Question 1

O que eu preciso para executá-lo?

Accepted Answer

Node 20+ e (recomendado) Docker para o stack PostgreSQL + Ollama incluído. O instalador de um comando faz tudo em cerca de cinco minutos. Um fallback SQLite funciona sem infraestrutura.

Question 2

Quais modelos locais devo executar, e como o hardware afeta o SecureContext?

Accepted Answer

O SecureContext degradeia suavemente de acordo com o nível de hardware — cada camada alimentada por LLM falha fechada (o recurso contribui silenciosamente nada) em vez de quebrar a ingestão ou a busca. O que muda com o hardware é quanto do stack de inteligência fica ativo:

| Nível | Hardware | Modelos que cabem | O que você obtém |
|---|---|---|---|
| Mínimo | Qualquer CPU, ~2 GB RAM livres | nomic-embed-text (apenas embeddings) | Busca híbrida BM25+vector, memória de trabalho, cadeia de auditoria, gating de habilidades — o núcleo. Camadas LLM (extração de eventos, extração de entidades, arbitragem de contradições) permanecem dormindo. |
| Médio | 8–16 GB GPU (ou Apple Silicon 16 GB+) | + qwen2.5-coder:14b ou phi4:14b (um de cada vez) | + Extração de fato-evento na ingestão (raciocínio temporal), arbitragem de contradições LLM, extração de entidades, resumos de arquivos semânticos L0/L1. |
| Completo | 24 GB+ GPU (ex.: RTX 4090/5090) | + phi4:14b e gpt-oss:20b residentes juntos | Tudo, simultaneamente, com latência interativa — mais um gerador local robusto para QA/benchmarks. Esta é a configuração na qual os desvios de benchmark publicados foram medidos. |

Orientação de escolha de modelo (todos medidos, veja bench/):
Embeddings: nomic-embed-text — obrigatório, pequeno, roda em qualquer lugar.
Extração de eventos (ZCEVENTEXTRACTMODEL, padrão phi4:14b): nosso bakeoff classificou phi4:14b com 100% de recall de eventos / 100% de precisão de data, igualando gpt-oss:20b a 2× a velocidade. Em GPUs menores, qwen2.5-coder:14b fica muito próximo (84,6% de recall). Modelos de codificador ≠ melhor: qwen2.5-coder:32b registrou o pior (69,2%) apesar de ser o grande.

Question 3

Várias sessões do Claude Code podem trabalhar no mesmo projeto sem conflitos?

Accepted Answer

Sim — sessões paralelas reivindicam tarefas atômicamente de uma fila de roubo de trabalho (zero duplicatas em 50 agentes × 100 tarefas em testes), coordenam por meio de transmissões tipadas (ASSIGN/STATUS/MERGE/REJECT) e mantêm namespaces de memória privados por agente além de um pool compartilhado. Hierarquias estilo departamento (chefes + trabalhadores, escalonamento N-tier) são suportadas para equipes de agentes maiores.

Question 4

As habilidades do Claude Code são seguras de instalar?

Accepted Answer

O bundle de habilidades de filesystem inclui scripts que são executados com suas permissões, e o carregador nativo do Claude Code não os escaneia. O SecureContext adiciona a porta faltante: escaneamento AST na admissão, verificação HMAC antes de cada execução, quarentena automática em caso de falha ou alteração pós-admissão, e um registro encadeado verificável de cada decisão de admissão.

Question 5

O SecureContext envia meu código ou dados para a nuvem?

Accepted Answer

Não. Memória, embeddings (Ollama nomic-embed-text), busca, sumarização e a cadeia de auditoria são executados localmente. Funciona totalmente offline (a busca degrada-se graciosamente a apenas palavras-chave se o Ollama estiver fora) e custa US$0 quando está inativo.

Question 6

Ele pode gerenciar um projeto longo e de várias semanas?

Accepted Answer

Sim — é para isso que serve a camada de entrega. Defina um programa com fases (zc_program), e a lista de verificação de aceitação da fase aberta acompanha o estado do projeto. Fechar uma fase requer uma tabela de evidências e gera um documento de ponto de verificação automaticamente. Se o agente de orquestração morrer no meio da fase, um novo irá reconstruir o estado completo da entrega a partir de duas chamadas — verificado ao vivo.

Question 7

Como eu dou memória persistente ao Claude Code entre sessões?

Accepted Answer

Instale SecureContext (um comando — veja Quick start), então os agentes chamam zcremember para persistir decisões e gotchas e zcrecall_context({focus: "current task"}) no início da sessão para restaurá-los — classificados por relevância, com consultas de tempo em linguagem natural respondidas diretamente da memória. A memória sobrevive a reinicializações, compactações e reinicializações porque vive no PostgreSQL, não na janela de contexto.

Question 8

Quanto o SecureContext reduz os custos de tokens do Claude Code?

Accepted Answer

Medido em um projeto de 10 sessões: ~87% menos overhead de contexto (restauração de sessão é ~1,5–4k tokens em vez de 20–50k de arquivos re-pasted). Em projetos de longa duração com centenas de memórias acumuladas, o orçamento de recall mantém cada recall em ~4k tokens onde um dump ilimitado seria ~47k. Perguntas sobre arquivos são respondidas a partir de resumos semânticos comprimidos 15–50× em vez de leituras brutas.

Question 9

Como ele se diferencia dos concorrentes

Accepted Answer

A maioria dos projetos "memória para Claude Code" faz um dos três seguintes: encapsula a conversa em JSON, salva as mensagens e as reproduz. Não há compressão semântica, rastreamento de auditoria nem modelo de segurança. Sincroniza para um serviço em nuvem. Melhor UX, mas agora o histórico de ferramentas do seu agente (potencialmente incluindo segredos que manipulou) vive no servidor de outra pessoa. Utiliza busca vetorial. Adiciona RAG sobre seus documentos, mas não ajuda com o problema real — orquestrar o que o agente faz, verificar o que rodou, sobreviver à compactação de sessão. SecureContext não é nenhum desses: | | SecureContext | Serviços de memória na nuvem | Plug-ins RAG vetorial | Claude Code nativo | |---|---|---|---|---| | Persistente entre reinicializações | ✅ Sim, Postgres local | ✅ Mas no servidor deles | ⚠️ Apenas documentos, não estado | ❌ Compactação automática perdida | | Programas de entrega + pontos de verificação com prova de evidência | ✅ zcprogram | ❌ | ❌ | ❌ | | Rastreabilidade HMAC | ✅ Subchave por agente | ❌ | ❌ | ❌ | | Isolamento de identidade por agente | ✅ HKDF + RLS | ❌ | ❌ | ❌ | | Porta de admissão de habilidades (HMAC + AST) | ✅ | ❌ | ❌ | ❌ | | Cadeia à prova de adulterações + replay de sessão | ✅ | ❌ | ❌ | ❌ | | Fila de roubo de trabalho para sessões paralelas | ✅ FOR UPDATE SKIP LOCKED | ❌ | ❌ | ❌ | | Executa offline | ✅ Postgres local + Ollama | ❌ | ⚠️ Depende | ✅ | | Custo quando ocioso | $0 | Assinatura mensal | $0 | $0 | Em comparação com os produtos de memória bem conhecidos: Mem0 e Zep são excelentes APIs de memória hospedadas para aplicativos LLM que você constrói; Letta (MemGPT) é um framework de agente com memória auto-edita. SecureContext visa um trabalho diferente — me

Question 10

What’s new (v0.46.1)

Accepted Answer

Ronda 2 de recuperação temporal + o kit de entrega. Perguntas temporais compostas se decompor em cláusulas de evento com fusão de ranking; buscas temporais exibem um bloco de Timeline cronológica e resultados obsoletos trazem avisos de idade. O zcprogram adiciona programas de entrega multi‑fase com fechamento de fase gateado por evidência e checkpoint automático — verificado ao vivo com um teste de handoff do orchestrator (mata o orchestrator no meio da fase; um substituto frio retoma a partir de duas chamadas). A lane de embed agora possui um watchdog com autocura orçamentada. Versões recentes: v0.46.0 — memória de equipe (chaves por usuário, workspaces compartilhados, atribuição de escrita), replay de sessão com proveniência criptográfica, spans OTel Gen‑AI, CLI de memória CI/headless, embeddings fragmentados, exportação de relatório de conformidade. v0.44.0 — supressão de fato temporal, gráfico de tarefas PG durável, primeiros números públicos do LongMemEval. v0.43.0 — digest de recall com orçamento de token (corrige o fluxo de recall de 47k tokens em projetos maduros). v0.41–0.42** — programa de qualidade de memória: recall focado, consolidação, janelas bi‑temporais, recuperação de grafo multi‑hop, memórias TTL, ingestão multimodal. Detalhes completos em CHANGELOG.md; notas de arquitetura em ARCHITECTURE.md.

Question 11

GPU NVIDIA? adicionar: -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 envolver isso com detecção automática de GPU e um modo prod (nginx reverse proxy).

Question 12

O que é SecureContext?

Accepted Answer

Se você usa Claude Code em projetos reais, enfrentará esses obstáculos: 1. Cada sessão começa do zero. Você precisa colar os mesmos arquivos, reexplicar as mesmas decisões, redescobrir os mesmos pontos problemáticos — e pagar tokens repetidamente pela mesma orientação. 2. Projetos longos não têm estado de entrega. Quando um agente orquestrador morre no meio de um recurso (crash, janela fechada, contexto exaurido), seu substituto começa sem visão. As pessoas compensam criando arquivos CHECKPOINT escritos à mão. 3. Não há registro do que os agentes realmente fizeram. Quando algo dá errado, o Claude Code não possui um histórico que evidencie alterações do que foi executado. 4. Scripts de habilidades são executados com suas permissões, sem verificação. Qualquer pessoa (ou agente) com acesso de escrita ao ~/.claude/skills/ pode plantar código que será executado na próxima invocação. 5. Sessões paralelas interferem uma na outra. Duas janelas reivindicam a mesma tarefa; uma sobrescreve as edições da outra. SecureContext é um plugin MCP que resolve todos esses cinco problemas. Instale-o uma vez e seus agentes obtêm: memória que sobrevive a reinicializações — decisões, pontos problemáticos e estado do projeto restaurados em uma chamada; resumos semânticos por arquivo que respondem “o que este arquivo faz” com compressão de 15–50× em vez de leituras brutas; busca temporal que sabe quando as coisas aconteceram e sinaliza conhecimentos obsoletos. Uma camada de entrega para projetos de longa duração — zcprogram rastreia programas multifaça; fechar uma fase requer evidência de aceitação e gera automaticamente um ponto de verificação pesquisável; um orquestrador fresco retoma o trabalho de um agente morto a partir de duas chamadas. Um trilho de auditoria criptográfico — cada

analyst-prime-directives (Grade A)Habilidade de data‑AI testada em segurança para Claude AI. Grau A. PRIME DIRECTIVES — extraído de roles.json deepPrompt para analista

Visão geral

Funcionalidades principais

Preços

Casos de uso

Análise de Tendências de Mercado

Estudo do Comportamento do Cliente

Prós e contras

Prós

Contras

Avaliações

Perguntas e respostas

Faz uma pergunta

Alternativas a Habilidades