Question 1

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

Accepted Answer

O SecureContext degrada-se graciosamente por nível de hardware — cada camada impulsionada por LLM falha de forma fechada (o recurso simplesmente não contribui) em vez de quebrar a ingestão ou a busca. O que muda com o hardware é quanto do stack de inteligência está 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+vetor, memória de trabalho, cadeia de auditoria, controle de habilidades — o núcleo. Camadas LLM (extração de eventos, extração de entidades, adjudicação de contradições) ficam inativas. |
| Médio | 8–16 GB GPU (ou Apple Silicon 16 GB+) | + qwen2.5-coder:14b ou phi4:14b (um de cada vez) | + Extração de fato de evento na ingestão (razão temporal), adjudicação de contradições LLM, extração de entidades, resumos semânticos de arquivos L0/L1. |
| Completo | 24 GB+ GPU (ex.: RTX 4090/5090) | + phi4:14b e gpt-oss:20b residentes juntos | Tudo, simultaneamente, em latência interativa — além de um gerador local robusto para Q&A/benchmarks. Esta é a configuração na qual as variações de benchmark publicadas foram medidas. |
Orientação de escolha de modelo (todas medidas, veja bench/): Embeddings: nomic-embed-text — obrigatório, pequeno, roda em qualquer lugar. Extração de eventos (ZCEVENTEXTRACTMODEL, padrão phi4:14b): nossa comparação pontuou phi4:14b em 100% de recall de evento / 100% de precisão de data, igualando gpt-oss:20b a 2× a velocidade. Em GPUs menores, qwen2.5-coder:14b fica logo atrás (84,6% de recall). Modelos de codificação ≠ melhor: qwen2.5-coder:32b obteve pior desempenho (69,2%) apesar de ser o modelo maior.

Question 2

O que preciso para executar?

Accepted Answer

Node 20+ e (recomendado) Docker para a pilha empacotada PostgreSQL + Ollama. O instalador de um comando faz tudo em cerca de cinco minutos. Um fallback SQLite roda sem infraestrutura.

Question 3

Posso usar várias sessões do Claude Code no mesmo projeto sem conflitos?

Accepted Answer

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

Question 4

As habilidades de Claude Code são seguras para instalar?

Accepted Answer

As habilidades de sistema de arquivos agrupam scripts que são executados com suas permissões, e o carregador nativo do Claude Code não os escaneia. O SecureContext adiciona a porta ausente: escaneamento AST na admissão, verificação HMAC antes de cada execução, quarentena automática em caso de falha ou mudança pós-admissão, e um log 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 degradeia graciosamente para apenas palavras-chave se o Ollama estiver fora) e custa $0 quando inativo.

Question 6

Ele pode gerenciar um projeto longo, 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 automaticamente um documento de ponto de verificação. Se o agente orquestrador falhar no meio da fase, um novo agente recria todo o estado de entrega a partir de duas chamadas — verificado ao vivo.

Question 7

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

Accepted Answer

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

Question 8

Como faço para dar memória persistente ao Claude Code entre sessões?

Accepted Answer

Instale o SecureContext (um comando — veja Quick start), então os agentes chamam zcremember para persistir decisões e armadilhas e zcrecall_context({focus: "current task"}) no início da sessão para restaurá-las — classificadas por relevância, com consultas 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 9

Como ele se diferencia dos concorrentes

Accepted Answer

A maioria dos projetos "memória para Claude Code" faz uma das três coisas: envolve a conversa em JSON. Salva as mensagens, reproduz-as. Sem compressão semântica, sem trilha de auditoria, sem modelo de segurança. Sincroniza para um serviço em nuvem. Melhor UX, mas agora o histórico de ferramentas do seu agente (potencialmente incluindo segredos que ele acessou) vive no servidor de outra pessoa. Coloca um plugin de busca vetorial. Adiciona RAG sobre seus documentos, mas não ajuda com o problema real — orquestrar o que o agente faz, verificar o que foi executado, sobreviver à compactação de sessão. SecureContext não é nenhuma dessas coisas: | | SecureContext | Serviços de memória em nuvem | Plugins de RAG vetorial | Claude Code nativo | |---|---|---|---|---| | Persistente entre reinicializações | ✅ Sim, Postgres local | ✅ Mas no servidor deles | ⚠️ Apenas documentos, não estado | ❌ Compactação automática com perda | | Programas de entrega + checkpoints com prova de evidência | ✅ zcprogram | ❌ | ❌ | ❌ | | Trilha de auditoria HMAC | ✅ Subchave por agente | ❌ | ❌ | ❌ | | Isolamento de identidade por agente | ✅ HKDF + RLS | ❌ | ❌ | ❌ | | Porta de admissão de habilidades (HMAC + AST) | ✅ | ❌ | ❌ | ❌ | | Cadeia à prova de adulteração + reprodução 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 conhecidos: Mem0 e Zep são excelentes APIs de memória hospedada para aplicativos LLM que você constrói; Letta (MemGPT) é um framework de agente com memória auto-editável. SecureContext visa um trabalho diferente — me

Question 10

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 encapsule isso com detecção automática de GPU e modo prod (reverse proxy nginx).

Question 11

O que há de novo (v0.46.1)

Accepted Answer

Round 2 de recuperação temporal + o kit de ferramentas de entrega. Perguntas temporais compostas são decomposadas em cláusulas de evento com fusão de classificação; pesquisas temporais renderizam um bloco de Timeline cronológica e resultados obsoletos carregam avisos de idade. O zcprogram adiciona programas de entrega multi-fase com encerramento de fase com prova de evidência e checkpoint automático — verificado ao vivo com um teste de handoff de orquestrador (mata o orquestrador no meio da fase; uma substituição fria resume a partir de duas chamadas). A lane de embeddings agora possui um watchdog com auto-cura orçamentada. Lançamentos 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 por pedaços, exportação de relatório de conformidade. v0.44.0 — superação de fato temporal, gráfico de tarefas PG durável, primeiros números públicos do LongMemEval. v0.43.0 — resumo de recordação com orçamento de tokens (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 gráfico multi-hop, memórias TTL, ingestão multimodal. Detalhes completos no CHANGELOG.md; notas de arquitetura no ARCHITECTURE.md.

Question 12

O que é SecureContext?

Accepted Answer

Se você usar Claude Code em projetos reais, encontrará esses obstáculos: 1. Cada sessão começa do zero. Você precisa colar os mesmos arquivos, explicar as mesmas decisões, descobrir os mesmos truques — e pagar tokens por esse trabalho de orientação repetidamente. 2. Projetos longos não têm estado de entrega. Quando um agente orquestrador morre no meio de uma funcionalidade (crash, janela fechada, contexto esgotado), seu substituto começa cego. 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 tem histórico à prova de adulteração do que foi executado. 4. Scripts de habilidade são executados com suas permissões, sem varredura. Qualquer pessoa (ou agente) com acesso de escrita a ~/.claude/skills/ pode plantar código que será executado na próxima invocação. 5. Sessões paralelas colidem. 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 obterão: memória que sobrevive a reinicializações — decisões, truques e estado do projeto restaurados em uma única 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 conhecimento obsoleto. Uma camada de entrega para projetos de longa duração — zcprogram acompanha programas multi-fase; fechar uma fase requer evidência de aceitação e gera automaticamente um checkpoint pesquisável; um novo orquestrador retoma o trabalho de um agente falecido em duas chamadas. Um trilho de auditoria criptográfico — cada

designer-common-anti-patterns (Grade A)Ferramenta de dados de segurança testada para Claude AI. Grau A. PADRÕES COMUNS ANTI — extraídos de deepPrompt de designer

Visão geral

Funcionalidades principais

Preços

Casos de uso

Design de Formulários Acessíveis

Melhorando o Tratamento de Erros

Prós e contras

Prós

Contras

Avaliações

Perguntas e respostas

Faz uma pergunta

Alternativas a Habilidades