John CEO

Company: John CEO

Selbstberichtete Grundlage: Die Beschreibung ist vollständig selbstberichtet und nicht verifiziert; sie enthält keine Belege für Umsatz, Kunden, Finanzierung oder Traction.

Wofür das Unternehmen offenbar steht: Ein Projekt, das ein Memory-System für KI-Agenten mit zugriffsbasierter Zugriffskontrolle implementiert, entworfen, um versehentliche Datenlecks zu verhindern, indem sichergestellt wird, dass Fakten nur innerhalb bestimmter Gesprächskontexte (z. B. Workspace, Channel, Thread, DM) sichtbar sind.

Was sich geändert hat: Das Projekt entwickelte sich aus einem früheren, öffentlich unter MIT-Lizenz verfügbaren Memory-Server (qwen-memory-mcp), der User-ID-Scoping nutzte und Lecks nicht verhindern konnte. Diese neue Version führt ein zugriffsbasiertes Modell ein, bei dem die Sichtbarkeit durch den Gesprächspfad und nicht durch den Fragesteller bestimmt wird.

Wichtigste offene Frage: Gibt es Belege für eine tatsächliche Nutzung oder Adoption über die eigenen Tests der Autoren hinaus?

Die Beschreibung besagt, dass John CEO ein standalone Model Context Protocol (MCP) server ist, der ein Memory-System für KI-Agenten implementiert. Er stellt vier Tools bereit: memory_write, memory_recall, memory_forget und memory_scopes.

Es verwendet ein scope model basierend auf Pfaden wie workspace / channel / thread oder DM, mit der Regel, dass ein Memory aus Scope S sichtbar ist, wenn und nur wenn sein Scope S oder ein Vorfahre von S ist.

Das System erzwingt deterministic isolation durch:

• Auflösung der Scopes vor dem Modell (deterministische Stufe)
• Einschränkung der Retrieval auf den sichtbaren Satz
• Verwendung eines Rankers (Modellschritt) für Relevanz, Konfliktlösung und Kompression
• Behauptung, dass die zurückgegebenen Elemente nach dem Modell im sichtbaren Satz enthalten sind (hard-fail, wenn nicht)

Das Design soll mit Codex + GPT-5.6 implementiert sein, mit zwei wesentlichen Sicherheitsverbesserungen:

1. Exakte Satzabgleichung statt Präfixabgleichung, um Scope-Lecks zu vermeiden.
2. Sichere Segment-encoding, um das Fälschen von Pfadtrennzeichen zu verhindern.

Es unterstützt drei Ranker-Implementierungen: eine deterministische Offline-Variante, GPT-5.6 über die OpenAI API und Qwen über Alibaba Model Studio – alle mit identischen Scope-Garantien.

Schlussfolgerung: Das System ist als Memory-Primitive konzipiert, die von verschiedenen KI-Agenten (Codex, Claude Desktop, Custom Bots) genutzt werden kann, aber es gibt keine Belege für eine tatsächliche Agentenintegration oder -nutzung über die eigenen Tests der Autoren hinaus.

Die Beschreibung besagt, dass dieses Projekt erstellt wurde, um einen Bug in einer früheren Version (qwen-memory-mcp) zu beheben, die User-ID-Scoping nutzte und es erlaubte, dass Secrets durchliefen, wenn derselbe Benutzer in verschiedenen Kontexten Fragen stellte.

Die Kernaussage lautet:

„Eine private Tatsache kann niemals in einer öffentlichen Unterhaltung auftauchen.“

Dies stellt einen Wandel von der Frage wer fragt zu wer hören kann dar und positioniert das Produkt als memory primitive with built-in access control anstelle eines Filtermechanismus nach der Retrieval.

Es wird auch behauptet, dass:

• Das System die Isolation durch deterministischen Code auf beiden Seiten des Modells erzwingt.
• Es verfügt über 47 Tests, einschließlich adversarialer Tests.
• Es funktioniert ohne Cloud-Infrastruktur oder Docker (SQLite + sqlite-vec).
• Es wurde end-to-end in Codex mit GPT-5.6 erstellt.

Schlussfolgerung: Die Positionierung ist, dass es sich um eine sichere Speicher-Ebene für KI-Agenten handelt, nicht nur um ein Werkzeug zum Speichern von Fakten, sondern um eines, das die Zugriffskontrolle zum Zeitpunkt der Abrufung und des Erinnerns durchsetzt.

Die Beschreibung nennt keine spezifischen Kunden oder Zielbranchen.

Allerdings impliziert sie:

• KI-Agenten-Entwickler, die sichere, isolierte Speichersysteme aufbauen möchten.
• Teams, die KI-Agenten in kollaborativen Umgebungen einsetzen, wie Arbeitsbereiche, Kanäle, Threads, DMs.
• Organisationen, die sich Sorgen um Datenschutz und Compliance machen, insbesondere solche, die sensible Informationen verarbeiten.

Es ist nicht klar, ob das Produkt folgende Zielgruppen anspricht:

• Endnutzer von KI-Tools
• Entwickler, die KI-Agenten bauen
• Unternehmen oder interne Teams

Schlussfolgerung: Die ICP umfasst wahrscheinlich Entwickler, die an KI-Agenten in Umgebungen arbeiten, in denen die Zugriffskontrolle über den Speicher entscheidend ist — aber es werden keine expliziten Kundensegmente genannt.

Die Beschreibung enthält keine Informationen über:

• Einnahmequellen
• Preismodelle
• Monetarisierungsstrategie
• Abonnementpläne oder nutzungsbasierte Abrechnung

Es wird erwähnt, dass das Projekt einem Hackathon eingereicht wurde und unter der MIT-Lizenz steht, was auf einen Open-Source-Ansatz hindeutet.

Schlussfolgerung: Es gibt keine Hinweise auf ein kommerzielles Geschäftsmodell. Das Produkt scheint Open Source zu sein (MIT-Lizenz), ohne Hinweise auf Monetarisierung oder Preisstruktur.

Das System wird beschrieben als:

• Entwickelt mit Codex + GPT-5.6
• Implementiert in Node.js, unter Verwendung von MongoDB (wobei es zur Laufzeit nicht verwendet wird)
• Verwendet einen Model Context Protocol (MCP)-Server
• Läuft mit SQLite + sqlite-vec, ohne Docker oder Cloud-Infrastruktur
• Unterstützt drei Ranker-Implementierungen: deterministisch, GPT-5.6, Qwen
• Hat 47 Tests, einschließlich adversarialer Tests
• Enthält Leak-Assertion und Scope-Resolver-Stufen

Es wird behauptet, es sei:

• In einem Befehl deploybar
• Schnell (npm ci unter 4 Sekunden)
• Mit dem Fokus auf Sicherheit entworfen, unter Verwendung von deterministischem Code vor und nach Modell-Schritten

Schlussfolgerung: Die technische Architektur zeigt einen starken Fokus auf Sicherheit, Determinismus und Modularität, aber es gibt keine Hinweise auf eine Produktivdeployment oder Skalierbarkeitstests über die eigene Umgebung der Autoren hinaus.

Die Beschreibung liefert keine Angaben zu:

• Kundenbasis
• Einnahmen
• Nutzungsdaten
• Produktakzeptanz
• Marktdurchdringung

Es wird erwähnt:

• Ein Live-Lauf, der einen Widerspruch auflöst („we moved reporting from Postgres to Mongo“)
• 47 Tests, alle bestanden
• Eine adversariale Testreihe, die einen kompromittierten Ranker zwingt, ein Element außerhalb des Geltungsbereichs zurückzugeben, und die Leak-Assertion prüft, ob es dies erkennt

Schlussfolgerung: Das Projekt zeigt technische Reife in Bezug auf Design und Testen, aber es gibt keine Hinweise auf reale Nutzung oder Marktdurchdringung.

Die Beschreibung erwähnt nicht:

• Konkurrenten
• Marktlage
• Alternative Lösungen

Es impliziert, dass frühere Systeme (wie qwen-memory-mcp) die zugriffsbasierte Zugriffskontrolle nicht korrekt adressiert haben, und dieses Projekt schließt diese Lücke, indem es Audience statt User Identity modelliert.

Schlussfolgerung: Der Wettbewerbskontext wird implizit im Bereich der KI-Agenten-Memory-Systeme vermutet, in dem Zugriffskontrolle und Datenlecks zentrale Anliegen sind. Es werden jedoch keine direkten Wettbewerber oder eine Marktpositionierung angegeben.

• Keine Nutzung in der realen Welt: Es gibt keine Belege für eine Adoption über interne Tests hinaus.
• Begrenzte API-Exposition: Der GPT-5.6-Adapter wurde aufgrund von Budgetbeschränkungen nicht gegen eine Live-API getestet – nur Qwen wurde live getestet.
• Hackathon-Projekt: Eingereicht bei einem Hackathon, was auf eine frühe Entwicklungsphase ohne kommerzielle Traktion oder langfristige Roadmap hindeutet.
• Nur Open Source: MIT-lizenziert, daher gibt es keinen klaren Weg zur Monetarisierung.
• Keine Details zur Teamgröße oder -struktur: Es sind nur 3 Mitglieder aufgeführt, aber keine Rollen- oder Erfahrungsaufschlüsselung.

Schlussfolgerung: Das Projekt befindet sich wahrscheinlich in einer vor-kommerziellen Phase, möglicherweise als Prototyp oder Proof-of-Concept. Es fehlen Belege für eine Marktvalidierung oder einen Product-Market-Fit.

1. Mit welchen realen Anwendungsfällen haben Sie dieses System getestet?
2. Haben Sie Integrationen mit tatsächlichen KI-Agenten (z. B. Codex, Claude Desktop) erstellt?
3. Wie planen Sie, dieses Open-Source-Tool zu monetarisieren?
4. Haben Sie derzeit Kunden oder Partner, die es nutzen?
5. Was sind die Skalierbarkeitsgrenzen der aktuellen Architektur?
6. Gibt es Pläne, komplexere Scope-Hierarchien oder dynamische Scopes zu unterstützen?
7. Wie beabsichtigen Sie zu validieren, dass die deterministischen Gates unter allen Bedingungen sicher bleiben?