PMB | Local-first memory for AI
PMB adalah lapisan memori persisten lokal-pertama, MCP-native, Apache-2.0 yang menyimpan pengetahuan agen dalam SQLite + LanceDB di disk dan secara otomatis menyuntikkan penarikan hibrida cepat (BM25 + vektor + grafik entitas) ke dalam alat seperti Claude Code, Cursor, Codex, dan Zed—offline, tanpa kunci API atau cloud.
https://pmbai.dev/?ref=producthunt&utm_source=aipure
Informasi Produk
Diperbarui:Jun 29, 2026
Apa itu PMB | Local-first memory for AI
PMB (Personal Memory Brain) adalah sistem memori lokal-pertama yang dirancang untuk memecahkan masalah 'AI lupa setiap sesi' untuk agen pengkodean. Alih-alih mengandalkan riwayat obrolan atau layanan cloud, PMB menyimpan memori yang tahan lama dan dapat digunakan kembali—seperti fakta proyek, keputusan, pelajaran, dan konteks file—langsung di mesin Anda dalam satu ruang kerja yang Anda kontrol. Ini terintegrasi dengan klien yang kompatibel dengan MCP (termasuk Claude Code, Cursor, Codex, Zed, Windsurf, Gemini, dan pengaturan Copilot MCP) sehingga agen Anda dapat membawa konteks di seluruh sesi dan bahkan di seluruh alat yang berbeda, sambil menjaga semuanya tetap pribadi dan offline-pertama. PMB juga menyediakan UI dasbor lokal untuk memeriksa, mengaudit, dan menjelajahi apa yang telah disimpan.
Fitur Utama PMB | Local-first memory for AI
PMB (Personal Memory Brain) adalah lapisan memori persisten lokal-pertama Apache-2.0 untuk agen pengkodean AI yang menyimpan keputusan, pelajaran, fakta proyek, dan konteks alur kerja di mesin Anda (SQLite + LanceDB) dan secara otomatis menampilkan memori yang paling relevan ke alat yang kompatibel dengan MCP (misalnya, Claude Code, Cursor, Codex, Zed) sebelum model merespons. Ini menekankan pengambilan cepat, offline (tanpa kunci API, tanpa cloud, tanpa telemetri), kualitas pencarian hibrida (BM25 + vektor padat + grafik entitas dengan reranking opsional), dan fitur "kebersihan memori" seperti penilaian tingkat tindak lanjut yang membantu Anda memangkas aturan yang tidak membantu. Dasbor lokal memberikan visibilitas dan kontrol melalui grafik (Peta) dan jurnal (Linimasa), sementara opsi pencadangan/sinkronisasi/ekspor mendukung portabilitas antar mesin.
Penyimpanan memori persisten lokal-pertama: Menyimpan memori agen jangka panjang di disk Anda dalam database SQLite yang tahan lama dengan vektor LanceDB di sampingnya—dapat disalin, diperiksa, dan digunakan secara offline tanpa kunci API.
Integrasi agen MCP-native, satu perintah: Terhubung ke agen pengkodean populer melalui MCP melalui stdio (server proses anak) menggunakan perintah sederhana seperti `pmb connect ...`, memungkinkan beberapa agen untuk berbagi satu ruang kerja.
Injeksi memori pra-prompt otomatis: Mengingat dan menyuntikkan keputusan/pelajaran/file yang relevan ke dalam konteks agen sebelum ia berpikir, sehingga agen tidak perlu mengingat untuk memanggil alat memori.
Pengambilan hibrida dengan fusi berperingkat: Menggabungkan pencarian leksikal BM25, embedding padat, dan grafik entitas, digabungkan melalui Reciprocal Rank Fusion (dengan reranking opsional) untuk meningkatkan kualitas dan relevansi penarikan.
Penulisan cepat, non-pemblokiran, dan penarikan latensi rendah: Penulisan segera kembali sementara penyisipan embedding/vektor berjalan secara asinkron; penarikan dirancang agar cepat pada CPU lokal (puluhan milidetik dalam penggunaan tipikal).
Dasbor yang dapat diaudit: Peta + Linimasa: Menyediakan UI web lokal untuk menjelajahi memori sebagai grafik entitas dan jurnal keputusan/pelajaran/perubahan seperti grafik git, meningkatkan transparansi dan kontrol.
Kasus Penggunaan PMB | Local-first memory for AI
Kontinuitas rekayasa perangkat lunak di seluruh sesi: Tim atau pengembang solo dapat mempertahankan keputusan arsitektur, konvensi, dan pelajaran debugging sebelumnya sehingga setiap sesi pengkodean baru dimulai dengan konteks yang stabil alih-alih menjelaskan ulang.
Alur kerja pengembang multi-alat (pergantian IDE/agen): Pengembang yang bergantian antara Cursor, Claude Code, Codex CLI, Zed, dll. dapat menyimpan satu ruang kerja memori bersama sehingga konteks mengikuti mereka di seluruh alat.
Lingkungan pengkodean offline/pribadi: Organisasi yang sensitif terhadap keamanan (keuangan, perawatan kesehatan, pertahanan) atau pengaturan air-gapped dapat menggunakan PMB untuk memori dan pengambilan yang tahan lama tanpa mengirim kode atau catatan ke cloud.
Pengembangan dan pemeliharaan produk jangka panjang: Untuk proyek dengan evolusi berbulan-bulan/bertahun-tahun, PMB dapat menyimpan masalah berulang, catatan migrasi dependensi, dan alasan historis untuk mengurangi regresi dan insiden berulang.
Penelitian dan evaluasi sistem memori/pengambilan: Peneliti AI terapan dapat membandingkan dan mengulang pada pipeline penarikan hibrida (BM25 + vektor + grafik) menggunakan pengukuran lokal yang dapat direproduksi dan artefak memori yang terlihat.
Basis pengetahuan pribadi portabel untuk pembangun: Kreator independen dapat mempertahankan "otak rekayasa" pribadi berupa keputusan dan pelajaran, kemudian mengekspor/mengenkripsi/menyinkronkan ruang kerja di seluruh perangkat untuk kontinuitas.
Kelebihan
Postur privasi yang kuat: penyimpanan lokal-pertama, tanpa cloud, tanpa telemetri, tanpa kunci API yang diperlukan untuk penarikan.
Pendekatan pengambilan berkualitas tinggi: pencarian hibrida (BM25 + vektor + grafik entitas) dengan fusi berperingkat dan reranking opsional.
Alur kerja gesekan rendah: injeksi penarikan otomatis dan penjurnalan mengurangi overhead prompting manual dan pemanggilan alat.
Transparansi dan kontrol: dasbor lokal (Peta/Linimasa) ditambah portabilitas berbasis file (SQLite/LanceDB) membuat memori dapat diaudit.
Kekurangan
Membutuhkan pengaturan/pemeliharaan lokal: pengguna harus menginstal/mengkonfigurasi dan mengelola ruang kerja, cadangan, dan pilihan model untuk embedding/ekstraksi.
Relevansi/keamanan tergantung pada pembatasan yang benar: agen kustom harus mereplikasi instruksi/perilaku pembatasan PMB untuk menghindari munculnya fakta pribadi yang tidak relevan.
Pilihan model embedding penting: ruang kerja multibahasa mungkin memerlukan konfigurasi eksplisit untuk menghindari penurunan pengambilan dengan embedding khusus bahasa Inggris.
Pertukaran sumber daya lokal: pengindeksan, embedding, dan ekstraksi/ringkasan opsional dapat mengonsumsi CPU/RAM dan mungkin perlu disesuaikan untuk ruang kerja yang besar.
Cara Menggunakan PMB | Local-first memory for AI
1) Instal PMB: Di terminal, instal PMB dengan pip:
pip install pmb-ai
PMB adalah Python murni dan berfungsi di macOS, Linux, dan Windows.
2) Hubungkan PMB ke agen pengkodean AI Anda (MCP): Hubungkan PMB ke agen Anda melalui MCP (stdio). Contoh untuk Claude Code:
pmb connect claude-code
PMB berjalan sebagai proses anak dari agen Anda (tanpa jaringan, tanpa port). Ini akan menyuntikkan memori yang relevan sebelum model menjawab dan mencatat pekerjaan setelahnya.
3) Verifikasi pengaturan: Jalankan diagnostik bawaan untuk mengonfirmasi bahwa kabel dan kait MCP aktif:
pmb doctor
4) Gunakan agen Anda secara normal (memori otomatis): Mulai bekerja seperti biasa di agen/editor Anda. PMB secara otomatis:
- Mengklasifikasikan setiap pesan dengan cepat
- Mengingat memori yang cocok sebelum model merespons
- Menulis peristiwa baru secara asinkron (penulisan kembali secara instan; penyisipan embedding/vektor terjadi di latar belakang)
Tidak ada panggilan alat khusus yang diperlukan selama penggunaan normal.
5) Uji penarikan secara manual dari CLI (opsional): Anda dapat menanyakan memori Anda secara langsung untuk melihat apa yang akan dimunculkan PMB:
pmb recall
Kemudian ketik kueri (misalnya, nama bug atau keputusan) dan tinjau hasil yang diberi peringkat (pelajaran/keputusan/file/dll.).
6) Buka dasbor lokal untuk menjelajahi memori: Luncurkan dasbor:
pmb dashboard
Kemudian buka UI web lokal (biasanya ditampilkan sebagai http://127.0.0.1:8765). Dasbor memungkinkan Anda memeriksa memori Anda sebagai:
- Grafik (entitas dan koneksi)
- Garis waktu/jurnal (keputusan, pelajaran, komit, kegagalan, dll.)
Ini hanya lokal (tanpa otentikasi, tanpa cloud).
7) Beralih ke model embedding multibahasa jika ruang kerja Anda sebagian besar bukan teks Latin (direkomendasikan saat diperingatkan): Jika Anda melihat peringatan seperti 'Ruang kerja memiliki 81% karakter non-Latin tetapi menggunakan all-MiniLM-L6-v2 (khusus bahasa Inggris)', alihkan embedding ke model multibahasa:
pmb config set embedding.model paraphrase-multilingual-MiniLM-L12-v2
Ini meningkatkan pengambilan ketika memori/kueri Anda menyertakan teks non-Inggris.
8) (Lanjutan) Pastikan agen kustom Anda mereplikasi gerbang keamanan memori PMB: Jika Anda membangun integrasi agen Anda sendiri di atas PMB, replikasi blok gerbang/instruksi yang sama yang disuntikkan PMB; jika tidak, fakta pribadi yang tidak relevan dapat muncul pada pertanyaan yang tidak terkait. Referensi kanonik ada di:
src/pmb/cli/connect.py
9) Cadangkan / sinkronkan ruang kerja PMB Anda dengan Git (direkomendasikan): Inisialisasi remote ruang kerja dan dorong secara teratur:
pmb workspace init --remote [email protected]:you/my-memory.git
pmb workspace push
Di mesin lain:
pmb workspace pull
Atau klon ke perangkat baru:
pmb workspace clone <url> work-laptop
(Perilaku konflik dicatat dalam dokumen: remote menang dalam konflik.)
10) Ekspor bundel cadangan terenkripsi (pemulihan portabel): Buat bundel terenkripsi dan terautentikasi:
pmb workspace export memory.enc
Pulihkan di mana saja ke ruang kerja:
pmb workspace import memory.enc personal
Ini menggunakan AES + HMAC dengan kunci turunan scrypt (sesuai cuplikan sumber yang disediakan).
11) Jika Anda perlu memulai dari awal, salin direktori ruang kerja (opsi pemulihan): Kasus terburuk, Anda dapat menyalin direktori ruang kerja Anda dan memulai dari awal. Cuplikan menunjukkan ruang kerja berada di bawah:
~/.pmb/workspaces/<id>/
Salin sebagai cadangan manual atau untuk memigrasi status.
FAQ PMB | Local-first memory for AI
PMB (Personal Memory Brain) adalah sistem memori persisten lokal-pertama untuk agen pengkodean AI. Ini menyimpan keputusan, pelajaran, fakta proyek, dan memori lainnya di mesin Anda (terutama dalam file SQLite) dan mengumpankan konteks yang relevan kembali ke agen melalui MCP (Model Context Protocol).
Artikel Populer
Atoms: Platform AI Multi-Agen yang Mengubah Ide menjadi Produk Siap Diluncurkan
May 22, 2026
Nano Banana SBTI: Apa Itu, Bagaimana Cara Kerjanya, dan Cara Menggunakannya di Tahun 2026
Apr 15, 2026
Ulasan Atoms — Pembuat Produk AI yang Mendefinisikan Ulang Kreasi Digital di Tahun 2026
Apr 10, 2026
Kilo Claw: Cara Menerapkan dan Menggunakan Agen AI "Lakukan-Untuk-Anda" Sejati (Pembaruan 2026)
Apr 3, 2026
Alat AI Terbaru Serupa dengan PMB | Local-first memory for AI
Gait
Gait adalah alat kolaborasi yang mengintegrasikan generasi kode yang dibantu AI dengan kontrol versi, memungkinkan tim untuk melacak, memahami, dan membagikan konteks kode yang dihasilkan AI dengan efisien.
invoices.dev
invoices.dev adalah platform penagihan otomatis yang menghasilkan faktur langsung dari komit Git pengembang, dengan kemampuan integrasi untuk layanan GitHub, Slack, Linear, dan Google.
EasyRFP
EasyRFP adalah toolkit komputasi tepi yang didukung AI yang memperlancar respons RFP (Permintaan Proposal) dan memungkinkan fenotip lapangan waktu nyata melalui teknologi pembelajaran mendalam.
Cart.ai
Cart.ai adalah platform layanan bertenaga AI yang menyediakan solusi otomatisasi bisnis yang komprehensif termasuk pengkodean, manajemen hubungan pelanggan, pengeditan video, pengaturan e-commerce, dan pengembangan AI kustom dengan dukungan 24/7.
Alat AI Populer Seperti PMB | Local-first memory for AI
GitHub Copilot Chat
GitHub Copilot Chat adalah asisten pengkodean bertenaga AI yang menyediakan interaksi bahasa alami, saran kode waktu nyata, dan dukungan kontekstual langsung di dalam IDE yang didukung dan GitHub.com.
CopilotForXcode
CopilotForXcode adalah Ekstensi Editor Sumber Xcode yang mengintegrasikan GitHub Copilot, Codeium, dan ChatGPT untuk memberikan saran kode yang didukung AI, bantuan obrolan, dan fungsionalitas prompt-to-code di dalam Xcode.
BrowserAI
BrowserAI adalah pustaka sumber terbuka yang memungkinkan menjalankan Model Bahasa Besar (LLM) lokal langsung di browser web dengan akselerasi WebGPU, menawarkan kemampuan AI yang berfokus pada privasi tanpa memerlukan infrastruktur server.
OpenAI Codex CLI
OpenAI Codex CLI adalah agen pengkodean sumber terbuka ringan yang berjalan di terminal Anda, memungkinkan pengembang untuk menerjemahkan bahasa alami ke dalam eksekusi kode sambil memberikan penalaran tingkat ChatGPT dengan kemampuan untuk menjalankan kode, memanipulasi file, dan melakukan iterasi di bawah kontrol versi.