PMB | Local-first memory for AI
PMB ist eine Apache-2.0, MCP-native, lokale persistente Speicherschicht, die Agentenwissen in On-Disk-SQLite + LanceDB speichert und automatisch einen schnellen hybriden Abruf (BM25 + Vektoren + Entitätsgraph) in Tools wie Claude Code, Cursor, Codex und Zed injiziert – offline, ohne API-Schlüssel oder Cloud.
https://pmbai.dev/?ref=producthunt&utm_source=aipure
Produktinformationen
Aktualisiert:Jun 29, 2026
Was ist PMB | Local-first memory for AI
PMB (Personal Memory Brain) ist ein lokales Speichersystem, das entwickelt wurde, um das Problem „KI vergisst jede Sitzung“ für Codierungsagenten zu lösen. Anstatt sich auf den Chatverlauf oder Cloud-Dienste zu verlassen, speichert PMB dauerhafte, wiederverwendbare Erinnerungen – wie Projektfakten, Entscheidungen, Lektionen und Dateikontext – direkt auf Ihrem Computer in einem einzigen Arbeitsbereich, den Sie steuern. Es integriert sich mit MCP-kompatiblen Clients (einschließlich Claude Code, Cursor, Codex, Zed, Windsurf, Gemini und Copilot MCP-Setups), sodass Ihr Agent Kontext über Sitzungen und sogar über verschiedene Tools hinweg übertragen kann, während alles privat und offline bleibt. PMB bietet auch eine lokale Dashboard-Benutzeroberfläche, um das Gespeicherte zu überprüfen, zu prüfen und zu erkunden.
Hauptfunktionen von PMB | Local-first memory for AI
PMB (Personal Memory Brain) ist eine Apache-2.0, lokale, persistente Speicherschicht für KI-Codierungsagenten, die Entscheidungen, Lektionen, Projektfakten und Workflow-Kontext auf Ihrem Computer (SQLite + LanceDB) speichert und die relevantesten Erinnerungen automatisch MCP-kompatiblen Tools (z. B. Claude Code, Cursor, Codex, Zed) zur Verfügung stellt, bevor das Modell antwortet. Es legt Wert auf schnellen, Offline-Abruf (keine API-Schlüssel, keine Cloud, keine Telemetrie), hybride Suchqualität (BM25 + dichte Vektoren + Entitätsgraph mit optionalem Reranking) und „Erinnerungshygiene“-Funktionen wie die Bewertungsfunktion für die Follow-Rate, die hilft, unnötige Regeln zu entfernen. Ein lokales Dashboard bietet Transparenz und Kontrolle durch einen Graphen (Karte) und ein Journal (Zeitleiste), während Sicherungs-/Synchronisierungs-/Exportoptionen die Portabilität zwischen Maschinen unterstützen.
Lokaler, persistenter Speicher: Speichert den langfristigen Agentenspeicher auf Ihrer Festplatte in einer dauerhaften SQLite-Datenbank mit LanceDB-Vektoren daneben – kopierbar, überprüfbar und offline nutzbar ohne API-Schlüssel.
MCP-native, Ein-Befehl-Agentenintegration: Verbindet sich über MCP über stdio (Child-Process-Server) mit gängigen Codierungsagenten mithilfe einfacher Befehle wie `pmb connect ...`, wodurch mehrere Agenten einen Arbeitsbereich gemeinsam nutzen können.
Automatische Pre-Prompt-Speichereinspeisung: Ruft relevante Entscheidungen/Lektionen/Dateien ab und injiziert sie in den Agentenkontext, bevor dieser Schlussfolgerungen zieht, sodass der Agent sich nicht daran erinnern muss, ein Speicherwerkzeug aufzurufen.
Hybrider Abruf mit Rangfusion: Kombiniert BM25 lexikalische Suche, dichte Einbettungen und einen Entitätsgraphen, fusioniert über Reciprocal Rank Fusion (mit optionalem Reranking), um die Abrufqualität und Relevanz zu verbessern.
Schnelle, nicht blockierende Schreibvorgänge und Abruf mit geringer Latenz: Schreibvorgänge kehren sofort zurück, während Einbettungs-/Vektoreinfügungen asynchron ausgeführt werden; der Abruf ist für schnelle Ausführung auf lokaler CPU konzipiert (Zehner von Millisekunden im typischen Gebrauch).
Auditierbares Dashboard: Karte + Zeitleiste: Bietet eine lokale Web-Benutzeroberfläche, um den Speicher als Entitätsgraphen und ein Git-Graph-ähnliches Journal von Entscheidungen/Lektionen/Änderungen zu erkunden, was Transparenz und Kontrolle verbessert.
Anwendungsfälle von PMB | Local-first memory for AI
Kontinuität der Softwareentwicklung über Sitzungen hinweg: Teams oder einzelne Entwickler können architektonische Entscheidungen, Konventionen und frühere Debugging-Lektionen bewahren, sodass jede neue Codierungssitzung mit einem stabilen Kontext beginnt, anstatt alles neu erklären zu müssen.
Entwickler-Workflows mit mehreren Tools (IDE-/Agentenwechsel): Entwickler, die zwischen Cursor, Claude Code, Codex CLI, Zed usw. wechseln, können einen gemeinsamen Speicherarbeitsbereich verwenden, sodass der Kontext sie über die Tools hinweg begleitet.
Offline-/private Codierungsumgebungen: Sicherheitssensible Organisationen (Finanzen, Gesundheitswesen, Verteidigung) oder luftdichte Umgebungen können PMB für dauerhaften Speicher und Abruf nutzen, ohne Code oder Notizen in die Cloud zu senden.
Langfristige Produktentwicklung und -wartung: Bei Projekten mit monate-/jahrelanger Entwicklung kann PMB wiederkehrende Fallstricke, Hinweise zur Abhängigkeitsmigration und historische Begründungen speichern, um Regressionen und wiederholte Vorfälle zu reduzieren.
Forschung und Bewertung von Gedächtnis-/Abrufsystemen: Angewandte KI-Forscher können hybride Abrufpipelines (BM25 + Vektoren + Graph) mithilfe reproduzierbarer lokaler Messungen und sichtbarer Speicherartefakte benchmarken und iterieren.
Portable persönliche Wissensbasis für Entwickler: Unabhängige Entwickler können ein persönliches „Engineering-Gehirn“ mit Entscheidungen und Lektionen pflegen und den Arbeitsbereich dann zur Kontinuität über Geräte hinweg exportieren/verschlüsseln/synchronisieren.
Vorteile
Starke Datenschutzhaltung: Lokale Speicherung, keine Cloud, keine Telemetrie, keine API-Schlüssel für den Abruf erforderlich.
Hochwertiger Abrufansatz: Hybridsuche (BM25 + Vektoren + Entitätsgraph) mit Rangfusion und optionalem Reranking.
Reibungsloser Workflow: Automatische Abrufinjektion und Journaling reduzieren den manuellen Prompting- und Tool-Calling-Overhead.
Transparenz und Kontrolle: Lokales Dashboard (Karte/Zeitleiste) plus dateibasierte Portabilität (SQLite/LanceDB) machen den Speicher auditierbar.
Nachteile
Erfordert lokale Einrichtung/Wartung: Benutzer müssen Arbeitsbereiche, Sicherungen und Modellauswahlen für Einbettungen/Extraktion installieren/konfigurieren und verwalten.
Relevanz/Sicherheit hängt von der korrekten Filterung ab: Benutzerdefinierte Agenten müssen das Anweisungs-/Filterverhalten von PMB replizieren, um das Auftauchen irrelevanter persönlicher Fakten zu vermeiden.
Die Wahl des Einbettungsmodells ist wichtig: Mehrsprachige Arbeitsbereiche benötigen möglicherweise eine explizite Konfiguration, um eine verschlechterte Abrufung mit nur englischen Einbettungen zu vermeiden.
Lokale Ressourcen-Kompromisse: Indizierung, Einbettungen und optionale Extraktion/Zusammenfassung können CPU/RAM verbrauchen und müssen möglicherweise für große Arbeitsbereiche optimiert werden.
Wie verwendet man PMB | Local-first memory for AI
1) PMB installieren: Installieren Sie PMB in einem Terminal mit pip:
pip install pmb-ai
PMB ist reines Python und funktioniert unter macOS, Linux und Windows.
2) PMB mit Ihrem KI-Codierungsagenten (MCP) verbinden: Verbinden Sie PMB über MCP (stdio) mit Ihrem Agenten. Beispiel für Claude Code:
pmb connect claude-code
PMB läuft als untergeordneter Prozess Ihres Agenten (kein Netzwerk, kein Port). Es wird relevante Erinnerungen vor der Antwort des Modells und die Arbeitsaufzeichnung danach einfügen.
3) Setup überprüfen: Führen Sie die integrierten Diagnosen aus, um zu bestätigen, dass die MCP-Verkabelung und -Hooks aktiv sind:
pmb doctor
4) Ihren Agenten normal verwenden (Speicher ist automatisch): Beginnen Sie wie gewohnt in Ihrem Agenten/Editor zu arbeiten. PMB erledigt automatisch:
- Klassifiziert jede Nachricht schnell
- Ruft passende Erinnerungen ab, bevor das Modell antwortet
- Schreibt neue Ereignisse asynchron (Schreibvorgänge kehren sofort zurück; Einbettung/Vektoreinfügung erfolgt im Hintergrund)
Im normalen Gebrauch sind keine speziellen Tool-Aufrufe erforderlich.
5) Abruf manuell über die CLI testen (optional): Sie können Ihren Speicher direkt abfragen, um zu sehen, was PMB anzeigen würde:
pmb recall
Geben Sie dann eine Abfrage ein (z. B. einen Fehlernamen oder eine Entscheidung) und überprüfen Sie die rangierten Ergebnisse (Lektionen/Entscheidungen/Dateien/etc.).
6) Lokales Dashboard öffnen, um den Speicher zu erkunden: Starten Sie das Dashboard:
pmb dashboard
Öffnen Sie dann die lokale Web-UI (üblicherweise als http://127.0.0.1:8765 angezeigt). Das Dashboard ermöglicht es Ihnen, Ihren Speicher als:
- Ein Graph (Entitäten und Verbindungen)
- Eine Zeitleiste/Journal (Entscheidungen, Lektionen, Commits, Fehler usw.)
Es ist nur lokal (keine Authentifizierung, keine Cloud).
7) Zu einem mehrsprachigen Einbettungsmodell wechseln, wenn Ihr Arbeitsbereich nicht hauptsächlich lateinischen Text enthält (empfohlen, wenn gewarnt): Wenn Sie eine Warnung wie „Arbeitsbereich hat 81% nicht-lateinische Zeichen, verwendet aber all-MiniLM-L6-v2 (nur Englisch)“ sehen, wechseln Sie die Einbettungen zu einem mehrsprachigen Modell:
pmb config set embedding.model paraphrase-multilingual-MiniLM-L12-v2
Dies verbessert den Abruf, wenn Ihre Erinnerungen/Abfragen nicht-englischen Text enthalten.
8) (Erweitert) Stellen Sie sicher, dass Ihr benutzerdefinierter Agent das Speichersicherheits-Gate von PMB repliziert: Wenn Sie Ihre eigene Agentenintegration auf PMB aufbauen, replizieren Sie denselben Gating-/Anweisungsblock, den PMB injiziert; andernfalls können irrelevante persönliche Fakten bei nicht verwandten Fragen auftauchen. Die kanonische Referenz befindet sich in:
src/pmb/cli/connect.py
9) Ihren PMB-Arbeitsbereich mit Git sichern / synchronisieren (empfohlen): Initialisieren Sie ein Remote für den Arbeitsbereich und pushen Sie regelmäßig:
pmb workspace init --remote [email protected]:you/my-memory.git
pmb workspace push
Auf einem anderen Computer:
pmb workspace pull
Oder auf ein neues Gerät klonen:
pmb workspace clone <url> work-laptop
(Konfliktverhalten in den Docs vermerkt: Remote gewinnt bei Konflikt.)
10) Ein verschlüsseltes Backup-Bundle exportieren (portable Wiederherstellung): Erstellen Sie ein verschlüsseltes, authentifiziertes Bundle:
pmb workspace export memory.enc
Stellen Sie es überall in einem Arbeitsbereich wieder her:
pmb workspace import memory.enc personal
Dies verwendet AES + HMAC mit einem scrypt-abgeleiteten Schlüssel (gemäß dem bereitgestellten Quellcodeausschnitt).
11) Wenn Sie neu anfangen müssen, kopieren Sie das Arbeitsbereichsverzeichnis (Wiederherstellungsoption): Im schlimmsten Fall können Sie Ihr Arbeitsbereichsverzeichnis kopieren und neu anfangen. Der Ausschnitt zeigt, dass der Arbeitsbereich unter:
~/.pmb/workspaces/<id>/
Kopieren Sie es als manuelles Backup oder um den Zustand zu migrieren.
PMB | Local-first memory for AI FAQs
PMB (Personal Memory Brain) ist ein lokales, persistentes Speichersystem für KI-Codierungsagenten. Es speichert Entscheidungen, Lektionen, Projektfakten und andere Erinnerungen auf Ihrem Computer (hauptsächlich in einer SQLite-Datei) und speist relevante Kontexte über MCP (Model Context Protocol) an die Agenten zurück.
Beliebte Artikel
Atoms: Eine Multi-Agenten-KI-Plattform, die Ideen in startbereite Produkte verwandelt
May 22, 2026
Nano Banana SBTI: Was es ist, wie es funktioniert und wie man es im Jahr 2026 einsetzt
Apr 15, 2026
Atoms Review – Der KI-Produkt-Builder, der die digitale Erstellung im Jahr 2026 neu definiert
Apr 10, 2026
Kilo Claw: Wie man einen echten "Do-It-For-You" KI-Agenten bereitstellt und verwendet (2026 Update)
Apr 3, 2026
Neueste KI-Tools ähnlich wie PMB | Local-first memory for AI
Gait
Gait ist ein Collaboration-Tool, das KI-unterstützte Codegenerierung mit Versionskontrolle integriert und es Teams ermöglicht, KI-generierten Codekontext effizient zu verfolgen, zu verstehen und zu teilen.
invoices.dev
invoices.dev ist eine automatisierte Rechnungsplattform, die Rechnungen direkt aus den Git-Commits der Entwickler generiert und Integrationsmöglichkeiten für GitHub, Slack, Linear und Google-Dienste bietet.
EasyRFP
EasyRFP ist ein KI-gestütztes Edge-Computing-Toolkit, das RFP (Request for Proposal)-Antworten optimiert und eine Echtzeit-Feldphänotypisierung durch Deep-Learning-Technologie ermöglicht.
Cart.ai
Cart.ai ist eine KI-gestützte Dienstleistungsplattform, die umfassende Lösungen zur Automatisierung von Geschäftsprozessen bietet, einschließlich Programmierung, Kundenbeziehungsmanagement, Videobearbeitung, E-Commerce-Setup und benutzerdefinierter KI-Entwicklung mit 24/7 Unterstützung.
Beliebte KI-Tools wie PMB | Local-first memory for AI
GitHub Copilot Chat
GitHub Copilot Chat ist ein KI-gestützter Codierungsassistent, der Interaktionen in natürlicher Sprache, Echtzeit-Codevorschläge und kontextuelle Unterstützung direkt innerhalb unterstützter IDEs und GitHub.com bietet.
CopilotForXcode
CopilotForXcode ist eine Xcode-Quell-Editor-Erweiterung, die GitHub Copilot, Codeium und ChatGPT integriert, um KI-gestützte Codevorschläge, Chat-Unterstützung und Prompt-to-Code-Funktionalität innerhalb von Xcode bereitzustellen.
BrowserAI
BrowserAI ist eine Open-Source-Bibliothek, die die Ausführung lokaler Large Language Models (LLMs) direkt in Webbrowsern mit WebGPU-Beschleunigung ermöglicht und datenschutzorientierte KI-Funktionen bietet, ohne dass eine Serverinfrastruktur erforderlich ist.
OpenAI Codex CLI
OpenAI Codex CLI ist ein schlanker Open-Source-Coding-Agent, der in Ihrem Terminal ausgeführt wird und es Entwicklern ermöglicht, natürliche Sprache in Codeausführung zu übersetzen und gleichzeitig ChatGPT-ähnliche Argumentation mit der Möglichkeit, Code auszuführen, Dateien zu bearbeiten und unter Versionskontrolle zu iterieren, bereitzustellen.