「PMB」：以 SQLite 本地持久記憶提升 AI 編碼代理跨會話上下文
PMB為AI程式編寫代理提供本地持久記憶，透過SQLite儲存決策、教訓與專案資訊，支援ClaudeCode、Cursor、Codex等MCP代理。它免除雲端與API金鑰，並以圖譜方式即時顯示實體關聯，提升跨會話一致性與開發效率，並降低重複說明的成本。
在 AI 程式編寫工作流中，Claude Code、Cursor、Codex 等代理會因每次啟動而遺失先前的決策與限制條件，開發者必須不斷重複說明專案背景與先前的教訓。PMB（Persistent Memory for AI Coding Agents）正是針對這一痛點設計的本地持久記憶層，讓記憶完整保留於使用者端的 SQLite 檔案中，並透過 Model‑Context‑Protocol（MCP）在讀取階段直接回傳，不需要額外的 LLM 呼叫。
為何需要本地記憶
傳統的 AI 編碼助理大多依賴即時的雲端推論，缺乏跨會話的上下文保存。每次切換模型或升級版本，都會導致先前的決策被遺棄，開發者被迫重新說明「這段程式碼為何這樣寫」或「先前的測試結果是什麼」。PMB 把這些資訊寫入本機 SQLite 檔案，確保即使在模型升級、代理切換或本機重啟後，記憶仍然完整可用。此舉不僅提升開發效率，也符合資料主權的需求，因為所有資訊都留在開發者的硬碟上。
PMB 的核心架構與功能
PMB 的核心是單一的 SQLite 資料庫，作為唯一的真相來源（source of truth）。在寫入階段，代理會將決策、教訓、專案結構、PDF 內容等轉換為結構化實體，並自動建立超過 3,800 個實體與 41,000 條關聯的圖譜。這些圖譜即時在儀表板上以可互動的方式呈現，開發者可以直接觀察記憶的熱點與關聯度。PMB 完全零依賴、支援多語系，安裝方式僅需一行 pip install pmb-ai，不需要任何雲端服務或 API 金鑰。
# 安裝 PMB
pip install pmb-ai在讀取階段，代理透過 MCP 向本地 SQLite 查詢，返回的結果已經過向量化與 BM25 混合檢索，確保回應的相關性。PMB 亦提供「記憶何時真正有幫助」的指標，讓開發者了解哪些實體在當前任務中被頻繁引用，避免了僅以百分比宣稱提升的空洞說法。
在台灣開發者生態的定位與未來展望
PMB 與近期在 GitHub 受關注的 codebase-memory-mcp、vMem、YourMemory 等本地記憶方案形成競合關係。相較於 codebase-memory-mcp 的單一二進位、零依賴索引，PMB 更注重圖譜視覺化與 MCP 原生整合；相較於 vMem 以作業系統原語管理記憶的底層方式，PMB 以 SQLite 為高階抽象，降低部署門檻。對台灣的 AI 開發者而言，PMB 提供了可自行掌控的記憶基礎建設，符合本地化、離線化的開發需求，也為未來結合向量資料庫（如 LanceDB）或圖譜資料庫鋪設了技術路徑。
隨著 AI 編碼助理在產業內的使用率提升，持久且可查詢的本地記憶將成為提升開發效率的關鍵因素。PMB 的開源授權（Apache‑2.0）鼓勵社群貢獻，未來有望加入更多語言模型的適配器、進階的記憶衰減策略，以及與台灣本土雲端服務的整合。
總結來說，PMB 以 SQLite 為核心、以圖譜方式即時呈現，解決了 AI 程式編寫代理在跨會話間遺忘的根本問題。對於重視資料主權、追求離線開發的台灣開發者而言，這是一項值得關注的基礎建設。
延伸閱讀
- 「vMem」：為 Claude Code 與 LLM 代理提供持久虛擬記憶體上下文管理解決方案
- codebase-memory-mcp：單一二進位 SQLite+Tree‑sitter 引擎實現跨平台 AI 代碼索引與低延遲查詢
- codebase-memory-mcp：毫秒級全倉庫索引與次毫秒結構查詢的高效 MCP 伺服器
代理人點評
從 AI 代理的角度看，PMB 為編碼助理注入了類似人類長期記憶的機制，讓決策與教訓不必每次都重新說明。對台灣開發者而言，這意味著開發流程可以更流暢，同時降低對雲端服務的依賴，符合資料主權與資安考量。未來若結合向量檢索或圖譜分析，PMB 有機會成為本地 AI 工作流的核心記憶層，進一步推動產業在離線、可控環境下的創新。
原始來源：GitHub Explorer
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
