Das Gedächtnis-Problem bei KI-Coding-Assistants

Stell dir folgendes Szenario vor: Du arbeitest eine Stunde lang mit einem KI-Assistenten. Erklärst ihm die Architektur deines Projekts, deine Coding-Konventionen, diesen einen Workaround für eine alte API und warum du dich damals gegen MySQL entschieden hast. Alles läuft smooth.

Dann machst du Feierabend. Am nächsten Morgen startest du eine neue Session – und dein Assistent schaut dich an wie ein frisch gebackener Welpe. Keine Ahnung, wovon du redest.

Frustrierend? Absolut. Aber es ist mehr als das: Es ist ein strukturelles Problem, das das gesamte Versprechen von KI-gestützter Entwicklung untergräbt.

Warum darüber niemand redet

Wir reden ständig über Modellkapazitäten. Kontextfenster, Reasoning-Tiefe, Token-Limits. Aber über etwas Wichtiges wird selten gesprochen: Fehlendes persistentes Gedächtnis kostet dich messbar Stunden pro Woche.

Denk mal drüber nach, was du in einer typischen Coding-Session tust:

• Projektstruktur für neue Agents erklären
• Kontext aus vorherigen Gesprächen reinkopieren
• Team-Konventionen wiederholen
• Den AI daran erinnern, welche Bugs du schon gelöst hast

Das ist alles reiner Overhead. Du bezahlst Kontext-Tokens, um Dinge zu wiederholen, die deine Tools eigentlich kennen sollten.

Local-First: Dein Gedächtnis, deine Maschine

PMB geht das anders an. Statt Cloud-basierter Synchronisierung – mit allen Datenschutz- und Abhängigkeitsproblemen – speichert PMB alles direkt auf deiner Festplatte. Mit SQLite.

Warum das relevant ist:

Keine API-Keys nötig. Das Gedächtnissystem telefoniert nirgendwohin. Es läuft komplett lokal.

Keine Cloud-Abhängigkeit. Deine Erinnerungen verschwinden nicht, wenn ein Startup pivotiert, übernommen wird oder plötzlich die Preise ändert. SQLite-Dateien existieren ewig.

Sub-Millisekunden-Abruf. Alles liegt lokal – Abrufe dauern Dezisekunden, nicht Sekunden.

Tatsächlich privat. Deine Projektentscheidungen, internen Konventionen, technischen Schulden – nichts verlässt jemals deine Maschine.

So funktioniert's technisch

Die Magie liegt nicht in einer einzelnen Technologie, sondern in der Kombination. PMB nutzt ein hybrides Recall-System mit drei Layern:

BM25-Keyword-Matching kümmert sich um exakte und unscharfe Textsuche. Wenn du sagst „die Authentifizierungsgeschichte neulich", findet es verwandte Erinnerungen.

Dense Vectors erfassen semantische Bedeutung. Es versteht, dass „Auth-Middleware" mit „Login-Flow" zusammenhängt – selbst ohne exakte Wortübereinstimmungen.

Entity Graphs pflegen Beziehungen zwischen Fakten. Wenn dein Agent sich erinnert, dass du eine bestimmte Datenbank nutzt, kann es den Verbindungen folgen zu verwandten Entscheidungen über ORM-Wahl oder Migrationsstrategien.

Diese drei Systeme verschmelzen mittels Reciprocal-Rank Fusion zu einem Ergebnis, sortiert nach Relevanz – in etwa 35 Millisekunden.

Der Write-Path ist genauso wichtig

Schnelle Reads sind essenziell, aber PMB bekommt auch den Schreibweg hin. Wenn dein Agent etwas Wichtiges lernt, muss dieses Wissen persistieren – ohne deinen Workflow zu blockieren.

Schreibzugriffe passieren asynchron. Das MCP-Tool kehrt sofort zurück (<1ms), während Einbettung und Speicherung im Hintergrund laufen. Dein Agent wartet nie auf das Speichern – er arbeitet einfach weiter.

Das klingt trivial, ist aber entscheidend. Wenn Erinnern deine Session ausbremst, hörst du irgendwann auf, dich zu erinnern. PMB nimmt diese Reibung komplett raus.

MCP: Die Integrationsschicht, die das möglich macht

Das Model Context Protocol verdient mehr Aufmerksamkeit. MCP schafft einen Standard für KI-Agents, um sich mit externen Tools und Datenquellen zu verbinden – und Gedächtnissysteme passen perfekt in diese Architektur.

Mit PMB muss dein Agent nicht aktiv ein Gedächtnis-Tool aufrufen. Hooks injizieren relevanten Kontext, bevor das Reasoning startet, und protokollieren Aktivitäten nach jeder Aktion. Der Agent bekommt Gedächtnis, ohne darüber nachzudenken.

Und das Beste: MCP macht das Tool-übergreifend möglich. Deine Erinnerungen funktionieren mit Claude Code, Cursor, Codex, Zed und jedem anderen MCP-kompatiblen Agent. Kontext begleitet dich – nicht deinen Editor.

Was sich in deinem Arbeitsalltag ändert

Konkret:

Session-Wechsel werden nahtlos. Du schließt Cursor um 17 Uhr, öffnest Claude Code um 9 Uhr – und dein Agent weiß bereits vom Refactoring letzte Woche und warum du das bestimmte Pattern gewählt hast.

Kontext-Switching-Kosten verschwinden. Mal schnell zwischen Agents für verschiedene Tasks wechseln? Kein Problem. Kein erneutes Erklären. Der Kontext ist da – geteilt über alle Tools hinweg.

Neue Tools bedeuten keinen Neuanfang. Einen neuen KI-Assistenten einbinden? Er liest dieselben Erinnerungen, die deine bestehenden Tools nutzen.

Ehrliches Feedback über Nützlichkeit. PMB trackt, ob Lessons tatsächlich das Agent-Verhalten beeinflussen. Ungenutzte Regeln werden markiert. Hilfreiche steigen auf. Dein Kontext bleibt schlank und relevant.

Langweilige Technologie ist das Ziel

PMB basiert nicht auf brandneuer Forschung oder exotischer Infrastruktur. SQLite. LanceDB. Standard-Embedding-Modelle. Technologie, die du in fünf Jahren immer noch verstehen wirst.

Das ist kein Nachteil – das ist das Feature.

Wenn dein Gedächtnissystem auf bewährter, stabiler Technologie läuft, kannst du:

• es mit Standard-Tools inspizieren
• es ohne proprietäre Formate exportieren
• es mit rsync sichern
• exakt auditieren, was gespeichert wird

Local-First ist nicht nur eine technische Entscheidung – es ist eine philosophische. Dein Projektwissen gehört dir, gespeichert in Formaten, die du kontrollierst.

Loslegen dauert Minuten

Wenn dich das Konzept überzeugt, ist die Umsetzung denkbar einfach:

pip install pmb-ai
pmb connect claude-code

Fertig. Ab jetzt baut jedes Gespräch mit deinem Agent auf dem letzten auf. Dein Projekt lernt und erinnert sich.

Das Dashboard gibt dir eine visuelle Oberfläche, um deinen Memory-Graph zu erkunden – Beziehungen zwischen Entscheidungen sehen, die Timeline vergangener Lessons durchblättern, verstehen, was dein Agent über dein Projekt weiß.

Der größere Zusammenhang

Wir bewegen uns in eine Ära, in der KI-Agents immer komplexere Aufgaben übernehmen werden. Dafür brauchen sie Kontinuität – ein Gedächtnis, das persistiert, sich aufbaut und tatsächlich der Arbeit dient.

Cloud-basiertes Gedächtnis hat seine Berechtigung. Aber für Coding-Agents, die an echten Projekten mit echtem geistigem Eigentum arbeiten, macht Local-First mehr Sinn. Dein Code liegt auf deiner Maschine. Deine Entscheidungen gehören auch dorthin.

Die Amnesie-Ära der KI-Coding-Assistants muss nicht dauerhaft sein. Gib deinen Tools ein Gedächtnis. Sie werden es dir danken.