PMB

PMB 是一个本地优先的记忆库，旨在解决 AI 编码 Agent 的健忘症。它不是另一个代码生成器，而是夹在开发者代码库和 AI Agent 之间的中间层，专门负责存储和检索项目的上下文信息。对于频繁使用 Cursor、Claude Code 或 GitHub Copilot 的开发者来说，它充当了项目的“长期记忆”，确保 Agent 在处理新任务时，无需人工干预就能回想起之前的架构决策和业务逻辑。

在没有这类工具之前，开发者每次开启新的对话会话，或者让 AI 处理跨模块的任务时，往往陷入重复劳动的泥潭。如果使用 Cursor 或 Claude Code，当 Agent 需要修改一个涉及底层架构的函数时，它可能只看到当前文件的代码，而忽略了全局的设计决策。为了解决这个问题，开发者不得不手动复制 README、粘贴架构文档，或者反复在输入框里输入“这是一个基于 Next.js 的项目，使用 Prisma 作为 ORM，请遵循 DDD 设计模式”。这种“手动上下文注入”的方式不仅打断心流，而且极其依赖开发者的耐心和记忆。一旦代码库更新，之前粘贴过的上下文就过时了，Agent 依然会基于旧知识给出错误的建议。

PMB 切入的是 Agent 记忆管理层。它不负责写代码，也不负责运行代码，它的唯一职责是让 AI 在执行任务前，能够自动获取到最相关的项目背景。这一层在过去是被忽略的，大家都在比拼模型智商或 IDE 集成度，却很少关注“Agent 是否记得住项目”。旧方案如 `.cursorrules` 或静态的 System Prompt 文件，虽然能提供部分指导，但它们是静态的文本，无法随着代码库的实时演进而自动更新，也无法根据当前任务智能筛选最相关的上下文片段。

这个项目之所以现在成立，是因为 AI 编程工具已经从“单次补全”进化到了“多轮协作”。以前我们只需要 AI 补全一行代码，上下文仅限于当前光标前后几行。现在我们让 AI 重构整个模块、编写测试用例甚至生成文档，这需要 Agent 对项目有全局且持续的理解。随着 AI 从聊天转向执行任务，Agent 需要处理的不再是孤立的代码片段，而是复杂的工程系统。如果缺乏记忆层，Agent 就无法在复杂的工程中保持连贯性。

这透露出一个明显的变化：AI 编程正在从“工具”向“队友”转变。队友需要记忆，不需要每次见面都重新自我介绍。PMB 的出现表明，开发者开始尝试用工程化的手段，去弥补 LLM 本身无状态的缺陷，构建一个属于项目的“数字大脑”。未来的开发环境可能不再只是代码编辑器，而是包含代码、记忆和 Agent 执行能力的复合体。

对于 Builder 来说，今天可以直接将 PMB 接入本地的开发环境，作为 AI 编码 Agent 的知识后端，减少重复解释项目架构的时间。最值得学习的设计思路是“将上下文管理从对话中剥离出来”，不要试图在 System Prompt 里塞满所有规则，而是建立一个动态的、可检索的索引层，让 Agent 学会“查资料”而不是“背资料”。这种思路不仅可以迁移到代码编写，还可以迁移到任何需要长期上下文的场景，比如让 AI 记住复杂的营销文案规范、法律文档的条款定义，或者个人知识库的写作风格。