PMB | Local-first memory for AI
PMB est une couche de mémoire persistante "local-first" native MCP, sous licence Apache-2.0, qui stocke les connaissances de l'agent dans SQLite + LanceDB sur disque et injecte automatiquement un rappel hybride rapide (BM25 + vecteurs + graphe d'entités) dans des outils comme Claude Code, Cursor, Codex et Zed – hors ligne, sans clés API ni cloud.
https://pmbai.dev/?ref=producthunt&utm_source=aipure
Informations sur le produit
Mis à jour:Jun 29, 2026
Qu'est-ce que PMB | Local-first memory for AI
PMB (Personal Memory Brain) est un système de mémoire "local-first" conçu pour résoudre le problème "l'IA oublie chaque session" pour les agents de codage. Au lieu de s'appuyer sur l'historique de chat ou les services cloud, PMB stocke des mémoires durables et réutilisables – telles que les faits du projet, les décisions, les leçons et le contexte des fichiers – directement sur votre machine dans un seul espace de travail que vous contrôlez. Il s'intègre aux clients compatibles MCP (y compris Claude Code, Cursor, Codex, Zed, Windsurf, Gemini et les configurations Copilot MCP) afin que votre agent puisse transporter le contexte entre les sessions et même entre différents outils, tout en gardant tout privé et hors ligne. PMB fournit également une interface utilisateur de tableau de bord local pour inspecter, auditer et explorer ce qui a été stocké.
Caractéristiques principales de PMB | Local-first memory for AI
PMB (Personal Memory Brain) est une couche de mémoire persistante locale et Apache-2.0 pour les agents de codage IA qui stocke les décisions, les leçons, les faits du projet et le contexte du flux de travail sur votre machine (SQLite + LanceDB) et affiche automatiquement les souvenirs les plus pertinents aux outils compatibles MCP (par exemple, Claude Code, Cursor, Codex, Zed) avant que le modèle ne réponde. Il met l'accent sur la récupération rapide et hors ligne (pas de clés API, pas de cloud, pas de télémétrie), la qualité de la recherche hybride (BM25 + vecteurs denses + graphe d'entités avec reranking optionnel) et les fonctionnalités d'"hygiène de la mémoire" comme le score de suivi qui vous aide à élaguer les règles inutiles. Un tableau de bord local offre une visibilité et un contrôle via un graphe (Carte) et un journal (Chronologie), tandis que les options de sauvegarde/synchronisation/exportation prennent en charge la portabilité entre les machines.
Stockage de mémoire persistante local-first: Conserve la mémoire à long terme de l'agent sur votre disque dans une base de données SQLite durable avec des vecteurs LanceDB à côté — copiable, inspectable et utilisable hors ligne sans aucune clé API.
Intégration d'agent native MCP, en une seule commande: Se connecte aux agents de codage populaires via MCP sur stdio (serveur de processus enfant) en utilisant des commandes simples comme `pmb connect ...`, permettant à plusieurs agents de partager un espace de travail.
Injection automatique de mémoire avant l'invite: Rappelle et injecte les décisions/leçons/fichiers pertinents dans le contexte de l'agent avant qu'il ne raisonne, de sorte que l'agent n'a pas besoin de se souvenir d'appeler un outil de mémoire.
Récupération hybride avec fusion classée: Combine la recherche lexicale BM25, les embeddings denses et un graphe d'entités, fusionnés via Reciprocal Rank Fusion (avec reranking optionnel) pour améliorer la qualité et la pertinence du rappel.
Écritures rapides et non bloquantes et rappel à faible latence: Les écritures retournent immédiatement tandis que les insertions d'embeddings/vecteurs s'exécutent de manière asynchrone ; le rappel est conçu pour être rapide sur le CPU local (dizaines de millisecondes en utilisation typique).
Tableau de bord auditable : Carte + Chronologie: Fournit une interface utilisateur web locale pour explorer la mémoire sous forme de graphe d'entités et un journal des décisions/leçons/changements de type git-graph, améliorant la transparence et le contrôle.
Cas d'utilisation de PMB | Local-first memory for AI
Continuité de l'ingénierie logicielle entre les sessions: Les équipes ou les développeurs solos peuvent préserver les décisions architecturales, les conventions et les leçons de débogage antérieures afin que chaque nouvelle session de codage commence avec un contexte stable au lieu de réexpliquer.
Flux de travail de développeur multi-outils (changement d'IDE/d'agent): Les développeurs qui alternent entre Cursor, Claude Code, Codex CLI, Zed, etc. peuvent conserver un espace de travail de mémoire partagé afin que le contexte les suive entre les outils.
Environnements de codage hors ligne/privés: Les organisations sensibles à la sécurité (finance, santé, défense) ou les configurations isolées peuvent utiliser PMB pour une mémoire et une récupération durables sans envoyer de code ou de notes au cloud.
Développement et maintenance de produits à long terme: Pour les projets avec des mois/années d'évolution, PMB peut stocker les pièges récurrents, les notes de migration de dépendances et la justification historique pour réduire les régressions et les incidents répétés.
Recherche et évaluation des systèmes de mémoire/récupération: Les chercheurs en IA appliquée peuvent évaluer et itérer sur des pipelines de rappel hybrides (BM25 + vecteurs + graphe) en utilisant des mesures locales reproductibles et des artefacts de mémoire visibles.
Base de connaissances personnelle portable pour les constructeurs: Les créateurs indépendants peuvent maintenir un "cerveau d'ingénierie" personnel de décisions et de leçons, puis exporter/chiffrer/synchroniser l'espace de travail entre les appareils pour la continuité.
Avantages
Forte posture de confidentialité : stockage local-first, pas de cloud, pas de télémétrie, pas de clés API requises pour le rappel.
Approche de récupération de haute qualité : recherche hybride (BM25 + vecteurs + graphe d'entités) avec fusion classée et reranking optionnel.
Flux de travail à faible friction : l'injection automatique de rappel et la journalisation réduisent la surcharge de l'invite manuelle et de l'appel d'outils.
Transparence et contrôle : le tableau de bord local (Carte/Chronologie) plus la portabilité basée sur les fichiers (SQLite/LanceDB) rendent la mémoire auditable.
Inconvénients
Nécessite une configuration/maintenance locale : les utilisateurs doivent installer/configurer et gérer les espaces de travail, les sauvegardes et les choix de modèles pour les embeddings/l'extraction.
La pertinence/sécurité dépend d'un filtrage correct : les agents personnalisés doivent reproduire le comportement d'instruction/de filtrage de PMB pour éviter d'afficher des faits personnels non pertinents.
Le choix du modèle d'embedding est important : les espaces de travail multilingues peuvent nécessiter une configuration explicite pour éviter une dégradation de la récupération avec des embeddings uniquement en anglais.
Compromis sur les ressources locales : l'indexation, les embeddings et l'extraction/la_synthèse_optionnelles peuvent consommer du CPU/RAM et peuvent nécessiter un réglage pour les grands espaces de travail.
Comment utiliser PMB | Local-first memory for AI
1) Installer PMB: Dans un terminal, installez PMB avec pip :
pip install pmb-ai
PMB est purement Python et fonctionne sur macOS, Linux et Windows.
2) Connecter PMB à votre agent de codage IA (MCP): Connectez PMB à votre agent via MCP (stdio). Exemple pour Claude Code :
pmb connect claude-code
PMB s'exécute en tant que processus enfant de votre agent (pas de réseau, pas de port). Il injectera la mémoire pertinente avant que le modèle ne réponde et enregistrera le travail après.
3) Vérifier la configuration: Exécutez les diagnostics intégrés pour confirmer que le câblage et les hooks MCP sont actifs :
pmb doctor
4) Utiliser votre agent normalement (la mémoire est automatique): Commencez à travailler comme vous le faites habituellement dans votre agent/éditeur. PMB automatiquement :
- Classe chaque message rapidement
- Rappelle les mémoires correspondantes avant que le modèle ne réponde
- Écrit de nouveaux événements de manière asynchrone (les écritures retournent instantanément ; l'intégration/l'insertion de vecteurs se fait en arrière-plan)
Aucun appel d'outil spécial n'est requis lors d'une utilisation normale.
5) Tester manuellement le rappel depuis la CLI (facultatif): Vous pouvez interroger votre mémoire directement pour voir ce que PMB ferait remonter :
pmb recall
Ensuite, tapez une requête (par exemple, un nom de bug ou une décision) et examinez les résultats classés (leçons/décisions/fichiers/etc.).
6) Ouvrir le tableau de bord local pour explorer la mémoire: Lancez le tableau de bord :
pmb dashboard
Ensuite, ouvrez l'interface utilisateur web locale (généralement affichée comme http://127.0.0.1:8765). Le tableau de bord vous permet d'inspecter votre mémoire comme :
- Un graphique (entités et connexions)
- Une chronologie/journal (décisions, leçons, commits, échecs, etc.)
Il est uniquement local (pas d'authentification, pas de cloud).
7) Passer à un modèle d'intégration multilingue si votre espace de travail n'est pas principalement du texte latin (recommandé en cas d'avertissement): Si vous voyez un avertissement comme "Workspace has 81% non-Latin chars but uses all-MiniLM-L6-v2 (English-only)", changez les intégrations pour un modèle multilingue :
pmb config set embedding.model paraphrase-multilingual-MiniLM-L12-v2
Cela améliore la récupération lorsque vos mémoires/requêtes incluent du texte non-anglais.
8) (Avancé) Assurez-vous que votre agent personnalisé reproduit la porte de sécurité de la mémoire de PMB: Si vous construisez votre propre intégration d'agent au-dessus de PMB, reproduisez le même bloc de filtrage/instruction que PMB injecte ; sinon, des faits personnels non pertinents peuvent apparaître sur des questions sans rapport. La référence canonique se trouve dans :
src/pmb/cli/connect.py
9) Sauvegarder / synchroniser votre espace de travail PMB avec Git (recommandé): Initialisez un dépôt distant d'espace de travail et poussez régulièrement :
pmb workspace init --remote [email protected]:you/my-memory.git
pmb workspace push
Sur une autre machine :
pmb workspace pull
Ou clonez sur un nouvel appareil :
pmb workspace clone <url> work-laptop
(Comportement en cas de conflit noté dans la documentation : le distant l'emporte en cas de conflit.)
10) Exporter un paquet de sauvegarde chiffré (restauration portable): Créez un paquet chiffré et authentifié :
pmb workspace export memory.enc
Restaurez-le n'importe où dans un espace de travail :
pmb workspace import memory.enc personal
Ceci utilise AES + HMAC avec une clé dérivée de scrypt (selon l'extrait de source fourni).
11) Si vous devez repartir de zéro, copiez le répertoire de l'espace de travail (option de récupération): Au pire, vous pouvez copier votre répertoire d'espace de travail et repartir de zéro. L'extrait indique que l'espace de travail se trouve sous :
~/.pmb/workspaces/<id>/
Copiez-le comme sauvegarde manuelle ou pour migrer l'état.
FAQ de PMB | Local-first memory for AI
PMB (Personal Memory Brain) est un système de mémoire persistante "local-first" pour les agents de codage IA. Il stocke les décisions, les leçons, les faits de projet et d'autres souvenirs sur votre machine (principalement dans un fichier SQLite) et renvoie le contexte pertinent aux agents via MCP (Model Context Protocol).
Articles populaires
Atoms : Une plateforme d'IA multi-agents qui transforme les idées en produits prêts à être lancés
May 22, 2026
Nano Banana SBTI : Qu'est-ce que c'est, comment ça marche et comment l'utiliser en 2026
Apr 15, 2026
Atoms : L'outil de création de produits IA qui redéfinit la création numérique en 2026
Apr 10, 2026
Kilo Claw : Comment déployer et utiliser un véritable agent d'IA "Faites-le pour vous" (Mise à jour 2026)
Apr 3, 2026
Derniers outils d'IA similaires à PMB | Local-first memory for AI
Gait
Gait est un outil de collaboration qui intègre la génération de code assistée par l'IA avec le contrôle de version, permettant aux équipes de suivre, comprendre et partager efficacement le contexte du code généré par l'IA.
invoices.dev
invoices.dev est une plateforme de facturation automatisée qui génère des factures directement à partir des commits Git des développeurs, avec des capacités d'intégration pour GitHub, Slack, Linear et les services Google.
EasyRFP
EasyRFP est un outil de calcul en périphérie alimenté par l'IA qui rationalise les réponses aux RFP (demande de proposition) et permet le phénotypage des champs en temps réel grâce à la technologie d'apprentissage profond.
Cart.ai
Cart.ai is an AI-powered service platform that provides comprehensive business automation solutions including coding, customer relations management, video editing, e-commerce setup, and custom AI development with 24/7 support.
Outils d'IA populaires comme PMB | Local-first memory for AI
GitHub Copilot Chat
GitHub Copilot Chat est un assistant de codage alimenté par l'IA qui fournit des interactions en langage naturel, des suggestions de code en temps réel et un soutien contextuel directement dans les IDE pris en charge et sur GitHub.com.
CopilotForXcode
CopilotForXcode est une extension d'Éditeur de Source Xcode qui intègre GitHub Copilot, Codeium et ChatGPT pour fournir des suggestions de code alimentées par l'IA, une assistance par chat et une fonctionnalité de prompt-à-code au sein de Xcode.
BrowserAI
BrowserAI est une bibliothèque open source qui permet d'exécuter des grands modèles de langage (LLM) locaux directement dans les navigateurs Web avec l'accélération WebGPU, offrant des capacités d'IA axées sur la confidentialité sans nécessiter d'infrastructure de serveur.
OpenAI Codex CLI
OpenAI Codex CLI est un agent de codage open source léger qui s'exécute dans votre terminal, permettant aux développeurs de traduire le langage naturel en exécution de code tout en fournissant un raisonnement de niveau ChatGPT avec la possibilité d'exécuter du code, de manipuler des fichiers et d'itérer sous contrôle de version.