Question 1

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

Accepted Answer

SecureContext degradiert sanft je nach Hardwarestufe — jede LLM‑betriebene Ebene fällt geschlossen aus (die Funktion liefert stillschweigend nichts), anstatt Ingest oder Suche zu brechen. Was sich mit der Hardware ändert, ist, wie viel des Intelligenz‑Stacks aktiv ist:

| Tier   | Hardware                        | Passende Modelle                     | Was Sie erhalten
|--------|---------------------------------|--------------------------------------|------------------------------------------------------------
| Minimum | Jeder CPU, ~2 GB freier RAM   | nomic-embed-text (nur Embeddings)    | Hybrid‑BM25+Vektor‑Suche, Arbeits­gedächtnis, Audit‑Kette, Skills‑Gating — das Kern‑Feature. LLM‑Ebenen (Ereignis‑Extraktion, Entitäten‑Extraktion, Widerspruchs­aufschließung) bleiben inaktiv.
| Mid     | 8–16 GB GPU (oder Apple Silicon 16 GB+) | + qwen2.5-coder:14b oder phi4:14b (jeweils eines) | + Ereignis‑Fakten‑Extraktion beim Ingest (temporales Denken), LLM‑Widerspruchs‑Aufschließung, Entitäten‑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, bei interaktiver Latenz — plus ein starker lokaler Generator für QA/Benchmarks. Das ist die Konfiguration, auf der unsere veröffentlichten Benchmark‑Delta gemessen wurden.

Model‑Auswahl‑Richtlinien (alle gemessen, siehe bench/):
- Embeddings: nomic-embed-text — erforderlich, winzig, läuft überall.
- Ereignis‑Extraktion (ZCEVENTEXTRACTMODEL, Standard phi4:14b): unser Vergleich zeigte phi4:14b mit 100 % Ereignis‑Erinnerung / 100 % Datengenauigkeit, gleichwertig mit gpt‑oss:20b bei 2× Geschwindigkeit. Auf kleineren GPUs folgt qwen2.5-coder:14b knapp dahinter (84,6

Question 2

What do I need to run it?

Accepted Answer

Node 20+ and (recommended) Docker for the bundled PostgreSQL + Ollama stack. The one‑command installer does everything in about five minutes. A SQLite fallback runs with zero infrastructure.

Question 3

Can multiple Claude Code sessions work on the same project without conflicts?

Accepted Answer

Yes — parallel sessions atomically claim tasks from a work‑stealing queue (zero double‑claims at 50 agents × 100 tasks in testing), coordinate through typed broadcasts (ASSIGN/STATUS/MERGE/REJECT), and keep private per‑agent memory namespaces plus a shared pool. Department‑style hierarchies (heads + workers, N‑tier escalation) are supported for larger agent teams.

Question 4

Sind die Claude Code-Fähigkeiten sicher zu installieren?

Accepted Answer

Die Dateisystem-Fähigkeiten bündeln Skripte, die mit deinen Berechtigungen ausgeführt werden, und der native Loader von Claude Code scannt sie nicht. SecureContext fügt die fehlende Prüfung hinzu: AST-Scan bei der Zulassung, HMAC-Verifizierung vor jeder Ausführung, automatische Quarantäne bei Fehler oder nach Zulassung, und ein verifizierbares verkettetes Log jeder Zulassungsentscheidung.

Question 5

Sendet SecureContext meinen Code oder Daten in die Cloud?

Accepted Answer

Nein. Speicher, Embeddings (Ollama nomic-embed-text), Suche, Zusammenfassung und die Auditkette laufen vollständig lokal. Es arbeitet vollständig offline (die Suche degradiert sich bei Ausfall von Ollama auf Keyword‑nur), und die Kosten betragen $0, wenn es inaktiv ist.

Question 6

Kann es ein langes, mehrwöchiges Projekt verwalten?

Accepted Answer

Ja – genau dafür ist die Delivery‑Schicht gedacht. Definiere ein Programm mit Phasen (zc_program), und die Akzeptanz‑Checkliste der offenen Phase begleitet den Projektstatus. Das Schließen einer Phase erfordert eine Evidenz‑Tabelle und erzeugt automatisch ein Checkpoint‑Dokument. Wenn der orchestrierende Agent mitten in einer Phase abstürzt, kann ein neuer Agent den vollständigen Delivery‑Zustand aus zwei Aufrufen rekonstruieren – live verifiziert.

Question 7

Wie viel senkt SecureContext die Tokenkosten von Claude Code?

Accepted Answer

Gemessen an einem Projekt mit 10 Sitzungen: ~87 % weniger Kontext‑Overhead (Sitzungswiederherstellung kostet ~1,5–4 k Token statt 20–50 k der neu eingefügten Dateien). Bei langfristigen Projekten mit Hunderten gesammelter Erinnerungen hält das Recall‑Budget jede Wiederherstellung bei ~4 k Token, während ein unbegrenzter Dump ~47 k kosten 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). Danach rufen die Agenten `zcremember` auf, um Entscheidungen und Stolpersteine zu persistieren, und `zcrecall_context({focus: "current task"})` zu Beginn einer Sitzung, um sie wiederherzustellen. Die Wiederherstellung erfolgt nach Relevanz, wobei natürliche Sprachabfragen direkt aus dem Speicher beantwortet werden. Der Speicher überlebt Neustarts, Kompressionen und Reboots, weil er in PostgreSQL statt im Kontextfenster liegt.

Question 9

Wie unterscheidet es sich von Konkurrenten

Accepted Answer

Die meisten "Memory for Claude Code" Projekte machen eine von drei Dingen: Die Konversation in JSON einpacken, die Nachrichten speichern, sie wieder abspielen. Keine semantische Kompression, kein Audit‑Trail, kein Sicherheitsmodell. Synchronisierung zu einem Cloud‑Service. Besseres UX, aber jetzt lebt die Tool‑Geschichte Ihres Agenten (möglicherweise inklusive Geheimnisse, die er berührt hat) auf dem Server eines Dritten. Drop‑in‑Vektor‑Suche. Fügt RAG über Ihre Dokumente hinzu, hilft aber nicht bei dem eigentlichen Problem — das Orchestrieren dessen, was der Agent tut, die Verifikation dessen, was ausgeführt wurde, das Überleben der Sitzungskomprimierung. SecureContext ist keine dieser Optionen: | | SecureContext | Cloud‑Memory‑Services | Vektor‑RAG‑Plugins | Native Claude Code | |---|---|---|---|---| | Persistierend über Neustarts | ✅ Ja, lokales Postgres | ✅ Aber auf ihrem Server | ⚠️ Nur Dokumente, nicht Zustand | ❌ Verlustbehaftete Auto‑Kompression | | Delivery‑Programme + evidenzbasierte Checkpoints | ✅ zcprogram | ❌ | ❌ | ❌ | | HMAC‑Audit‑Trail | ✅ Pro-Agent‑Subkey | ❌ | ❌ | ❌ | | Pro-Agent‑Identitätsisolierung | ✅ HKDF + RLS | ❌ | ❌ | ❌ | | Skill‑Admission‑Gate (HMAC + AST) | ✅ | ❌ | ❌ | ❌ | | Manipulations‑nachweisbare Kette + Sitzungs‑Replay | ✅ | ❌ | ❌ | ❌ | | Work‑Stealing‑Queue für parallele Sitzungen | ✅ FOR UPDATE SKIP LOCKED | ❌ | ❌ | ❌ | | Läuft offline | ✅ Lokales Postgres + Ollama | ❌ | ⚠️ Abhängig | ✅ | | Kosten bei Leerlauf | $0 | Monatliches Abonnement | $0 | $0 | Im Vergleich zu den bekannten Memory‑Produkten: Mem0 und Zep sind exzellente gehostete Memory‑APIs für LLM‑Apps, die Sie bauen; Letta (MemGPT) ist ein Agenten‑Framework mit selbsteditierbarem Memory. SecureContext zielt auf eine andere Aufgabe — mich.

Question 10

Was ist neu (v0.46.1)

Accepted Answer

Temporale Retrieval-Runde 2 + das Delivery‑Tool‑Kit. Zusammengesetzte temporale Fragen zerlegen sich in Ereignis‑Sätze mit Ranks‑Fusion; temporale Suchen rendern ein chronologisches Timeline‑Block und veraltete Ergebnisse tragen Alterswarnungen. zcprogram fügt mehrphasige Lieferprogramme mit evidenzbasierter, automatischer Checkpoint‑schließung hinzu – live verifiziert mit einem Orchestrator‑Handoff‑Test (Orchestrator mittendrin abschalten; ein kalter Ersatz übernimmt von zwei Aufrufen). Der Embedding‑Lane besitzt jetzt einen Watchdog mit budgetierter Selbstheilung. Aktuelle Releases: v0.46.0 — Team‑Speicher (per‑User‑Keys, geteilte Arbeitsbereiche, Schreib‑Zugriffs‑Attribution), Session‑Replay mit kryptografischer Provenienz, OTel Gen‑AI Spans, CI/headless Memory‑CLI, chunked embeddings, Export von Compliance‑Berichten. v0.44.0 — temporale Fact‑Supersession, dauerhafter PG Task‑Graph, erste öffentliche LongMemEval‑Zahlen. v0.43.0 — token‑budgetierte Recall‑Digest (korrigiert die 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‑Mems, multimodale Ingestion. Vollständige Details in CHANGELOG.md; Architektur‑Notizen in ARCHITECTURE.md.

Question 11

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 wrap this with GPU auto-detection and a prod` mode (nginx reverse proxy).

Question 12

What is SecureContext?

Accepted Answer

If you use Claude Code on real projects, you have hit these walls: 1. Every session starts cold. You re-paste the same files, re-explain the same decisions, re-discover the same gotchas — and pay tokens for the same orientation work over and over. 2. Long projects have no delivery state. When an orchestrating agent dies mid-feature (crash, closed window, exhausted context), its replacement starts blind. People compensate with hand‑written CHECKPOINT files. 3. There is no record of what agents actually did. When something goes wrong, Claude Code has no tamper‑evident history of what ran. 4. Skill scripts run with your permissions, unscanned. Anyone (or any agent) with write access to ~/.claude/skills/ can plant code that runs on the next invocation. 5. Parallel sessions step on each other. Two windows claim the same task; one overwrites the other's edits. SecureContext is an MCP plugin that closes all five. Install it once and your agents get: Memory that survives restarts — decisions, gotchas, and project state restored in one call; per‑file semantic summaries answer "what does this file do" at 15–50× compression instead of raw reads; temporal search that knows when things happened and flags stale knowledge. A delivery layer for long‑running projects — zcprogram tracks multi‑phase programs; closing a phase requires acceptance evidence and auto‑generates a searchable checkpoint; a fresh orchestrator resumes a dead one's work from two calls. A cryptographic audit trail — every

developer-performance-instincts (Grade A)Sicherheitsgetestete Daten-AI-Fähigkeit für Claude AI. Grade A. VERFORMSAMMUNG INSTINKTE — extrahiert aus roles.json deepPrompt für Entwickler

Übersicht

Hauptfunktionen

Preise

Anwendungsfälle

Verbesserung der Anwendungsleistung

Optimierung von Datenbankabfragen

Verbesserung der Benutzererfahrung bei der Frontend-Optimierung

Pro & Contra

Pro

Contra

Bewertungen

Fragen & Antworten

Frage stellen

Alternativen zu Fähigkeiten

Manage Headers (Grade A)

Using Git Worktrees (Grade A)

Ga4 Bigquery Schema (Grade A)

Meta Capi (Grade A)

Callees (Grade A)

Test Module Name (Grade A)

Board Of Directors (Grade A)

Advpl Mvc Avancado (Grade A)