Show HN: PMB – 本地内存系统,用于显示编码代理是否使用它

Hacker News Top 工具

摘要

PMB 是一种本地优先的内存系统,专为 AI 编码代理设计,可将决策、经验教训和项目事实存储在磁盘上的 SQLite 文件中。它通过 MCP 与 Claude Code、Cursor、Codex 和 Zed 集成,无需依赖云端即可快速召回信息。

暂无内容
查看原文
查看缓存全文

缓存时间: 2026/07/01 17:01

# PMB · 本地优先的 AI 编码助手记忆系统 来源:https://pmbai.dev/ 本地优先记忆 · MCP 原生 · Apache 2.0 ## 你的AI助手每次会话都会忘记。PMB为其提供记忆,存储在本地磁盘上。 决策、教训和项目事实存储在一个你拥有的 SQLite 文件中。通过 MCP 反馈给 Claude Code、Cursor、Codex 和 Zed。离线使用,无需 API 密钥,无需云端,回忆时间约 35 毫秒。 与你的助手配合使用 · 一条命令 **100%** 在你的机器上 无 API 密钥 无云端,无遥测 **Apache-2.0**,开源 工作原理 ## 无需等待即被询问的记忆 钩子在模型思考之前*注入*正确的记忆,并在助手工作后记录其活动,读取路径无需 LLM 调用,助手无需记住调用工具。 **1** · 任何助手记录 __claude__ Claude Code __cursor__ Cursor __openai__ Codex 写入记忆 PMB PMB · 一个本地记忆 回忆重要内容 **2** · 在回答之前呈现 lesson 0.94 file 0.88 decision 0.81 01 · 读取 4–16 毫秒 ### 每次提示自动回忆 每条消息在毫秒内分类;匹配的教训、决策和项目概览*在*助手推理之前被提取。 02 · 写入 < 1 毫秒 ### 亚毫秒异步写入 MCP 工具立即返回。先写入 SQLite;嵌入和 LanceDB 向量插入在后台线程运行,从不阻塞会话。 03 · 融合 94.5% recall@10 ### 混合回忆,排序 BM25 + 稠密向量 + 实体图 + 可选重排序,通过 Reciprocal-Rank-Fusion 融合。一次调用返回正确结果,并排序。 04 · 学习 真实的遵循率 ### 教训靠实际表现赢得地位 每条规则根据助手是否实际遵循它来评分。有用的规则被标记星标;被忽略的规则被标记为无效,这样你可以修剪无用的内容。 地图 · 实时实体图 ## 你的记忆,以可探索的图形呈现 每个事实、决策、教训、文件和实体都成为一个节点,按类型颜色编码,按重要性调整大小。悬停一个节点,其他节点变暗,邻居节点高亮,并读取完整的记忆块。 地图 时间线 概览 教训 **0** 个实体 · **0** 条连接 · **8** 个集群 拖动 · 滚动 · 悬停 时间线 · git-graph 日志 ## 每个决策、教训和提交,最新优先 每个项目一条轨道,节点按事件类型颜色编码,由柔和曲线连接。自动写入的日志,与仪表板中显示相同。 地图 时间线 概览 教训 不是模拟图 ## 这是真实的仪表板 一个从你的机器上提供的本地 Web 应用程序。上面的地图和时间线是实时重建的,这里是真实情况,渲染一个项目的记忆。 地图 时间线 5,229 个实体 PMB 仪表板 — 地图:一个有 5,229 个记忆实体跨越 149 个集群的力导向星系 PMB 仪表板 — 时间线:一个决策、教训和提交的 git-graph 日志,最新优先 **地图** · 65,005 条连接跨越 149 个集群,按类型颜色编码 为什么重要 ## 当你的助手记住时会发生什么变化 不是功能,而是结果。这就是持久记忆对你日常工作的实际影响。 ### 不再重复解释你的项目 每次会话开始时就已知晓你的决策、约定和上周二遇到的 bug。无需再复制粘贴相同上下文到新聊天中。 ### 在工具间切换而不丢失上下文 Claude Code、Cursor、Codex 和 Zed 都读取同一个记忆。你的上下文跟随你,而不是编辑器,因此切换助手成本为零。 ### 你可以真正信任的记忆 PMB 评估每条教训是否被遵循,并标记无效的教训。它会告诉你某个记忆*没有*帮助,因此你的上下文始终保持诚实,而不是臃肿。 观察其累积效果 第 1/5 次会话 ### 第一天:空白状态 助手从零开始。你解释你的项目、约定、上周二遇到的 bug,会话结束时这一切都消失。 S1 S2 S3 S4 S5 快速开始 ## 七条命令,之后只需与你的助手对话 无需账户,无需密钥,没有任何内容离开你的机器。从终端检查一切,或打开仪表板。 修复结账中的定价 bug ↩ L 绝不将 NEGOTIATE/SKIP 降低到 25% 以下 教训 · PMB 0.94 F verdict-policy.ts · 第142行 文件 · 周二 14:32 打开 0.88 D 使用 RRF 而非学习权重 决策 · 4天前 0.81 3/41 条记忆 · 在 **35ms** 内融合 混合回忆 集成 ## 一条命令将你的助手连接到 MCP 所有内容通过 stdio 运行,服务器是助手的子进程。无网络,无端口,无令牌。 ### Claude Code - 规则自动附加到助手的配置中 - 将多个助手指向同一个共享工作空间 - 使用 `pmb doctor` 验证连接 任何模型 · 本地或托管 ## 自带模型,或离线运行 PMB 在读取路径上从不调用 LLM。可选的摘要和图提取过程在你指定的任何模型上运行,包括完全本地的 Ollama。你的记忆始终属于你。 graph.extractor = llm:ollama · 在本地模型上运行提取和摘要,100% 离线,零 API 密钥。 快速开始 ## 60 秒内运行 三条命令,无需账户,无需配置。然后按照你已有的方式工作。 1 ### 安装 一条 pip install。纯 Python,可在 macOS、Linux 和 Windows 上运行。 $ `pip install pmb-ai` 2 ### 连接你的助手 通过 MCP 将 PMB 连接到你的助手。可切换至 cursor、codex、zed 等。 $ `pmb connect claude-code` 3 ### 直接与之对话 像往常一样工作,PMB 自动记录和回忆。随时打开仪表板进行探索。 $ `pmb dashboard` 架构 ## 文件在你的磁盘上,所有层级 每个事件存储在 SQLite 中;向量存储在旁边的 LanceDB 中。使用 `cp` 即可复制到任何地方。无需信任服务器。 你的助手 ↔ MCP · stdio ↔ MCP 服务器(29 个工具 · prepare()) ↔ 引擎(混合路由器) ↔ 混合回忆(BM25 + 向量 + 图 · 35ms) ↔ 异步写入(嵌入队列 · 亚毫秒返回) ↔ SQLite + LanceDB(在你的磁盘上) 基准测试 ## 快速、本地、诚实地呈现 这里每个数字都在 PMB 自己的引擎上测量,并且可以从仓库复现。无云端,读取路径无 LLM,无每次查询成本。 94.6% recall@10 (LoCoMo) 88ms p50 回忆速度在 2k 记忆时 <1ms 异步写入,从不阻塞 $0 每次回忆,完全本地 73.1% 答案准确率 (J-score, LoCoMo) #### 检索质量 (recall@k) MRR 0.774 · nDCG@10 0.816 68.4 85.0 89.4 94.6 k=1 k=3 k=5 k=10 使用 LoCoMo-10 · 997 个问题 · 无 LLM 评分器 · 关闭缓存 #### 回忆延迟 vs 记忆大小 (p50 / p95) p50 p95 100 ms 10 100 500 1k 2k 热守护进程,关闭缓存,本地 CPU。实际约 100 个记忆的工作空间:p50 24 ms。缓存后:约 0.15 ms。 完全诚实 ## 它会告诉你一个记忆没有帮助 每条教训都有一个 `surface_id`。PMB 跟踪助手是否实际遵循了该教训,通过确认或从活动中自动检测。被忽略的规则标记为无效。值得保留的规则被标记星标。没有虚荣指标。 有用 绝不将 NEGOTIATE/SKIP 降低到 25% 以下 有用 在第一次回忆前预热 pmb 未验证 优先使用 tree-sitter 进行 TS 索引 无效 总是在编辑后重新运行完整测试套件 内部原理 ## 建立在简单、持久的组件之上 没有异国情调的基础设施。本地文件和成熟的库,五年后你仍然可以打开。 记忆卫生 ## 自动自我维护 一年后,回忆仍然准确。记忆自动衰减、归档和去重,并且从不在背后删除任何东西。 记忆从左到右流动并自我维护。悬停一个阶段以跟随路径。 一个 SQLite 文件 我的代码或数据会离开我的机器吗?不。所有内容都存储在本地 SQLite 文件中,旁边的 LanceDB 中存储向量。读取路径上没有网络调用,没有账户,也永远没有遥测。拔掉网线它仍然工作。 这与 RAG 或向量数据库有何不同?两点不同。回忆是混合的:BM25 加上稠密向量加上实体图,融合并排序。而且是自动的:正确的记忆在模型思考之前注入。你无需构建管道或希望助手记住调用工具。 它会减慢我的助手速度吗?不会。回忆大约在 35ms 内完成,写入在不到一毫秒内返回,嵌入和向量插入在后台线程中进行,永远不会阻塞会话。 支持哪些助手和操作系统?任何支持 MCP 的助手:Claude Code、Cursor、Codex、Zed、Windsurf 等,一条命令即可连接。PMB 是纯 Python,已在 macOS、Linux 和 Windows 上测试。 如果记忆错误或无帮助怎么办?PMB 评估每条教训是否被实际遵循,并标记无效的教训以便你可以修剪它们。这是少数会告诉你自己的记忆没有发挥价值的工具。 真的是免费的吗?是的。Apache-2.0,开源,永远免费。没有付费层级,没有座位,没有遥测。你拥有文件和代码。 Apache 2.0 · 100% 离线 ## 给你的助手一个它保留的记忆

相似文章

PMB

Product Hunt

PMB 是一个本地优先的记忆工具,帮助开发者避免向 AI 编码代理重复解释他们的项目。

rohitg00/agentmemory

GitHub Trending (daily)

agentmemory 是一个开源的持久化记忆层,专为 AI 编程智能体(Claude Code、Cursor、Gemini CLI、Codex CLI 等)设计。它通过知识图谱、置信度评分和混合搜索技术,借助 MCP、Hooks 或 REST API,为智能体提供跨会话的长期记忆能力。该项目基于 iii 引擎构建,无需外部数据库,提供 51 个 MCP 工具。

MemPalace/mempalace

GitHub Trending (daily)

MemPalace 是一款本地优先的开源 AI 记忆工具,能够逐字存储对话历史,并通过语义搜索进行检索,在 LongMemEval 上达到 96.6% R@5,无需任何 API 调用或 LLM。它采用可插拔后端架构,提供 CLI 界面,支持 Claude Code、Gemini CLI 以及 MCP 兼容工具。

Agentmemory

Product Hunt

Agentmemory 为 Codex、Hermes、OpenClaw 和 Claude 等 AI 模型提供持久记忆,使其能够在交互过程中保持长期上下文。