Question 1

რომელი ლოკალური მოდელები უნდა გავუშვა, და როგორ გავლენას ახდენს აპარატურა SecureContext-ზე?

Accepted Answer

SecureContext-სი ნორმალურად დახშავს აპარატურის დონე – ყოველ LLM‑წანაცვლებულ ფენას დახურული ხდება (ფუნქცია ნిశબ્દად არ გააგრძელებს რამე) ingestion‑ში ან ძებნაში არ გადატვირთავს. აპარატურით ცვლდება, რამდენი ინტელექტუალური სტეკია აქტიური: 
| დონე | აპარატურა | შესაბამისი მოდელები | მიღება | 
|---|---|---|---| 
| მინიმალური | ნებისმიერი CPU, ~2 GB RAM თავისუფალი | nomic‑embed‑text (მხოლოდ embeddings) | ჰაიბრიდული BM25+vector ძებნა, სამუშაო მეხსიერება, audit‑chain, skills gating – ძირითადი. LLM‑ფენები (მოვლენების, ცელების, კონტრედიკაციის დამუშავება) დამუქვებულია. | 
| შუა | 8–16 GB GPU (ან Apple Silicon 16 GB+) | + qwen2.5‑coder:14b ან phi4:14b (ერთ-ერთი) | + Event‑fact extraction ingest‑ში (დროითი აზრირება), LLM‑კონტრედიკაციის დამუშავება, entity‑extraction, L0/L1 semantics‑file summaries. | 
| სრული | 24 GB+ GPU (მაგ: RTX 4090/5090) | + phi4:14b და gpt‑oss:20b ერთად | ყველაფერია, თანაბრად, ინტერაქტიული ლატენსიით – დამატებით ძლიერ ლოკალურ გენერატორით QA/benchmarks‑ისთვის. ეს კონფიგურაცია იყო, რომელზეც ჩვენმა გამოქვეყნებულ benchmark‑delta‑ებმა იყო გაზომილი. მოდელის არჩევის მითითება (ყველა გაზომილია, იხ. bench/): Embeddings: nomic‑embed‑text – აუცილებელია, პატარა, მუშაობს ნებისმიერ ადგილას. Event extraction (ZCEVENTEXTRACTMODEL, ნაგულისხმევი phi4:14b): ჩვენი bakeoff‑ში phi4:14b‑ს 100% event recall / 100% date accuracy-ით მოიძია, gpt‑oss:20b‑ს 2× სიჩქარით. მცირე

Question 2

რა უნდა მომიწეს, რომ ამას აადაროს?

Accepted Answer

Node 20+ და (რეკომენდებულია) Docker bundled PostgreSQL + Ollama სტეკისთვის. ერთ-ბრძანების ინსტალერი ყველა ეს აკეთებს დაახლოებით ხუთი წუთში. SQLite fallback-ი მუშაობს ნულოვანი ინფრასტრუქტურით.

Question 3

შეიძლება მრავალი Claude Code‑ის სესია იმუშავოს იმავე პროექტზე კონფლიქტების გარეშე?

Accepted Answer

დიახ — პარალელური სესიები ატომურად იღებენ დავალებებს სამუშაო-წლევის რიგიდან (ნულოვანი დუბლირებული მოთხოვნები 50 აგენტისთვის × 100 დავალება ტესტირებაში), კოორდინირებენ ტიპირებული სატვირთოებით (ASSIGN/STATUS/MERGE/REJECT), და შეინარჩუნებენ პირად თითოეული აგენტის მეხსიერების სახელის სივრცეს და საერთო პულს. დეპარტამენტური სტრუქტურები (თലები + მუშაკები, N‑tier‑ის აღსრულება) მხარდაჭერილია დიდი აგენტის ჯგუფებისთვის.

Question 4

კლაუდ კოდის უნარები უსაფრთხოდაა თუ არა დასაყენებლად?

Accepted Answer

Filesystem უნარები გაერთიანებულია სკრიპტებით, რომლებიც თქვენს უფლებებით იმუშავებენ, ხოლო Claude Code‑ის ნატიული ლოდერი მათი სკანირების არ ხდება. SecureContext ამატებს აკვირის კაროს: AST‑სკანირება მიღებისას, HMAC‑გადამოწმება ყოველ გაშვებამდე, ავტომატური კვარantaine შეცდომის შემთხვევაში ან მიღების შემდგომი ცვლილებისას და შემოწმებადი ჯაჭვური ჟურნალი თითოეული მიღების გადაწყვეტილებისთვის.

Question 5

გაიგზავნებს ли SecureContext-მა ჩემი კოდი ან მონაცემები ღრუბელში?

Accepted Answer

არა. მეხსიერება, embeddings (Ollama nomic-embed-text), ძიება, შეჯამება და აუდიტის ჯაჭვი მუშაობს ლოკალურად. ეს სრულად მუშაობს ოფლაინ (ძებნა გრადუალური გგრადუალურად keyword‑მხოლოდ იმ შემთხვევაში, თუ Ollama გათიშულია) და idle მდგომარეობაში $0‑საა.

Question 6

შეიძლება ის მართოს გრძელ, მრავალკვირიანი პროექტი?

Accepted Answer

დიახ – ესაა მიწოდების ფენის მიზანი. განსაზღვრეთ პროგრამა ფაზებით (zc_program), და ღია ფაზის მიღების შემოწმება თანმიმდევრდება პროექტის მდგომარეობასთან. ფაზის დახურვას მოითხოვს დამტკიცების ცხრილი, რომელიც ავტომატურად ქმნის გადაუდებელი დოკუმენტს. თუ ორკესტრატორი აგვარდს ფაზის მധ്യേ, ახალი აგება აღდგენს სრულ მიწოდების მდგომარეობას ორ გამოძახებასიდან – რეალურ დროში გადამოწმებულია.

Question 7

რამდენად ამცირებს SecureContext Claude Code-ის ტოკენების ხარჯებს?

Accepted Answer

10‑სესიიანი პროექტში: ~87% ნაკლები კონტექსტის გადატვირთვა (სესიის აღდგენა დაახლოებით 1.5–4 k ტოკენია, ნაცვლად 20–50 k თავიდან გადაკოპირებული ფაილების). დიდ, გრძელვადიანი პროექტებში, სადაც მეხსიერება ათასი მეხსიერებას აკრეფავს, აღდგენის ბიუჯეტი თითოეულ აღდგენისას ~4 k ტოკენია, ხოლო შეუზღუდავი გადატანა ~47 k. ფაილის კითხვები პასუხის გაცემას 15–50 × შეკუმშული სემანტიკური შეჯამებების საფუძველზე, არა შინაარსის პირდაპირ წაკითხვის საფუძველზე.

Question 8

How do I give Claude Code persistent memory across sessions?

Accepted Answer

ინსტალირეთ SecureContext (ერთი ბრძანება — იხილეთ Quick start), შემდეგ აგენტები იყენებენ zcremember-ს, რათა შეინარჩუნონ გადაწყვეტილებები და პაკეტები, ხოლო სესიის დაწყებისას იყენებთ zcrecall_context({focus: "current task"})-ის, რათა მათი აღდგენა მოხდეს — რანგის მიხედვით, ბუნებრივი ენის დროის კითხვებზე პირდაპირ მეხსიერებიდან პასუხის გაცემა. მეხსიერება იძლევა სიცოცხლეს გადატვირთვების, კომპაქტირებაებისა და გადატვირთვების შემდეგ, რადგან იგი ცხოვრობს PostgreSQL-ში, არა კონტექსტის ფანჯარაში.

Question 9

როგორ განსხვავდება კონკურენტებთან

Accepted Answer

უმეტეს „მეხსიერება Claude‑ის კოდისთვის“ პროექტებს სამივე რამ აკეთებს: 1) საუბრის JSON‑ში გადატანა. შეტყობინებები ინახება, გადახედება ხდება. 2) არ არის სემანტიკური შეკუმშვა, არ არის აუდიტ‑ტრეილ, არ არის უსაფრთხოების მოდელი. 3) სინქრონიზაცია ღრუბლოვან სერვისთან. უკეთესი UX, მაგრამ ახლა თქვენი აგენტის ხელსაწყოების ისტორია (შეუძლია შეიცავდეს საიდუმლოებს, რომელთაც ხელოვლიდა) მდებარეობს ვინმე სხვა სერვერზე. 4) ვექტორ‑ძებნის დამატება. ეს RAG‑ს თქვენს დოკუმენტებზე გთავაზობთ, მაგრამ არ ასწორებს ფაქტობრივ პრობლემას – აგენტის მოქმედებების ორკესტრირება, გაშვებული პროცესების შემოწმება, სესიის შეკვეწილის გადაჭრა. SecureContext ამ ყველაფრის გარეთაა:

| SecureContext | ღრუბლოვანი მეხსიერების სერვისები | ვექტორ‑RAG პლაგინიები | ნატიური Claude‑ის კოდი |
|---|---|---|---|
| მუდმივი ხელმისაწვდომობა გადატვირთვისას | ✅ ლოკალური Postgres | ✅ მათი სერვერზე | ⚠️ მხოლოდ დოკუმენტები, არა მდგომარეობა |
| გადატანის პროგრამები + მტკიცებულებით შემოწმებული მომტანი | ✅ zcprogram | ❌ | ❌ | ❌ |
| HMAC აუდიტ‑ტრეილ | ✅ თითოეული აგენტის ქვეპარამეტრი | ❌ | ❌ | ❌ |
| თითოეული აგენტის იდენტობის იზოლაცია | ✅ HKDF + RLS | ❌ | ❌ | ❌ |
| უნარის შემოწმების גייט (HMAC + AST) | ✅ | ❌ | ❌ | ❌ |
| არანაკლებობის მტკიცებულების ჯაჭვი + სესიის გადახედვა | ✅ | ❌ | ❌ | ❌ |
| პარალელური სესიების სამუშაო‑შერჩევის რიგი | ✅ FOR UPDATE SKIP LOCKED | ❌ | ❌ | ❌ |
| გაშვება ხაზგარეშე | ✅ ლოკალური Post

Question 10

რა არის SecureContext?

Accepted Answer

თუ იყენებთ Claude Code-ს რეალურ პროექტებზე, თქვენ შეხვდებით შემდეგ მყოფებს: 1. ყოველ სესიის დაწყება ცივია. თქვენ ისევ დააბროკავთ იგივე ფაილებს, კვლავ ახსნით იგივე გადაწყვეტილებებს, კვლავ იპოვნით იგივე ხარვეზებს – და იყენებთ ტოკენებს იგივე ორიენტაციის სამუშაოს ხელახლა. 2. გრძელი პროექტები არ აქვთ გადაცემის მდგომარეობა. როცა ორკესტრატორის აგენტი გარდაიცვლება (კრეში, დახურული ფანჯარა, კონტექსტის მოხმარება), მისი ჩანაცვლება იწყება თვალის გარეშე. ადამიანები იკავებენ ხელით დაწერილი CHECKPOINT ფაილებს. 3. არ არის ჩანაწერი, რას გააკეთეს აგენტები. როცა რაღაც არასწორად მიდის, Claude Code-ს არ აქვთ დამცავი ისტორია, რას გავა. 4. უნარების სკრიპტები მუშაობენ თქვენი უფლებებით, არასკანერებულ. ნებისმიერი (ან ნებისმიერი აგენტი) რომელსაც აქვს ჩაწერის წვდომა ~/.claude/skills/ შეგიძლიათ მოთავსებოდეთ კოდი, რომელიც მუშაობს შემდეგ გამოძახებაზე. 5. პარალელური სესიის გადალახვა. ორი ფანჯარა მოითხოვს იმავე დავალებას; ერთი გადაფარავს მეორის ჩასწორებებს. SecureContext არის MCP პლაგინი, რომელიც ამხორციელებს ამ ხუთ ერთნაირის პრობლემას. დაამატეთ მხოლოდ ერთხელ, და თქვენი აგენტები მიიღებს: მეხსიერება, რომელიც გადაეცემა გადატვირთვის შემდეგ – გადაწყვეტილებები, ხარვეზები და პროექტის მდგომარეობა აღდგება ერთი გამოძახებით; თითო ფაილის სემანტიკური შეჯამებები, რომლებიც პასუხობენ „რა აკეთებს ეს ფაილი“ 15–50× შეკუმშვით, raw-წაკითხვის მაგიერ; დროებითი ძიება, რომელიც იცნობთ, როდის მოხდა რამე და აღნიშნავს მოძველებულ ცოდნას. გადაცემის ფენა გრძელი-გაშვებული პროექტებისთვის – zcprogram აკონტროლებს მრავალფაზიანი პროგრამებს; ფაზის დახურვას საჭიროებს მიღების მტკიცებულება და ავტომატურად ქმნის საძიებო checkpoint-ს; ახალი ორკესტრატორი განაგრძობს გარდაცვალებულის მუშაობას ორი გამოძახებით. კრიპტოგრაფიული აუდ

Question 11

What’s new (v0.46.1)

Accepted Answer

Temporal retrieval round 2 + the delivery‑tool kit. Compound temporal questions decompose into event clauses with rank fusion; temporal searches render a chronological Timeline block and stale results carry age warnings. zcprogram adds multi‑phase delivery programs with evidence‑gated, auto‑checkpointing phase closure — live‑verified with an orchestrator handoff test (kill the orchestrator mid‑phase; a cold replacement resumes from two calls). The embed lane now has a watchdog with budgeted self‑healing. Recent releases: v0.46.0 — team memory (per‑user keys, shared workspaces, write attribution), session replay with cryptographic provenance, OTel Gen‑AI spans, CI/headless memory CLI, chunked embeddings, compliance report export. v0.44.0 — temporal fact supersession, durable PG task graph, first public LongMemEval numbers. v0.43.0 — token‑budgeted recall digest (fixes the 47k‑token recall firehose on mature projects). v0.41–0.42** — memory‑quality program: focused recall, consolidation, bi‑temporal windows, multi‑hop graph retrieval, TTL memories, multimodal ingestion. Full details in CHANGELOG.md; architecture notes in ARCHITECTURE.md.

designer-nielsen-s-10-heuristics-applied (Grade A)Security-tested data-ai skill for Claude AI. Grade A. NIELSEN'S 10 HEURISTICS — APPLIED — roles.json‑ის deepPrompt‑იდან გამოტანა დიზაინერისთვის

მიმოხილვა

ძირითადი ფუნქციები

ფასები

გამოყენების შემთხვევები

ინტერფეისების დიზაინირება

არსებული ინტერფეისების შეფასება

დადებითი და უარყოფითი

დადებითი

უარყოფითი

შეფასებები

კითხვები

დასვი კითხვა

კარიერის უნარები-ის ალტერნატივები