Question 1

Quali modelli locali dovrei eseguire, e come l'hardware influisce su SecureContext?

Accepted Answer

SecureContext si degrada in modo graduale in base al livello hardware — ogni livello potenziato da LLM fallisce in chiusura (la funzione non contribuisce in modo evidente) anziché interrompere l'ingest o la ricerca. Ciò che cambia con l'hardware è quanto della pila di intelligenza è attivo: 
| Livello | Hardware | Modelli adatti | Cosa ottieni |
|---|---|---|---|
| Minimo | Qualsiasi CPU, ~2 GB RAM liberi | nomic-embed-text (solo embeddings) | Ricerca ibrida BM25+vector, memoria di lavoro, catena di audit, gating delle skill — il core. I livelli LLM (estrazione di eventi, estrazione di entità, arbitrato di contraddizioni) rimangono inattivi. |
| Intermedio | 8–16 GB GPU (o Apple Silicon 16 GB+) | + qwen2.5-coder:14b o phi4:14b (uno alla volta) | + Estrazione di fatti evento all'ingest (ragionamento temporale), arbitrato di contraddizioni LLM, estrazione di entità, sommari semantici file L0/L1. |
| Completo | 24 GB+ GPU (es. RTX 4090/5090) | + phi4:14b e gpt-oss:20b residenti insieme | Tutto, contemporaneamente, a latenza interattiva — più un forte generatore locale per QA/benchmark. Questa è la configurazione su cui sono stati misurati i delta del benchmark pubblicato. Guida alla scelta dei modelli (tutti misurati, vedi bench/): Embedding: nomic-embed-text — richiesto, piccolissimo, funziona ovunque. Estrazione di eventi (ZCEVENTEXTRACTMODEL, predefinito phi4:14b): il nostro bakeoff ha ottenuto phi4:14b con 100% di recall eventi / 100% di accuratezza data, pareggiando gpt-oss:20b a 2× la velocità. Su GPU più piccole qwen2.5-coder:14b è quasi al passo (84,6% recall). I modelli coder ≠ migliori: qwen2.5-coder:32b ha ottenuto il peggiore (69,2%) nonostante la sua dimensione.

Question 2

What do I need to run it?

Accepted Answer

Node 20+ e (consigliato) Docker per lo stack PostgreSQL + Ollama in bundle. L'installer a comando singolo esegue tutto in circa cinque minuti. Una modalità fallback SQLite funziona senza infrastruttura.

Question 3

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

Accepted Answer

Sì — sessioni parallele rivendicano in modo atomico i compiti da una coda di lavoro "work‑stealing" (zero doppie rivendicazioni a 50 agenti × 100 compiti nei test), si coordinano tramite trasmissioni tipizzate (ASSIGN/STATUS/MERGE/REJECT) e mantengono namespace di memoria privata per agente più un pool condiviso. Sono supportate gerarchie in stile dipartimentale (capi + lavoratori, escalation N‑tier) per squadre di agenti più grandi.

Question 4

Are Claude Code skills safe to install?

Accepted Answer

I pacchetti di competenze di filesystem di Claude Code includono script che vengono eseguiti con le tue autorizzazioni, e l'loader nativo di Claude Code non li esamina. SecureContext aggiunge la porta mancante: scansione AST all'ingresso, verifica HMAC prima di ogni esecuzione, quarantena automatica in caso di fallimento o modifica post-ingresso e un registro concatenato verificabile di ogni decisione di ingresso.

Question 5

SecureContext invia il mio codice o i miei dati al cloud?

Accepted Answer

No. La memoria, gli embeddings (Ollama nomic-embed-text), la ricerca, la sintesi e la catena di audit funzionano tutti localmente. Funziona completamente offline (la ricerca degrada in modo graduale a parole chiave se Ollama è in panne) e costa $0 quando è inattivo.

Question 6

Può gestire un progetto lungo, multi-settimana?

Accepted Answer

Sì — è per questo che serve il livello di consegna. Definisci un programma con fasi (zc_program), e la checklist di accettazione della fase aperta viaggia con lo stato del progetto. Chiudere una fase richiede una tabella di evidenze e genera automaticamente un documento di checkpoint. Se l'agente orchestratore muore a metà fase, un nuovo agente ricostruisce lo stato completo della consegna con due chiamate — verificato in tempo reale.

Question 7

Quanto riduce SecureContext i costi dei token di Claude Code?

Accepted Answer

Misurato su un progetto di 10 sessioni: ~87% di riduzione dell'overhead di contesto (il ripristino della sessione è di ~1,5–4k token invece che 20–50k di file ripicchiati). Su progetti di lunga durata con centinaia di memorie accumulate, il budget di richiamo mantiene ogni richiamo a ~4k token, dove un dump illimitato sarebbe ~47k. Le domande sui file vengono risposte da sintesi semantiche compresse 15–50× anziché da letture raw.

Question 8

Come posso dare alla memoria persistente di Claude Code tra le sessioni?

Accepted Answer

Installa SecureContext (un comando — vedere Quick start), quindi gli agenti chiamano zcremember per salvare decisioni e problemi e zcrecall_context({focus: "current task"}) all’inizio della sessione per ripristinarli — ordinati per rilevanza, con domande temporali in linguaggio naturale risposte direttamente dalla memoria. La memoria sopravvive a riavvii, compattazioni e reboot perché vive in PostgreSQL, non nella finestra di contesto.

Question 9

Come si differenzia dalla concorrenza

Accepted Answer

La maggior parte dei progetti "memory for Claude Code" fa una delle tre cose: incapsula la conversazione in JSON, salva i messaggi e li rigioca. Non c'è compressione semantica, nessun audit trail, nessun modello di sicurezza. Si sincronizza con un servizio cloud. Meno UX, ma ora la cronologia degli strumenti del tuo agente (potenzialmente inclusi i segreti con cui ha lavorato) risiede su un server di terzi. Si aggiunge la ricerca vettoriale. Aggiunge RAG sui tuoi documenti ma non aiuta con il problema reale—l'orchestrazione di ciò che l'agente fa, la verifica di cosa è stato eseguito, la sopravvivenza della compressione della sessione. SecureContext non è nessuna di queste opzioni:
| | SecureContext | Cloud memory services | Vector RAG plugins | Native Claude Code |
|---|---|---|---|---|
| Persistente tra riavvii | ✅ Sì, Postgres locale | ✅ Ma sul loro server | ⚠️ Solo documenti, non lo stato |
| Programmi di consegna + checkpoints a prova di prove | ✅ zcprogram | ❌ | ❌ | ❌ |
| Audit trail HMAC | ✅ Sotto chiave per agente | ❌ | ❌ | ❌ |
| Isolamento dell'identità per agente | ✅ HKDF + RLS | ❌ | ❌ | ❌ |
| Porta d'ammissione di competenza (HMAC + AST) | ✅ | ❌ | ❌ | ❌ |
| Catena a prova di manomissione + replay della sessione | ✅ | ❌ | ❌ | ❌ |
| Coda di furto di lavoro per sessioni parallele | ✅ FOR UPDATE SKIP LOCKED | ❌ | ❌ | ❌ |
| Funziona offline | ✅ Postgres locale + Ollama | ❌ | ⚠️ Dipende | ✅ |
| Costo quando inattivo | $0 | Abbonamento mensile | $0 | $0 |

Rispetto ai prodotti di memoria noti: Mem0 e Zep sono eccellenti API di memoria ospitate per le app LLM che costruisci; Letta (MemGPT) è un framework di agenti con memoria auto-modificabile. SecureContext mira a un compito diverso—me.

Question 10

Cos'è SecureContext?

Accepted Answer

Se utilizzi Claude Code su progetti reali, ti imbatti in questi ostacoli:
1. Ogni sessione parte da capo. Devi ri-incollare gli stessi file, rievocare le stesse decisioni e scoprire di nuovo gli stessi colpi di scena — e pagare token per lo stesso lavoro di orientamento più volte.
2. I progetti lunghi non hanno uno stato di consegna. Quando un agente di orchestrazione muore a metà di una funzionalità (crash, finestra chiusa, contesto esaurito), il suo sostituto parte a vista.
3. Non c'è alcuna registrazione di ciò che gli agenti hanno effettivamente fatto. Se qualcosa va storto, Claude Code non dispone di una cronologia tamper‑evidente di ciò che è stato eseguito.
4. Gli script di skill vengono eseguiti con i tuoi permessi, non scansionati. Chiunque (o qualsiasi agente) con accesso in scrittura a ~/.claude/skills/ può piantare del codice che verrà eseguito alla prossima invocazione.
5. Le sessioni parallele si sovrascrivono a vicenda. Due finestre rivendicano lo stesso compito; una sovrascrive le modifiche dell'altra.
SecureContext è un plugin MCP che risolve i cinque problemi. Installa una sola volta e i tuoi agenti ottengono:
• Memoria che sopravvive ai riavvii — decisioni, colpi di scena e stato del progetto ripristinati in una singola chiamata;
• Riepiloghi semantici per file che rispondono a "cosa fa questo file" con una compressione da 15 a 50× invece di leggere il file in modo grezzo;
• Ricerca temporale che sa quando sono accaduti gli eventi e segnala le conoscenze obsolete;
• Un livello di consegna per progetti a lungo termine — zcprogram traccia programmi multi‑fase; chiudere una fase richiede prove di accettazione e genera automaticamente un checkpoint ricercabile; un nuovo orchestratore riprende il lavoro di

Question 11

What's new (v0.46.1)

Accepted Answer

Retrieval temporale round 2 + il kit di delivery-tool. Le domande temporali composte si decomporranno in clausole di evento con fusione di ranking; le ricerche temporali rendono un blocco Timeline cronologico e i risultati obsoleti portano avvisi di età. zcprogram aggiunge programmi di consegna multi-fase con fase chiusa con evidence-gated, auto-checkpointing; verificato in vivo con un test di handoff dell'orchestratore (termina l'orchestratore a metà fase; una sostituzione fredda riprende da due chiamate). La lane di embed ha ora un watchdog con auto-riparazione budggettizzata. Rilasci recenti: v0.46.0 — memoria di team (chiavi per utente, spazi di lavoro condivisi, attribuzione di scrittura), replay di sessione con provenienza crittografica, OTel Gen-AI spans, CLI CI/headless memory, embeddings a chunk, esportazione report di compliance. v0.44.0 — supersessione di fatti temporali, grafico di compiti PG duraturo, primi numeri pubblici LongMemEval. v0.43.0 — digest di recall con budget di token (corregge il flusso di recall a 47k token su progetti maturi). v0.41–0.42** — programma di qualità memoria: recall focalizzato, consolidamento, finestre bi-temporali, recupero grafico multi-hop, memorie TTL, ingestion multimodale. Dettagli completi in CHANGELOG.md; note architetturali in ARCHITECTURE.md.

designer-nielsen-s-10-heuristics-applied (Grade A)Prestazioni di sicurezza per l'abilità dati-ai di Claude. Classificazione A. I 10 HEURISTICHE DI NIELSEN — APPLICATE — estratte da roles.json deepPrompt per designer

Panoramica

Funzionalità chiave

Prezzi

Casi d’uso

Progettazione di interfacce utente

Vergini di interfacce esistenti

Pro & contro

Pro

Contro

Recensioni

Domande e risposte

Fai una domanda

Alternative a Competenze