PMB | Local-first memory for AI

PMB klassifiziert jede Nachricht in unter einer Millisekunde und holt die passenden Lehren, Entscheidungen und eine Projektübersicht, bevor der Agent denkt. Nichts hängt davon ab, dass das Modell daran denkt, ein Tool aufzurufen. Der Lesepfad enthält keinen LLM-Aufruf, der Abruf bleibt also günstig und schnell. Du verwaltest ihn nicht. Er passiert einfach.

Die Suche verbindet BM25-Stichwortabgleich, dichte Vektoren und einen Entitätsgraphen, mit einem optionalen Reranking-Schritt, alles zusammengeführt über Reciprocal-Rank-Fusion. Laut Anbieter erreicht das 94,5 % recall@10. In der Praxis bekommst du eine einzige geordnete Liste, statt zu raten, welchem Abrufmodus du vertrauen sollst. Ein Aufruf, eine Antwort.

Das MCP-Tool antwortet sofort. PMB schreibt zuerst in SQLite und führt dann das Embedding und das Einfügen in LanceDB in einem Hintergrund-Thread aus. Das heißt: Eine Entscheidung festzuhalten blockiert nie den Zug, in dem du gerade steckst.

Jede Regel wird danach verfolgt, ob der Agent sie tatsächlich befolgt. Nützliche Lehren werden markiert, ignorierte als tot gekennzeichnet, damit du sie entfernen kannst. Die Anzeige der Befolgungsrate ist der ehrliche Teil des Systems. Sie sagt dir, welche Erinnerungen ihren Platz nicht verdienen.

Das lokale Dashboard zeichnet dein Gedächtnis als Graphen, in dem Fakten, Dateien und Entitäten Knoten sind, deren Größe von der Wichtigkeit abhängt, dazu eine Zeitleiste von Entscheidungen und Ereignissen im Git-Stil, neueste zuerst. Beim Überfahren eines Knotens werden die übrigen abgedunkelt und die Nachbarn hervorgehoben. Es ist eine echte Ansicht von deiner Maschine, keine Attrappe. Du willst sehen, wie sich das Wissen deines Projekts verbindet? Überfahre einen Knoten und der Graph antwortet.

Claude Code, Cursor, Codex und Zed lesen alle aus demselben Speicher. Der Wechsel zwischen Agenten kostet dich nichts, weil dein Kontext mit dem Projekt lebt. Das ist die Funktion, die die Schicht nützlich macht und nicht nur ordentlich.