Token瘦身、记忆图谱与Agent编排：五款HN新利器

这周Hacker News Show页面上冒出一波针对AI开发者痛点的硬核工具：有能帮你砍掉91.8% LLM token消耗的CLI过滤器，有纯Rust写的本地AI记忆层，还有让AI Agent自动派活给子Agent的MCP编排器。它们解决的都是中国开发者同样面临的问题——token太贵、Agent没记忆、多Agent协作太复杂——但国内几乎没人聊。

一、Lowfat：一行命令砍掉91.8%的Token消耗

🔥 HN热度：138分，70条评论（本周最热AI工具帖）

如果你用Claude Code、Cursor或任何AI编程助手，你的token消耗里有大量"噪音"——git status里的提示文字、git diff里的上下文标记、docker ps里的列头……这些对AI来说毫无价值，但每个字符都在烧你的钱。

Lowfat（https://github.com/zdk/lowfat）就是来解决这个问题的。它是一个CLI过滤器，在命令输出喂给AI之前先把噪音剥离掉。

压缩效果实测

举个例子，同样是 git status：

原始输出（135字符）：

On branch main
Your branch is up to date with 'origin/main'.

Changes not staged for commit:
  (use "git add <file>..." to update what will be committed)
  (use "git restore <file>..." to discard changes in working directory)
    modified:   src/main.rs

Lowfat过滤后（52字符）：

On branch main
Changes not staged for commit:
    modified:   src/main.rs

安装和使用

# 方式一：Cargo安装
cargo install lowfat

# 方式二：Homebrew
brew install zdk/tools/lowfat

核心设计理念是UNIX风格管道——你可以把Lowfat插入任何AI工作流：

# 在Claude Code中使用
lowfat git diff --level=ultra | pbcopy
# 然后粘贴给Claude

# 或者在自动化脚本中
git log --oneline -20 | lowfat filter git/log-compact --level=full

三级压缩策略： - lite：保守压缩，只去掉最明显的冗余 - full：中等压缩，去掉提示信息和格式冗余 - ultra：激进压缩，只保留核心信号（适合AI理解）

为什么值得关注

对Claude Code用户来说，Lowfat直接降低了每次对话的context成本。假设你每天和AI交互50次，每次context包含2次 git diff + 1次 git log + 1次 git status，用 ultra 模式保守估计省60%的命令输出token——一个月下来能省几十美元API费用。

国内对比：目前国内没有类似工具。大多数开发者的做法是手动 git diff --stat 然后贴给AI，但这种方式丢失了具体改动内容。

二、Mnemo：给任何LLM装上本地"记忆大脑"

🔥 HN热度：59分，28条评论

LLM最大的缺陷是什么？没有持久记忆。每次新对话都从零开始。Claude Code有 /memory，但那是简单的文本文件。如果你需要一个结构化的、能跨session自动检索相关记忆的系统呢？

Mnemo（https://github.com/zaydmulani09/mnemo）是一个用Rust写的本地AI记忆层，它会把你的对话自动提取成知识图谱，存在本地SQLite里，下次对话时自动注入相关上下文。

工作原理

flowchart LR
    A[你的应用] -->|POST /ingest| B[Mnemo侧车服务]
    B -->|LLM实体提取| C[知识图谱<br/>SQLite + petgraph]
    C -->|BFS图遍历<br/>+全文搜索<br/>+评分排序| D[POST /retrieve]
    D -->|context_prompt| E[注入LLM系统提示]

    style B fill:#f9f,stroke:#333
    style C fill:#bbf,stroke:#333

6阶段检索管线： 1. 全文搜索：在文本块中搜索关键词 2. 实体名搜索：匹配人名、工具名、概念名 3. 图扩展（BFS）：沿知识图谱做多跳遍历 4. 关系过滤：筛选相关关系类型 5. 评分排序：直接匹配 > 推断匹配（0.5x权重） 6. 组装输出：生成 context_prompt 字符串

与同类工具的核心差异

快速上手

# 方式一：Docker + Ollama（完全免费）
git clone https://github.com/zaydmulani09/mnemo
cd mnemo
docker compose up -d

# 方式二：Cargo安装
cargo install mnemo-core

API非常简洁：

import requests

# 注入对话记忆
requests.post("http://localhost:8080/ingest", json={
    "text": "用户张三是前端工程师，偏好React，项目使用TypeScript"
})

# 检索相关记忆
resp = requests.post("http://localhost:8080/retrieve", json={
    "query": "张三的技术栈是什么？"
})
context = resp.json()["context_prompt"]
# 把context注入你的LLM系统提示

为什么值得关注

HN上有评论指出："多数AI记忆工具的问题在于，把一堆记忆塞进context反而降低性能。" Mnemo的图谱+评分方案试图解决这个精确检索问题。对于构建自定义Agent pipeline的开发者，这是一个比MemGPT、Zep更轻量的选择。

三、Sub-Agent MCP：让AI Agent自动"派活"的编排器

工具地址：https://github.com/stormaref/Sub-Agent-MCP

如果你用Cursor、Claude Code或任何支持MCP的工具，Sub-Agent MCP让你可以定义多个专职子Agent，父Agent通过MCP协议自动把任务委派给它们。

架构设计

sequenceDiagram
    participant P as 父LLM<br/>(如Cursor Agent)
    participant S as Sub-Agent MCP<br/>(MCP Server)
    participant R as researcher子Agent
    participant C as coder子Agent
    participant L as OpenAI/Ollama

    P->>S: 调用 researcher(prompt)
    S->>R: 构建Agent + 注入下游工具
    R->>L: 推理循环
    R-->>S: 返回研究结果
    S-->>P: {"response": "..."}

    P->>S: 调用 coder(prompt)
    S->>C: 构建Agent + 注入代码工具
    C->>L: 推理循环
    C-->>S: 返回代码方案
    S-->>P: {"response": "..."}

YAML配置示例

# agents.yaml
agents:
  - id: researcher
    model: gpt-4o-mini
    system_prompt: "你是一个研究助手，擅长搜索和分析技术文档。"
    mcp_servers:
      - name: web-search
        transport: streamable-http
        url: http://localhost:3001/mcp
    tool_allowlist:
      - web_search
      - fetch_url

  - id: coder
    model: claude-sonnet-4-6
    system_prompt: "你是一个高级编程助手。"
    mcp_servers:
      - name: filesystem
        transport: streamable-http
        url: http://localhost:3002/mcp
    tool_allowlist:
      - read_file
      - write_file

核心优势

• 避免context膨胀：父Agent不需要加载所有子Agent的工具schema
• 按角色配置：不同子Agent可以用不同模型、不同prompt、不同工具
• 生产就绪：Pydantic验证、结构化日志、Docker健康检查、CI流水线
• OpenAI兼容：支持OpenAI、Azure、Ollama、LM Studio等任何兼容API

国内对比

国内类似方案主要是Coze、Dify的工作流编排，但它们是SaaS形式，不够灵活。Sub-Agent MCP是纯本地部署、YAML配置、MCP标准协议——对注重数据隐私的企业开发者更友好。

四、Nanocode-CLI：200KB的终端AI编程助手

工具地址：https://github.com/hit9/nanocode

Claude Code很好，但它很重——每次启动要加载大量context，token消耗也不低。如果你只是想快速让AI帮你改个bug、加个函数呢？

Nanocode是一个极简的终端AI编程助手，用Python写的，安装只要一行：

uv tool install nanocode-cli

与Claude Code / Aider的关键差异

亮点功能

1. 实时追加输入：AI还在工作时，你可以在 +> 提示符追加指令，不会打断当前工具调用流程。

2. 文件状态大脑：不是暴力读取所有文件，而是跟踪你当前编辑的文件，维护一个行号精确的视图。

3. 过时编辑保护：用 line:hash 锚点验证目标代码是否已变化——如果AI想编辑的那行代码已经被你改了，操作会被拒绝，避免冲突。

4. 缓存感知上下文：稳定的代码段放在prompt前面（命中缓存），频繁变化的工作状态放在后面——提高prompt缓存命中率，降低成本。

适用场景

• 快速修bug、加函数，不想等Claude Code启动
• 在SSH远程服务器上用AI写代码（轻量级）
• 作为Claude Code的"快餐版"替代

五、TextSnap：一行命令把截图变文字，纯CPU、纯本地

工具地址：https://github.com/kouhxp/textsnap

OCR工具遍地都是，但大多数要么依赖云端API（隐私问题），要么需要GPU（部署门槛高）。TextSnap与众不同：

• 纯CPU运行：用PaddleOCR-VL-1.5量化模型（q4 ONNX），0.9B参数，普通笔记本就能跑
• 完全离线：首次下载约890MB模型，之后永不联网
• 单文件工具：整个工具就一个Python模块
• 支持多种输入：截图文件、剪贴板、URL、网页

pip install textsnap

# 截图OCR
textsnap screenshot.png

# 从剪贴板读取（不用传参数）
textsnap
# 结果自动回到剪贴板，直接粘贴

# 网页截图OCR
textsnap https://example.com/article --plaintext

# URL图片OCR
textsnap https://example.com/image.png

为什么它比其他OCR工具强

对AI工作流的价值：把截图/文档OCR成Markdown后喂给LLM，比直接贴图片的token消耗低一个数量级。

信息差总结

行动指南

立刻可以做的：

1. 安装Lowfat（5分钟）：brew install zdk/tools/lowfat，在你的AI工作流中加入 lowfat git diff --level=full 过滤。这是投入产出比最高的一个。

2. 试用TextSnap（3分钟）：pip install textsnap，把平时截图贴给AI的习惯改成先OCR再贴文本，省token且更精确。

3. 配置Sub-Agent MCP（30分钟）：如果你用Cursor，在 .cursor/mcp.json 中加入Sub-Agent MCP配置，把research和coding任务分给不同子Agent。

4. 关注Mnemo（观望）：如果你在构建自定义Agent pipeline，可以把Mnemo作为记忆层集成进去。目前项目还比较新（59星），但架构设计很清晰。

参考来源

• Lowfat - GitHub — HN 138pts, 70条评论
• Mnemo - GitHub — HN 59pts, 本地AI记忆层
• Sub-Agent MCP - GitHub — Agent编排MCP Server
• Nanocode-CLI - GitHub — 轻量终端AI编程助手
• TextSnap - GitHub — CPU本地OCR工具
• Hacker News Show页 — 本周Show HN原始列表

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。