm mit Phasen (zc_program), und die Akzeptanzcheckliste der offenen Phase begleitet den Projektstatus. Das Schließen einer Phase erfordert eine Evidenztabelle und erzeugt automatisch ein Checkpoint-Dokument. Wenn der orchestrierende Agent mitten in einer Phase abstürzt, rekonstruiert ein neuer Agent den vollständigen Lieferstatus aus zwei Aufrufen – live verifiziert.

Question 7

Wie viel reduziert SecureContext die Tokenkosten von Claude Code?

Accepted Answer

Gemessen an einem Projekt mit 10 Sitzungen: ~87 % weniger Kontext-Overhead (Sitzungswiederherstellung benötigt ~1,5–4k Tokens statt 20–50k durch erneutes Einfügen von Dateien). Bei langlebigen Projekten mit Hunderten von gespeicherten Erinnerungen bleibt das Erinnerungsbudget bei ~4k Tokens, wohingegen ein unbegrenzter Dump ~47k betragen würde. Fragen zu Dateien werden aus 15–50× komprimierten semantischen Zusammenfassungen beantwortet, statt aus Rohdaten.

Question 8

Wie kann ich Claude Code über Sessions hinweg persistente Erinnerung geben?

Accepted Answer

Installieren Sie SecureContext (ein Befehl – siehe Quick Start). Danach rufen Agenten zcremember auf, um Entscheidungen und Fallstricke zu persistieren, und zcrecall_context({focus: "current task"}) beim Sitzungsstart, um sie wiederherzustellen – sortiert nach Relevanz, wobei Zeitabfragen in natürlicher Sprache direkt aus dem Speicher beantwortet werden. Der Speicher überlebt Neustarts, Kompressionen und Reboots, da er in PostgreSQL gespeichert ist, nicht im Kontextfenster.

Question 9

Wie unterscheidet es sich von Konkurrenten

Accepted Answer

Die meisten "Memory for Claude Code" Projekte erledigen eines von drei Dingen: Die Konversation wird in JSON verpackt, die Nachrichten werden gespeichert und wieder abgespielt. Dabei gibt es keine semantische Kompression, keine Audit‑Trail und kein Sicherheitsmodell. Die Daten werden mit einem Cloud‑Service synchronisiert. Das bietet ein besseres UX, aber jetzt lebt die Werkzeughistorie deines Agenten (möglicherweise einschließlich von Geheimnissen, die er verarbeitet hat) auf einem fremden Server. Oder man setzt einen Vektor‑Such-Ansatz ein. Das fügt RAG (Retriever‑Augmented Generation) über deine Dokumente hinzu, hilft aber nicht mit dem eigentlichen Problem – dem Orchestrieren, was der Agent tut, dem Verifizieren, was ausgeführt wurde, und dem Überleben von Sitzungs‑Kompression. SecureContext ist keines dieser Ansätze:

| SecureContext | Cloud‑Memory‑Services | Vector‑RAG‑Plugins | Native Claude Code |
|---|---|---|---|
| Persistiert über Neustarts | ✅ Ja, lokales Postgres | ✅ Aber auf ihrem Server | ⚠️ Nur Dokumente, kein Zustand |
| Delivery‑Programme + evidenzbasierte Checkpoints | ✅ zcprogram | ❌ | ❌ | ❌ |
| HMAC Audit‑Trail | ✅ Per‑Agent‑Subkey | ❌ | ❌ | ❌ |
| Per‑Agent‑Identitäts-Isolation | ✅ HKDF + RLS | ❌ | ❌ | ❌ |
| Skill‑Admittance‑Gate (HMAC + AST) | ✅ | ❌ | ❌ | ❌ |
| Tamper‑Evident‑Chain + Sitzungs‑Replay | ✅ | ❌ | ❌ | ❌ |
| Work‑Stealing‑Queue für parallele Sitzungen | ✅ FOR UPDATE SKIP LOCKED | ❌ | ❌ | ❌ |
| Läuft offline | ✅ Lokales Postgres + Ollama | ❌ | ⚠️ Abhängig | ✅ |
| Kosten bei Inaktivität | $0 | Monatsabonnement | $0 | $0 |

Im Vergleich zu den bekannten Memory‑Produkten: Mem0 und Zep sind exzellente gehostete Memory‑APIs für LLM‑Apps, die du entwickelst; Letta (MemGPT) ist ein Agenten‑Framework mit selbsteditierbarem Speicher. SecureContext verfolgt ein anderes Ziel – es dient nicht dem Speicher, sondern der sicheren

Question 10

NVIDIA GPU? add: -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 diesen Prozess mit GPU‑Auto‑Detection und einem Produktionsmodus (nginx Reverse Proxy) verpacken.

Question 11

What's new (v0.46.1)

Accepted Answer

Zweite Runde der temporal retrieval + das delivery‑tool‑Kit. Komplexe zeitbezogene Fragen zerlegen sich in Ereignis‑Sätze mit Rank‑Fusion; zeitbezogene Suchen erzeugen einen chronologischen Timeline‑Block und veraltete Ergebnisse tragen Alterswarnungen. zcprogram fügt mehrphasige Lieferprogramme mit evidenz‑basierten, automatisch checkpointenden Phasenabschluss hinzu – live‑verifiziert mit einem Orchestrator‑Handoff‑Test (Orchestrator während der Phase beenden; ein kalter Ersatz startet von zwei Aufrufen weiter). Der Embed‑Lane verfügt jetzt über einen Watchdog mit budgetiertem Self‑Healing. Aktuelle Releases: v0.46.0 — Team‑Gedächtnis (benutzerspezifische Schlüssel, geteilte Arbeitsbereiche, Schreib‑Attribution), Session‑Replay mit kryptographischer Provenienz, OTel Gen‑AI‑Spans, CI/headless Memory‑CLI, chunked embeddings, Compliance‑Report‑Export. v0.44.0 — temporale Faktus‑Supersession, dauerhafter PG‑Task‑Graph, erste öffentliche LongMemEval‑Zahlen. v0.43.0 — token‑budgetierte Recall‑Digest (korrigiert den 47k‑Token‑Recall‑Firehose bei reifen Projekten). v0.41–0.42** — Memory‑Quality‑Programm: fokussiertes Recall, Konsolidierung, bi‑temporale Fenster, Multi‑Hop‑Graph‑Retrieval, TTL‑Memories, multimodale Ingestion. Vollständige Details in CHANGELOG.md; Architektur‑Notizen in ARCHITECTURE.md.

Question 12

Was ist SecureContext?

Accepted Answer

Wenn du Claude Code in echten Projekten einsetzt, triffst du auf folgende Hürden:
1. Jede Sitzung startet von neuem. Du musst dieselben Dateien erneut einfügen, die gleichen Entscheidungen erneut erklären und die gleichen Stolperfallen wiederentdecken – und dafür Tokens für dieselbe Ausrichtungsarbeit bezahlen.
2. Lange Projekte haben keinen Zustandszustand. Wenn ein orchestrierender Agent mitten im Feature (Kollision, geschlossenes Fenster, erschöpfter Kontext) abstürzt, startet sein Nachfolger blind. Menschen kompensieren das mit handgeschriebenen CHECKPOINT-Dateien.
3. Es gibt keine Aufzeichnung dessen, was Agenten tatsächlich getan haben. Wenn etwas schiefgeht, hat Claude Code keine manipulationssichere Historie dessen, was ausgeführt wurde.
4. Skill-Skripte laufen mit deinen Berechtigungen, ungescannt. Jeder (oder jeder Agent) mit Schreibzugriff auf ~/.claude/skills/ kann Code einpflanzen, der bei der nächsten Ausführung läuft.
5. Parallel-Sitzungen stoßen sich gegenseitig auf. Zwei Fenster beanspruchen die gleiche Aufgabe; eines überschreibt die Änderungen des anderen.
SecureContext ist ein MCP-Plugin, das all diese fünf Punkte löst. Installiere es einmal und deine Agenten erhalten: Speicher, der Neustarts überdauert – Entscheidungen, Stolperfallen und Projektstatus werden in einem Aufruf wiederhergestellt; per-Datei semantische Zusammenfassungen, die „was tut diese Datei?“ bei 15–50× Kompression statt roher Leseanfragen beantworten; temporäre Suche, die weiß, wann Dinge passiert sind, und veraltetes Wissen kennzeichnet. Eine Lieferschicht für lang laufende Projekte – zcprogram verfolgt mehrphasige Programme; das Schließen einer Phase erfordert Akzeptanznachweis und generiert automatisch einen suchbaren Checkpoint; ein neuer Orchestrator setzt die Arbeit eines toten Agents mit zwei Aufrufen fort. Ein kryptografisches Prüfverlauf – jeder

designer-common-anti-patterns (Grade A)Sicherheitsgetestete Daten-IA-Fähigkeit für Claude AI. Grade A. GEMEINSAME ANTI-PATTERNS — extrahiert aus roles.json deepPrompt für Designer

Übersicht

Hauptfunktionen

Preise

Anwendungsfälle

Zugängliche Formulare entwerfen

Fehlerbehandlung verbessern

Pro & Contra

Pro

Contra

Bewertungen

Fragen & Antworten

Frage stellen

Alternativen zu Fähigkeiten