Question 1

Quels modèles locaux devrais-je exécuter et comment le matériel affecte-t-il SecureContext ?

Accepted Answer

SecureContext se dégrade de manière sécurisée en fonction du niveau de matériel — chaque couche alimentée par LLM échoue en mode fermé (la fonctionne contribue tout simplement rien) plutôt que de rompre l'ingestion ou la recherche. Ce qui change avec le matériel, c'est la quantité de la pile d'intelligence qui est active : | Niveau | Matériel | Modèles qui conviennent | Ce que vous obtenez | |---|---|---|---| | Minimum | Tout CPU, ~2 Go de mémoire RAM libre | nomic-embed-text (implémentation d'empreintes) | Recherche hybride BM25+vector, mémoire de travail, chaîne d'audit, contrôle d'accès — le noyau. Les couches LLM (extraction d'événements, extraction d'entités, adjudication de contradictions) restent inactives. | | Moyen | 8–16 Go GPU (ou Apple Silicon 16 Go+) | + qwen2.5-coder:14b ou phi4:14b (un à la fois) | + Extraction d'événements et de faits lors de l'ingestion (raisonnement temporel), adjudication de contradictions LLM, extraction d'entités, résumés de fichiers sémantiques L0/L1. | | Complet | 24 Go+ GPU (par exemple RTX 4090/5090) | + phi4:14b et gpt-oss:20b résidents ensemble | Tout, de manière concurrente, à une latence interactive — plus un générateur local puissant pour les questions/réponses et les références. C'est la configuration utilisée pour nos références de benchmark publiées. Guide de choix de modèle (tous mesurés, voir bench/): Empreintes: nomic-embed-text — requis, minuscule, fonctionne partout. Extraction d'événements (ZCEVENTEXTRACTMODEL, par défaut phi4:14b): notre concours a évalué phi4:14b à 100% de rappel d'événements / 100% d'exactitude de date, à égalité avec gpt-oss:20b à 2 fois la vitesse. Sur les GPU plus petits qwen2.5-coder:14b est juste derrière (84,6%

Question 2

Qu'est-ce qu'il me faut pour l'exécuter ?

Accepted Answer

Il faut Node 20+ et (recommandé) Docker pour le bundle PostgreSQL + Ollama. L'installation de commande unique fait tout en cinq minutes environ. Une fallback SQLite s'exécute avec zéro infrastructure.

Question 3

Des sessions multiples de Claude Code peuvent-elles travailler sur le même projet sans conflits ?

Accepted Answer

Oui – des sessions parallèles revendiquent atomiquement des tâches d'une file d'attente dérobée (zéro double-prises à 50 agents × 100 tâches en test), coordonnent via des diffusion émises (ASSIGN/STATUS/MERGE/REJECT), et maintiennent des namespaces de mémoire privés par agent et un pool partagé.

Question 4

Sont-ils les compétences Claude Code sûres à installer ?

Accepted Answer

Un bundles de scripts de compétences Filesystem s'exécute avec vos permissions, et le chargeur native de Claude Code ne les scanne pas.  SecureContext ajoute la porte manquante : scan AST en admission, vérification HMAC avant chaque exécution, quarantaine automatique en cas d'échec ou de changement en admission postérieure, et un journal verrouillé de toutes les décisions d'admission.

Question 5

Le SecureContext envoie mon code ou mes données vers le cloud ?

Accepted Answer

Non. La mémoire, les embeddings (Ollama nomic-embed-text), la recherche, la synthèse et lachaîne de suivi des modifications de la version fonctionnent localement. Il fonctionne entièrement en ligne de commande (la recherche se dégrade gracieusement vers une recherche par mots-clés si Ollama est à l'arrêt) et coûte 0 $ lorsqu'il est inactif.

Question 6

Peut-il gérer un projet de longue durée de plusieurs semaines ?

Accepted Answer

Oui — c'est ce qu'est la couche de livraison pour. Définissez un programme avec des phases (zc_program), et l'liste d'acceptation de phase ouverte se déplace avec l'état du projet. La clôture d'une phase nécessite une table d'éléments d'évidence et génère un document de vérification automatiquement. Si l'agent d'orchestration meurt en cours de phase, un nouvel agent reconstruit l'état complet de la livraison à partir de deux appels  — vérifié en temps réel.

Question 7

Le SecureContext réduit-t-il les coûts de token Claude Code ?

Accepted Answer

Mesuré à l'échelle d'un projet de 10 sessions : environ 87 % moins de surcharge de contexte (la restauration de session est de l'ordre de 1,5 à 4 k tokens au lieu de 20 à 50 k de fichiers collés à nouveau). Sur les projets à long terme avec des centaines de souvenirs accumulés, le budget de rappel maintient chaque rappel à environ 4 k tokens où un dump sans borne était de l'ordre de 47 k. Les questions sur les fichiers sont répondues à partir de 15 à 50 fois la quantité de sommaires sémantiques compressés au lieu de lectures brutes.

Question 8

Comment donner un mémoire persistant à Claude Codex aux sessions ?

Accepted Answer

Installez SecureContext (une commande — voir le guide de démarrage rapide), puis les agents appellent zcremember pour conserver les décisions et les trouvées et zcrecall_context({ focus : "tâche courante"}) lors du démarrage de la session pour les restaurer — classés par pertinence, avec des requêtes en langage naturel répondant directement à partir de la mémoire. La mémoire survivra aux redémarrages, compactions et redémarages car elle vit dans PostgreSQL, pas dans la fenêtre de contexte.

Question 9

Comment est-il différent des concurrents ?

Accepted Answer

La plupart des projets "memory for Claude Code" font l'une des trois choses : Envelopper la conversation en JSON. Enregistrent les messages, les rejouent. Pas de compression sémantique, pas d'audit, pas de modèle de sécurité. Synchronisez avec un service cloud. Déménagez une recherche vectorielle. Ajoutez un plugin RAG mais ne résolvez pas le problème réel — orchestrer ce que l'agent fait, vérifier ce qui a été exécuté, survivre à la compaction de session. Le SecureContext n'est aucun de ces choses : | | SecureContext | Cloud memory services | Vector RAG plugins | Native Claude Code | |---|---|---|---|---| | Persistants à l'arrêt | ✅ Oui, local Postgres | ✅ Mais sur leur serveur | ⚠️ Seulement les documents, pas l'état | | Livrables de programmes + points d'étape gérés par preuve | ✅ zcprogram | ❌ | ❌ | ❌ | | Chaine d'audit HMAC | ✅ Sous-clé sub-agent par agent | ❌ | ❌ | ❌ | | Isolation d'identité par agent (HKDF + RLS) | ✅ | ❌ | ❌ | ❌ | | Vérification d'admission des compétences (HMAC + AST) | ✅ | ❌ | ❌ | ❌ | | Chaîne de tamponnement évident + replay de session | ✅ | ❌ | ❌ | ❌ | | File d'attente pour travaux concurrents dans des sessions | ✅ FOR UPDATE SKIP LOCKED | ❌ | ❌ | ❌ | | Exécution hors ligne | ✅ Local Postgres + Ollama | ❌ | ⚠️ Dépend | ✅ | | Coût lorsque le système est inactif | $0 | Abonnement mensuel | $0 | $0 | En comparaison des produits de mémoire bien connus : Mem0 et Zep sont excellentes APIs de mémoire hôteses pour les applications LLM que vous avez construites; Letta (MemGPT) est un cadre d'agent avec une mémoire auto-éditable. Le SecureContext cible un autre travail — moi

Question 10

Qu'est-ce que SecureContext?

Accepted Answer

Si vous utilisez Claude Code sur des projets réels, vous aurez déjà rencontré ces problèmes : 1. Chaque session commence froide. Vous ré-enregistrez les mêmes fichiers, vous ré-expliquez les mêmes décisions, vous redécouvrez les mêmes pièges — et vous payez des jetons pour le même travail d'orientation plusieurs fois. 2. Les grands projets n'ont pas d'état de livraison. Lorsqu'un agent orchestrateur meurt en plein fonctionnalité (crash, fenêtre fermée, contexte épuisé), son remplaçant commence les yeux bandés. Les personnes compensent avec des fichiers CHECKPOINT manuscrits. 3. Il n'y a aucun enregistrement de ce que les agents ont effectivement réalisé. Lorsque quelque chose va mal, Claude Code n'a pas d'histoire tamponnable de ce qui a été exécuté. 4. Les scripts de compétences exécutent avec vos permissions, non scannés. N'importe qui (ou n'importe quel agent) avec un accès en écriture à `~/.claude/skills/` peut planter du code qui s'exécutera à la prochaine invocation. 5. Les sessions parallèles se chevauchent les unes les autres. Deux fenêtres revendiquent la même tâche ; l'une surcrit l'autre édits. SecureContext est un module d'extension MCP qui ferme les cinq points. Installez-le une seule fois et vos agents obtiendront : Une mémoire qui survit aux redémarrages — décisions, pièges et state de projet restaurés dans une seule appels ; des résumés semantiques par fichier qui répondent « qu'est-ce que ce fichier fait » à 15–50 × compression au lieu de lectures raw ; recherche temporelle qui sait quand les choses se sont produites et signale des connaissances périmées. Un socle de livraison pour les projets longues courant — zcprogram suit les programmes multi-phases ; la fermeture d'une phase nécessite des preuves d'acceptation et génère automatiquement un point de contrôle de recherche ; un nœud orchestreur frais reprend le travail d'un orchestrateur mort depuis deux appels. Un traçage cryptographique — tout

Question 11

Quels sont les nouveaux éléments de cette release ? (v0.46.1)

Accepted Answer

La mise en œuvre des interrogations temporelles est arrivée au round 2 avec le kit de livraison-tool. Les questions temporelles composées se décomposent en clauses d'événements avec fusion de rang ; les recherches temporelles génèrent un bloc de chronologie Timeline et les résultats périmés portent des avertissements d'âge. zcprogram ajoute des programmes de livraison multi-phases avec fermeture automatique de phase — prouvée en direct avec un test d'orchestration de remplacement (tuez l'orchestrateur en milieu de phase ; une remplacement froide reprend à deux appels). La bande d'embed now a un guetteur doté d'un auto-guérison budgétaire. Les versions plus récentes : v0.46.0 — la mémoire d'équipe (clés par utilisateur, espaces de travail partagés, attribution d'écriture), replay de session avec provenance cryptographique, OTel Gen-AI spans, mémoire CLI tête/ CI sans tête, embeddings découpés, export de rapport de conformité. v0.44.0 — remplacement temporel des faits, graphique de tâche durable PG, premiers nombres publics LongMemEval. v0.43.0 — rappel décomposé avec budget de tokens (solution de la tuyauterie de rappel arrosée à 47k-token sur les projets mûrs). v0.41–0.42** — programme de qualité de la mémoire : rappel ciblé, consolidation, fenêtres bi-temporelles, récupération de graphes multi-sauts, mémoires à TTL, ingestion multimodale. Détails complets dans CHANGELOG.md ; notes d'architecture dans ARCHITECTURE.md.

designer-nielsen-s-10-heuristics-applied (Grade A)Compétence de sécurité-testée pour l'IA Claude. Calibre A. LES 10 HEURÉTIQUES DE NIELSEN — APPLIQUÉES — issues de deepPrompt pour l'éditeur

Aperçu

Fonctionnalités clés

Tarifs

Cas d’usage

Concevoir des interfaces utilisateur

Évaluer des interfaces existantes

Pour & contre

Pour

Contre

Avis

Questions & réponses

Poser une question

Alternatives à Compétences