PMB | Local-first memory for AI

PMB classe chaque message en moins d'une milliseconde et récupère les leçons, les décisions et un aperçu du projet correspondants avant que l'agent ne raisonne. Rien ne dépend de la capacité du modèle à penser à appeler un outil. Le chemin de lecture ne comporte aucun appel à un LLM, le rappel reste donc économique et rapide. Vous ne le gérez pas. Il se produit, c'est tout.

La recherche fusionne l'appariement par mots-clés BM25, les vecteurs denses et un graphe d'entités, avec une étape de reclassement optionnelle, le tout combiné via Reciprocal-Rank-Fusion. Selon l'éditeur, cela atteint 94,5 % de recall@10. En pratique, vous obtenez une seule liste classée au lieu de deviner à quel mode de récupération vous fier. Un appel, une réponse.

L'outil MCP répond instantanément. PMB écrit d'abord dans SQLite, puis exécute l'embedding et l'insertion LanceDB sur un fil d'arrière-plan. Conséquence : enregistrer une décision ne bloque jamais le tour en cours.

Chaque règle est suivie selon que l'agent la respecte vraiment. Les leçons utiles sont marquées et les ignorées sont signalées comme mortes pour que vous puissiez les retirer. L'indicateur de taux de suivi est la partie honnête du système. Il vous dit quelles mémoires ne gagnent pas leur place.

Le tableau de bord local dessine votre mémoire sous forme de graphe où les faits, les fichiers et les entités sont des nœuds dimensionnés par leur importance, plus une chronologie des décisions et des événements à la manière de git, du plus récent au plus ancien. Survoler un nœud estompe le reste et allume les voisins. C'est une vraie vue servie depuis votre machine, pas une maquette. Vous voulez voir comment se connectent les connaissances de votre projet ? Survolez un nœud et le graphe répond.

Claude Code, Cursor, Codex et Zed lisent tous depuis le même stockage. Changer d'agent ne coûte rien parce que votre contexte vit avec le projet. C'est la fonctionnalité qui rend la couche utile, et pas seulement bien rangée.