Question 1

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

Accepted Answer

Der SecureContext degradiert sanft mit der Hardwarestufe — jede LLM-gestützte Schicht bleibt geschlossen (das Feature trägt leise nichts bei), statt Ingest oder Suche zu brechen. Was sich mit der Hardware ändert, ist, wie viel des Intelligenzstapels aktiv ist:

| Tier | Hardware | Modelle, die passen | Was Sie erhalten |
|---|---|---|---|
| Minimum | Jeder CPU, ~2 GB RAM frei | nomic-embed-text (nur Einbettungen) | Hybrid BM25+Vektor-Suche, Arbeitspeicher, Audit-Chain, Skills‑Gating — das Kernstück. LLM-Schichten (Ereigniserfassung, Entitätserfassung, Widerspruchsauflösung) bleiben inaktiv. |
| Mid | 8–16 GB GPU (oder Apple Silicon 16 GB+) | + qwen2.5-coder:14b oder phi4:14b (jeweils eines) | + Ereignis‑Fakten‑Extraktion bei Ingest (temporales Denken), LLM‑Widerspruchsauflösung, Entitätserfassung, L0/L1 semantische Dateizusammenfassungen. |
| Full | 24 GB+ GPU (z. B. RTX 4090/5090) | + phi4:14b und gpt-oss:20b gemeinsam im Speicher | Alles gleichzeitig, bei interaktiver Latenz — plus ein starker lokaler Generator für QA/Benchmarks. Diese Konfiguration war die, auf der unsere veröffentlichten Benchmark‑Delta gemessen wurden.

Modelwahl‑Anleitung (alle gemessen, siehe bench/):
- Einbettungen: nomic-embed-text — erforderlich, winzig, läuft überall.
- Ereigniserfassung (ZCEVENTEXTRACTMODEL, Standard phi4:14b): unsere Vergleichs‑Analyse zeigte phi4:14b mit 100 % Ereignis‑Erinnerung / 100 % Datum‑Genauigkeit, gleichauf mit gpt-oss:20b bei 2‑mal schneller.
- Auf kleineren GPUs ist qwen2.5-coder:14b knapp dahinter (84,6 % Erkennung).
- Coder‑Modelle ≠ besser: qwen2.5-coder:32b erzielte trotz Größe das schlechteste Ergebnis (69,2

Question 2

Was brauche ich, um es auszuführen?

Accepted Answer

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

Question 3

Können mehrere Claude Code-Sitzungen an demselben Projekt ohne Konflikte arbeiten?

Accepted Answer

Ja – parallele Sitzungen beanspruchen Aufgaben aus einer Work‑Stealing‑Queue atomar (keine doppelten Beanspruchungen bei 50 Agenten × 100 Aufgaben im Test), koordinieren über typisierte Broadcasts (ASSIGN/STATUS/MERGE/REJECT) und behalten private, pro Agenten Memory‑Namespaces sowie einen gemeinsamen Pool bei. Hierarchien nach Abteilung (Leiter + Arbeiter, N‑Tier‑Escalation) werden für größere Agenten­teams unterstützt.

Question 4

Sind Claude Code-Fähigkeiten sicher zu installieren?

Accepted Answer

Filesytem-Fähigkeiten bündeln Skripte, die mit Ihren Berechtigungen ausgeführt werden, und der native Loader von Claude Code scannt sie nicht. SecureContext fügt die fehlende Schutzschicht hinzu: AST-Scan bei der Zulassung, HMAC‑Verifikation vor jeder Ausführung, automatische Quarantäne bei Fehlern oder Änderungen nach der Zulassung und ein prüfbares, 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 lokal. Es arbeitet vollständig offline (die Suche degradiert sich sanft zu reinen Schlüsselwörtern, falls Ollama ausfällt) und kostet $0 in Leerlauf.

Question 6

Kann es ein langes, mehrwöchiges Projekt verwalten?

Accepted Answer

Ja — genau dafür ist die Liefer‑Schicht gedacht. Definieren Sie ein Programm mit Phasen (zc_program), und die Akzeptanzcheckliste der offenen Phase begleitet den Projektstatus. Der Abschluss einer Phase erfordert eine Evidenz‑Tabelle und erzeugt automatisch ein Checkpoint‑Dokument. Wenn der orchestrierende Agent mitten in einer Phase abstürzt, rekonstruiert ein neuer Agent den vollständigen Lieferzustand aus zwei Aufrufen — live verifiziert.

Question 7

Wie viel senkt SecureContext die Claude-Code-Tokenkosten?

Accepted Answer

Gemessen über ein 10‑Sitzungsprojekt: ~87 % weniger Kontext‑Overhead (Sitzungswiederherstellung kostet ~1,5–4 k Tokens statt 20–50 k von erneut eingefügten Dateien). Bei langanhaltenden Projekten mit Hunderten an akkumulierten Erinnerungen bleibt das Erinnerungsbudget bei ~4 k Tokens, während ein unbegrenzter Dump ~47 k betragen würde. Datei‑Fragen werden aus 15–50× komprimierten semantischen Zusammenfassungen beantwortet statt aus Rohlesungen.

Question 8

Wie kann ich Claude Code über Sitzungen hinweg persistenten Speicher geben?

Accepted Answer

Installiere SecureContext (ein Befehl – siehe Quick Start), dann rufen Agenten zcremember auf, um Entscheidungen und Stolpersteine zu speichern, und zcrecall_context({focus: "current task"}) zu Beginn einer Sitzung, um sie wiederherzustellen – nach Relevanz sortiert, mit natürlichen Sprachzeitabfragen, die direkt aus dem Speicher beantwortet werden. Der Speicher überlebt Neustarts, Kompressionen und Reboots, weil er in PostgreSQL gespeichert wird, nicht im Kontextfenster.

Question 9

Wie unterscheidet es sich von Konkurrenzprodukten?

Accepted Answer

Die meisten "Memory für Claude Code"-Projekte machen eines von drei Dingen: Sie hüllen die Konversation in JSON ein. Sie speichern die Nachrichten und spielen sie nach. Keine semantische Kompression, keine Audit-Trail, kein Sicherheitsmodell. Synchronisieren Sie das Tool mit einem Cloud-Dienst. Eine bessere Benutzererfahrung, aber das Tool-Historik Ihres Agents lebt nun auf einem fremden Server. Ein Vektor-Search-Plugin einbetten. Dies fügt über die Dokumente ein RAG hinzu, aber hilft bei dem tatsächlichen Problem nicht — der Agent-Logik zu steuern, die Ausführung zu verifizieren, Sitzungen bei der Komprimierung zu überleben. SecureContext ist kein eines dieser: | | SecureContext | Cloud-Gedächtnisdienste | Vektor-RAG-Plugins | Native Claude Code | |---|---|---|---|---| | Persistente Überwindung von Wiedereinstellungen | ✅ Ja, lokales Postgres | ✅ Aber auf ihrem Server | ⚠️ Nur Dokumente, nicht Zustand | | Programme zum Überbringen + Evidence-gategte Checkpoints | ✅ zcprogram | ❌ | ❌ | ❌ | | HMAC-Audit-Trail | ✅ Per-Agent-Unterschlüsselung | ❌ | ❌ | ❌ | | Pro-Agent-Identitätsisolation | ✅ HKDF + RLS | ❌ | ❌ | ❌ | | Skill-Zulassungsglatt (HMAC + AST) | ✅ | ❌ | ❌ | ❌ | | Tamper-evidenter Kette + Sitzungs-Abbildung | ✅ | ❌ | ❌ | ❌ | | Work Stealing Queue für parallelisierte Sitzungen | ✅ FOR UPDATE SKIP LOCKED | ❌ | ❌ | ❌ | | Offline-Funktion | ✅ Lokales Postgres + Ollama | ❌ | ⚠️ Abhängig | ✅ | | Kosten bei Inaktivität | $0 | Monatliche Abonnement | $0 | $0 | Im Vergleich zu den bekannten Gedächtniserzeugnissen: Mem0 und Zep sind hervorragende gesponserte Gedächtnis- APIs für Apps, die Sie mit LLM bauen; Letta (MemGTP) ist ein Agentenframework mit selbst korrigierendem Gedächtnis. SecureContext zielt auf ein anderes Ziel ab –

Question 10

Was ist ein SecureContext?

Accepted Answer

Wenn Sie Claude Code in realen Projekten einsetzen, stoßen Sie auf diese Hindernisse:
1. Jede Sitzung beginnt von vorne. Sie fügen dieselben Dateien erneut ein, erklären dieselben Entscheidungen erneut, entdecken dieselben Stolpersteine neu – und bezahlen Tokens für die gleiche Orientierungshilfe immer wieder.
2. Langfristige Projekte haben keinen Zustandszustand. Wenn ein orchestrierender Agent mitten in einer Funktion stirbt (Absturz, geschlossener Fenster, erschöpfter Kontext), startet sein Ersatz blind. Menschen kompensieren dies mit handgeschriebenen CHECKPOINT‑Dateien.
3. Es gibt keine Aufzeichnung dessen, was die Agenten tatsächlich getan haben. Wenn etwas schief geht, hat Claude Code keine manipulationssichere Historie dessen, was ausgeführt wurde.
4. Skill‑Skripte laufen mit Ihren Berechtigungen, ohne gescannt. Jeder (oder jeder Agent) mit Schreibzugriff auf ~/.claude/skills/ kann Code einpflanzen, der beim nächsten Aufruf ausgeführt wird.
5. Parallele Sitzungen treten sich gegenseitig auf. Zwei Fenster beanspruchen dieselbe Aufgabe; ein Fenster überschreibt die Änderungen des anderen.
SecureContext ist ein MCP‑Plugin, das all diese fünf Probleme löst. Installieren Sie es einmal, und Ihre Agenten erhalten:
- Gedächtnis, das Neustarts überdauert – Entscheidungen, Stolpersteine und Projektstatus werden in einem Aufruf wiederhergestellt;
- Semantische Zusammenfassungen pro Datei, die beantworten „was macht diese Datei“ bei einer Kompression von 15–50× statt roher Lesevorgänge;
- Temporäre Suche, die weiß, wann Dinge passiert sind, und veraltetes Wissen flaggt;
- Eine Lieferungsschicht für lang laufende Projekte – zcprogram verfolgt mehrphasige Programme; das Schließen einer Phase erfordert Akzeptanznachweise und generiert automatisch einen durchsuchbaren Checkpoint; ein frischer Orchestrator setzt die Arbeit eines toten Agents von zwei Aufrufen an;
- Ein kryptografischer Audit‑Trail – jede

Question 11

What's new (v0.46.1)

Accepted Answer

Temporale Retrieval-Runde 2 + das Delivery-Tool-Kit. Komplexe zeitliche Fragen zerlegen sich in Ereignisklammern mit Rangfusion; zeitliche Suchen erzeugen einen chronologischen Timeline-Block und veraltete Ergebnisse tragen Alterswarnungen. zcprogram fügt mehrphasige Lieferprogramme mit evidenzgesteuerten, auto-Checkpointing-Phasenabschluss hinzu – live verifiziert mit einem Orchestrator-Handoff-Test (Orchestrator während der Phase abwürgen; eine kalte Ersatzinstanz setzt von zwei Aufrufen fort). Die Embed Lane verfügt jetzt über einen Watchdog mit budgetiertem Self-Healing. Neueste Releases: v0.46.0 – Team-Speicher (pro Benutzer Schlüssel, geteilte Arbeitsbereiche, Schreibattribution), Sitzungswiederholungen mit kryptographischer Herkunft, OTel Gen-AI Spans, CI/Headless Speicher CLI, chunked Embeddings, Export von Compliance-Berichten. v0.44.0 – temporale Fakten-Überschreibung, dauerhafter PG Task Graph, erste öffentliche LongMemEval Zahlen. v0.43.0 – token-budgetierte Recall Digest (behebt den 47k-Token Recall Firehose bei ausgereiften Projekten). v0.41–0.42** – Memory-Quality Programm: fokussierter Recall, Konsolidierung, bi-temporale Fenster, Multi-Hop Graph Retrieval, TTL-Memories, multimodale Aufnahme. Vollständige Details in CHANGELOG.md; Architekturnotizen in ARCHITECTURE.md

designer-nielsen-s-10-heuristics-applied (Grade A)Sicherheitsgetestete Daten-IA-Fähigkeit für Claude AI. Auszeichnung A.

Übersicht

Hauptfunktionen

Preise

Anwendungsfälle

Benutzeroberflächengestaltung

Bewertung existierender Schnittstellen

Pro & Contra

Pro

Contra

Bewertungen

Fragen & Antworten

Frage stellen

Alternativen zu Fähigkeiten