Miért felejtenek el mindent az AI asszisztenseink?

Az a fránya amnézia

Be kell lássuk: az AI kódoló asszisztensek piszok erősek, de van egy igazán idegesítő korlátjuk – teljes amnéziában szenvednek.

Eltöltesz egy órát azzal, hogy elmagyarázd a projekt architektúráját, a kódolási konvencióitokat, azt a furcsa megoldást, amit egy örökölt API miatt alkalmaztatok, és hogy miért esett a választásotok a PostgreSQL-re a MySQL helyett. Aztán bezárod a sessiont, másnap visszaülsz, és a te "intelligens" asszisztensed úgy köszönt, mint egy üres lap.

Ez nem csak kellemetlenség. Ez egy alapvető súrlódási pont, ami aláássa az egész ígéretét az AI-támogatott fejlesztésnek.

A memória-probléma, amiről senki nem beszél

Hozzászoktunk ahhoz, hogy az AI-t képességek alapján gondoljuk el – context window, reasoning mélység, token limit. De arról keveset beszélünk: a tartós memória hiánya heti несколько órátöbbet elvesz tőled.

Gondolkozz el, mit csinálsz egy tipikus kódolási sessionben:

• Elmagyarázod az új ügynöknek a projekt struktúráját
• Beilleszted az előző beszélgetésekből a kontextust
• Újra felállítod a csapatod konvencióit
• Emlékezteted az AI-t a már megoldott hibákra

Ezek mind overhead. Fizetsz a context tokenekért, hogy újra elmagyarázd azt, amit az eszközeidnek már tudniuk kellene.

Local-first: A te memóriád, a te géped

A PMB radikálisan más megközelítést alkalmaz. Ahelyett, hogy felhőalapú memóriát használna, ami szinkronizál a sessionök között (azzal az összes adatvédelmi és függőségi aggályával együtt), minden közvetlenül a lemezedre menti SQLite használatával.

Ez miért fontos:

Nincs szükség API kulcsra. A memória rendszer nem telefonál haza egyetlen szolgáltatáshoz sem. Teljesen lokálisan fut.

Nincs felhő-függőség. Az emlékeid nem tűnnek el, ha egy startup pivottol, felvásárlják, vagy megváltoztatja az árazási modelljét. Az SQLite fájlok örökké élnek.

Szub-milliszekundumos visszakeresés. Mivel minden lokálisan van, a visszakeresés tíz milliszekundumok alatt történik, nem másodpercek alatt.

Valóban privát. A projekt döntéseid, belső konvencióid és technikai adósság jegyzeteid soha nem hagyják el a gépedet.

Hogyan működik a gyakorlatban

A varázslat nem egyetlen technológiában rejlik – a kombinációban. A PMB egy hibrid visszakereső rendszert használ, ami három megközelítést rétegez:

BM25 keyword matching kezeli a pontos és fuzzy szövegkeresést. Amikor azt mondod, "az a hitelesítési probléma, amink volt", megtalálja a kapcsolódó emlékeket.

Dense vektorok ragadják meg a szemantikai jelentést. Megérti, hogy az "auth middleware" kapcsolódik a "login flow"-hoz akkor is, ha nincsenek pontos szóegyezések.

Entity graphok fenntartják a tények közötti kapcsolatokat. Amikor az ügynököd visszaemlékezik, hogy egy konkrét adatbázist használsz, követni tudja a kapcsolatokat a kapcsolódó döntésekhez – ORM választás vagy migration stratégia.

Ez a három rendszer Reciprocal-Rank Fusion segítségével egyesül, és az eredményeket relevancia szerint rangsorolva körülbelül 35 milliszekundum alatt adja vissza.

Az írási út is számít

A gyors olvasás lényeges, de a PMB az írási utat is jól kezeli. Amikor az ügynököd fontos dolgot tanul, annak a tudásnak meg kell maradnia anélkül, hogy blokkolná a munkafolyamatodat.

Az írások aszinkron módon történnek. Az MCP tool azonnal visszatér (<1ms), miközben a tényleges embedding és tárolás a háttérben zajlik. Az ügynököd soha nem vár a memória mentésére – egyszerűen folytatja a munkát.

Ez fontosabb, mint hangzik. Ha az emlékezés lassítaná a sessionödet, abbahagynád. A PMB teljesen eltávolítja ezt a súrlódást.

MCP: Az integrációs réteg, ami mindezt lehetővé teszi

A Model Context Protocol több figyelmet érdemel, mint amennyit kap. Az MCP egy szabványos módot teremt az AI ügynökök és külső eszközök, adatforrások összekapcsolására – és a memória rendszerek tökéletesen illeszkednek ebbe az architektúrába.

A PMB-vel az ügynöködnek nem kell eszébe jutnia, hogy meghívjon egy memória toolt. Hookok injektálják a releváns kontextust, mielőtt a reasoning elkezdődik, és naplózzák az aktivitást minden egyes akció után. Az ügynök memóriát kap anélkül, hogy a memóriára gondolna.

Még fontosabb: az MCP azt jelenti, hogy ez működik eszközök között. Az emlékeid működnek Claude Code-dal, Cursor-ral, Codex-szel, Zed-del és bármely más MCP-kompatibilis ügynökkel. A kontextus téged követ, nem a szerkesztődet.

Mi változik a mindennapjaidban

Konkrétan arról, ami ténylegesen változik:

A session átmenetek zökkenőmentessé válnak. Bezárod a Cursor-t 17:00-kor, megnyitod a Claude Code-ot 9:00-kor, és az ügynököd már tud a múlt heti refactoringról és arról, hogy miért azt a konkrét mintát választottad.

A context switching költségei eltűnnek. Ugrálnod kell ügynökök között különböző feladatokhoz? Nincs több újra-mindent-elmagyarázás. A kontextus ott van, megosztva az eszközök között.

Az új eszközök bevezetése nem jelenti a nulláról kezdést. Bekapsz egy új AI asszisztenst? Ugyanazt a memóriát olvassa, amit a meglévő eszközeid használnak.

Őszinte jelzés arról, mi tényleg hasznos. A PMB nyomon követi, hogy a leckék ténylegesan befolyásolják-e az ügynök viselkedését. A halott szabályok jelölve lesznek. A hasznosak a felszínre kerülnek. A kontextusod karcsú és releváns marad.

A lapos stack a lényeg

A PMB nem cutting-edge kutatásra vagy egzotikus infrastruktúrára épül. SQLite. LanceDB. Standard embedding modellek. Az a fajta technológia, amit öt év múlva is meg fogsz érteni.

Ez egy feature, nem egy korlátozás.

Amikor a memória rendszered lapos, tartós technológián fut, tudod:

• Megvizsgálni szabványos eszközökkel
• Exportálni proprietárius formátumok nélkül
• Backupolni rsync-kel
• Auditálni, hogy pontosan mit tárol

A local-first nem csak technikai választás – filozófiai. A projekt tudásodnak neked kellene tartoznia, általad kontrollált formátumokban tárolva.

Az első lépések percek alatt megvannak

Ha meggyőzött a koncepció, a megvalósítás valóban egyszerűbb nem lehet:

pip install pmb-ai
pmb connect claude-code

Ennyi. Most minden beszélgetés az ügynököddel az előzőre épül. A projekted tanul és emlékezik.

A dashboard vizuális módot ad a memória graph feltérképezésére – látod a döntések közötti kapcsolatokat, böngészed a tanult leckék idővonalát, és megérted, mit tud az ügynököd a projektedről.

A nagyobb kép

Olyan korszakba lépünk, ahol az AI ügynökök egyre összetettebb feladatokat fognak kezelni. Ehhez folytonosságra van szükségük – memóriára, ami megmarad, felhalmozódik, és tényleg szolgálja a munkát.

A felhőalapú memóriának megvan a maga helye, de a valódi projekteken dolgozó, valódi IP-vel rendelkező kódoló ügynökök számára a local-first több értelmet nyer. A codebase-od a gépeden marad. A döntéseidnek is ott kellene lenniük.

Az AI kódoló asszisztenseink amnéziás korszaka nem kell, hogy örök maradjon. Adj a eszközeidnek némi memóriát. Meg fogják köszönni.