Вердикт AI-ReadyПроверить как слой workflow memory на небольшом внутреннем проекте.

Что это

local-first память для coding agents через MCP: решения, уроки, факты проекта и рабочий журнал хранятся локально в SQLite/LanceDB и подаются Claude Code, Cursor, Codex, Zed и другим агентам.

Бизнес-проблема

агенты забывают прошлые решения, повторяют ошибки и каждый новый сеанс ведут как амнезийный стажёр с доступом к репозиторию.

Практическая польза

для AI-Ready это кандидат на слой workflow memory: сайт, wiki, Codex waves, клиентские codebase-аудиты, решения, open questions, failed attempts, next steps.

Почему интересно сейчас

около 272 stars, 13 forks, 2 issues, 2 PR, 234 commits, 12 releases, свежий релиз v1.2.2 от 30 июня 2026, лицензия Apache-2.0, основной стек Python 93.4%.

Проверка выполнена повторно 2026-07-18; эти показатели относятся к исходному наблюдению и не заменяют собственный тест.

Технические особенности

MCP-native, local-only, no telemetry/no cloud/no API keys; hybrid recall через BM25 + dense vectors + entity graph + optional rerank; hooks могут подмешивать память до ответа модели и журналировать работу после. Заявлен recall около 35 ms, но такие цифры, как обычно, стоит проверить на своём мусоре, а не на красивом README.

Значение для AI-Ready

component / Test now. Риски: memory poisoning, устаревшие решения, конфликтующие факты, нужна политика “что сохраняем, что забываем, что требует подтверждения”. Вердикт: Test now.

Риски

  • Memory poisoning и устаревшие решения могут влиять на следующие сессии.
  • Автоматические hooks требуют явной границы между наблюдением, предложением и подтверждённым фактом.

Граница вывода

Первый тест — только внутренние решения и искусственные ошибки; не сохранять клиентские секреты и не считать recall из README доказанным.

Ключевые риски

  • Memory poisoning и устаревшие решения могут влиять на следующие сессии.
  • Автоматические hooks требуют явной границы между наблюдением, предложением и подтверждённым фактом.

Разберите эту страницу со своей LLM

Скопируйте контекст страницы в ChatGPT, Claude, Gemini или другую LLM и попросите применить эту схему к вашему бизнесу.

Можно спросить:

  • Какую ограниченную задачу AI-Ready разумно проверить с помощью PMB?
  • Какие риски и условия нужно закрыть перед пилотом PMB?
Открыть каталог