Question 1

Welke lokale modellen moet ik draaien, en hoe beïnvloedt hardware het SecureContext?

Accepted Answer

SecureContext degradeert soepel per hardwarelaag — elke LLM-ondersteunde laag faalt gesloten (de functie draagt stille bijdragen niets) in plaats van ingest of search te laten breken. Wat verandert met hardware, is hoeveel van de intelligentie-stack actief is: | Tier | Hardware | Models die passen | Wat je krijgt | |---|---|---|---| | Minimum | Elke CPU, ~2 GB RAM vrij | nomic-embed-text (alleen embeddings) | Hybrid BM25+vector search, werkgeheugen, audit-keten, skills gating — het kern. LLM-lagen (event extractie, entity extractie, contradictie afweging) blijven inactief. | | Mid | 8–16 GB GPU (of Apple Silicon 16 GB+) | + qwen2.5-coder:14b of phi4:14b (één tegelijk) | + Event-fact extractie bij ingest (tijdelijke redenering), LLM contradictie afweging, entity extractie, L0/L1 semantische bestands samenvattingen. | | Full | 24 GB+ GPU (bijv. RTX 4090/5090) | + phi4:14b en gpt-oss:20b resident tegelijk | Alles, gelijktijdig, bij interactieve latency — plus een sterke lokale generator voor QA/benchmarks. Dit is de configuratie waarop onze gepubliceerde benchmarkdelta’s zijn gemeten. Modelkeuze‑gids (alle meetgegevens, zie bench/): Embeddings: nomic-embed-text — vereist, klein, draait overal. Event extractie (ZCEVENTEXTRACTMODEL, standaard phi4:14b): onze bakeoff scoorde phi4:14b op 100% event recall / 100% datum nauwkeurigheid, gelijk met gpt-oss:20b op 2× de snelheid. Op kleinere GPU’s is qwen2.5-coder:14b dicht achter (84,6% recall). Coder‑modellen ≠ beter: qwen2.5-coder:32b scoorde het slechtste (69,2%) ondanks dat het de grote is.

Question 2

Wat heb ik nodig om het te draaien?

Accepted Answer

Node 20+ en (aanbevolen) Docker voor de bundled PostgreSQL + Ollama stack. De één‑commando‑installatie doet alles in ongeveer vijf minuten. Een SQLite fallback draait zonder infrastructuur.

Question 3

Kunnen meerdere Claude Code-sessies aan hetzelfde project werken zonder conflicten?

Accepted Answer

Ja — parallelle sessies claimen taken atomair uit een work‑stealing queue (nul dubbele claims bij 50 agents × 100 taken in testen), coördineren via getypeerde broadcasts (ASSIGN/STATUS/MERGE/REJECT), en houden privé per‑agent geheugen‑namespaces plus een gedeelde pool. Hierarchieën op departementeniveau (heads + workers, N‑tier escalation) worden ondersteund voor grotere agentteams.

Question 4

Zijn Claude Code-skills veilig om te installeren?

Accepted Answer

Filesysteemvaardigheden bundelen scripts die met uw machtigingen worden uitgevoerd, en de native loader van Claude Code scant ze niet. SecureContext voegt de ontbrekende poort toe: een AST-scan bij toelating, HMAC-verificatie vóór elke uitvoering, automatische quarantaine bij mislukking of wijziging na toelating, en een verifieerbare chainlog van elke toelatingsbeslissing.

Question 5

Stuurt SecureContext mijn code of data naar de cloud?

Accepted Answer

Nee. Geheugen, embeddings (Ollama nomic-embed-text), zoeken, samenvatten en de auditketen draaien volledig lokaal. Het werkt volledig offline (zoekfunctie degradeert soepel tot alleen sleutelwoorden als Ollama niet beschikbaar is) en kost $0 als het inactief is.

Question 6

Kan het een lang, meerweekproject beheren?

Accepted Answer

Ja — dat is precies waarvoor de leveringslaag bedoeld is. Definieer een programma met fasen (zc_program), en de acceptatiechecklist van de open fase reist met de projectstatus mee. Het sluiten van een fase vereist een bewijstabelformulier en genereert automatisch een checkpointdocument. Als de coördinerende agent midden in de fase stopt, herbouwt een nieuwe agent de volledige leveringsstatus vanuit twee oproepen — live geverifieerd.

Question 7

Hoeveel verlagen SecureContext de Claude Code-tokenkosten?

Accepted Answer

Gemeten over een project van 10 sessies: ~87% minder context-overhead (sessieherstel is ~1,5–4k tokens in plaats van 20–50k van opnieuw geplakte bestanden). Bij langlopende projecten met honderden opgeslagen herinneringen blijft het terugroepbudget elke recall op ~4k tokens, terwijl een onbeperkte dump ~47k zou zijn. Bestaan vragen worden beantwoord vanuit 15–50× samengeperste semantische samenvattingen in plaats van ruwe leesbewerkingen.

Question 8

Hoe geef ik Claude Code persistent geheugen over sessies?

Accepted Answer

Installeer SecureContext (één commando — zie Quick start), dan roepen agents zcremember aan om beslissingen en gotchas te bewaren en zcrecall_context({focus: "current task"}) bij sessiestart om ze te herstellen — gerangschikt op relevantie, met antwoorden op natuurlijke taal tijdsvragen direct uit het geheugen. Het geheugen overleeft herstarts, compacties en reboot omdat het in PostgreSQL staat, niet in het contextvenster.

Question 9

Hoe verschilt het van concurrenten

Accepted Answer

De meeste "geheugen voor Claude Code" projecten doen een van drie dingen: de conversatie in JSON inpakken. Ze bewaren de berichten, herhalen ze. Geen semantische compressie, geen audit trail, geen beveiligingsmodel. Synchroniseren met een cloudservice. Betere UX, maar dan leeft de toolgeschiedenis van je agent (mogelijk inclusief geheimen die het heeft aangeraakt) op een server van iemand anders. Drop-in vectorsearch. Voegt RAG toe over je documenten, maar helpt niet met het echte probleem – het orkestreren van wat de agent doet, verifiëren wat er draait, het overleven van sessiecompacting. SecureContext valt niet onder die categorieën:
| | SecureContext | Cloud geheugen services | Vector RAG plugins | Native Claude Code |
|---|---|---|---|---|
| Persistent over herstarts | ✅ Ja, lokale Postgres | ✅ Maar op hun server | ⚠️ Alleen documenten, geen staat |
| Leveringsprogramma’s + bewijs-gated checkpoints | ✅ zcprogram | ❌ | ❌ | ❌ |
| HMAC audit trail | ✅ Per-agent subkey | ❌ | ❌ | ❌ |
| Per-agent identiteitsisolatie | ✅ HKDF + RLS | ❌ | ❌ | ❌ |
| Skill toelatingpoort (HMAC + AST) | ✅ | ❌ | ❌ | ❌ |
| Tamper-evident keten + sessie replay | ✅ | ❌ | ❌ | ❌ |
| Werksteal-queue voor parallelle sessies | ✅ FOR UPDATE SKIP LOCKED | ❌ | ❌ | ❌ |
| Draait offline | ✅ Lokale Postgres + Ollama | ❌ | ⚠️ Afhankelijk | ✅ |
| Kosten wanneer inactief | $0 | Maandelijkse abonnement | $0 | $0 |
In vergelijking met de bekende geheugenproducten: Mem0 en Zep zijn uitstekende hosted geheugen‑APIs voor LLM‑apps die je bouwt; Letta (MemGPT) is een agentframework met zelf‑bewerkend geheugen. SecureContext is gericht op een andere taak – het is bedoeld om ...

Question 10

What is SecureContext?

Accepted Answer

Als je Claude Code in echte projecten gebruikt, kom je aan de volgende obstakels: 1. Elke sessie begint vanaf nul. Je plakt dezelfde bestanden opnieuw in, legt dezelfde beslissingen opnieuw uit, ontdekt dezelfde valkuilen opnieuw — en betaalt tokens voor dezelfde orientatiewerk telkens opnieuw. 2. Lange projecten hebben geen leveringsstatus. Wanneer een coördinerend agent midden in een functie stopt (crash, gesloten venster, uitgeputte context), start zijn vervanger blind. Mensen compenseren dit met handgeschreven CHECKPOINT-bestanden. 3. Er is geen registratie van wat agents daadwerkelijk hebben gedaan. Als er iets misgaat, heeft Claude Code geen tamper-evident geschiedenis van wat er is uitgevoerd. 4. Skill-scripts draaien met jouw permissies, onbeheerd. Iedereen (of elke agent) met schrijfrechten op ~/.claude/skills/ kan code planten die bij de volgende aanroep wordt uitgevoerd. 5. Parallelle sessies stappen op elkaar los. Twee vensters claimen dezelfde taak; één overschrijft de bewerkingen van de ander. SecureContext is een MCP-plugin die al deze problemen oplost. Installeer het één keer en je agents krijgen: geheugen dat over herstarts blijft bestaan — beslissingen, valkuilen en projectstatus worden in één aanroep hersteld; semantische samenvattingen per bestand die antwoorden op "wat doet dit bestand" met een compressie van 15–50× in plaats van ruwe lezingen; een tijdgebaseerde zoekfunctie die weet wanneer dingen gebeurden en verouderde kennis markeert. Een leveringslaag voor langdurige projecten — zcprogram volgt multi-faseprogramma's; het afsluiten van een fase vereist acceptatiebewijsmateriaal en genereert automatisch een doorzoekbaar checkpoint; een nieuwe coördinator hervat het werk van een dode agent vanaf twee aanroepen. Een cryptografisch audittrail — elke

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)Veiligheid geteste data‑AI vaardigheid voor Claude AI. Grade A. NIELSEN'S 10 HEURISTICS — APPLIED — opgehaald uit roles.json deepPrompt voor designer

Overzicht

Belangrijkste functies

Prijs

Toepassingen

Ontwerpen van gebruikersinterfaces

Evalueren van bestaande interfaces

Pluspunten & minpunten

Pluspunten

Minpunten

Recensies

Vragen

Stel een vraag

Alternatieven voor Vaardigheden