> **一句话信息差：** 你以为 AI 就得把数据传上云？本周 HN 首页和 Show HN 同时冒出四款"100% 本地、零上传、零遥测"的 AI 新工具——一个把微软 Recall 的屏幕记忆做到完全离线开源，一个用 Rust 把图数据库和向量库揉成一个、还能一句话生成应用，一个替你算清"该下哪个 GGUF 量化包"，还有一个把收费 ER 图工具的活全干了还不上传一行 SQL。中国用户习惯了 SaaS，但这波"本地优先（local-first）"才是真正的信息差红利。 ## 一、为什么是"本地优先"这一波 过去两年，AI 工具的主旋律是"上云"——越强的模型、越大的上下文，越要传给 OpenAI / Anthropic / 通义 / 文心。但 2026 年中，HN 上出现了一个明显的拐点：**"runs locally / nothing uploaded / zero telemetry"** 这几个词，开始反复出现在高赞帖标题里。 这不是巧合。三个推力同时在起作用： 1. **微软 Recall 的隐私翻车**——明文存截图、发遥测，引发全球抵制，反而教育了市场："屏幕记忆"这个刚需是被验证的，只是大家想要个不开后门的版本。 2. **小模型够用了**——Gemma 4 这类 2B–4B 级视觉/音频模型，一张 4GB 显存的卡就能本地跑，门槛跌到消费级。 3. **MCP 协议普及**——本地能力（记忆、数据库、截图分析）现在能像插头一样插进 Claude Code / Cursor / VS Code，"本地"不再是孤岛。 本周 HN 上四个首发项目，正好站在这三条线交汇处。下面逐个拆。 --- ## 二、四款工具逐个拆解 ### 工具 1：ScreenMind —— 微软 Recall 的开源、离线、不偷窥版 - **官网/仓库：** https://github.com/ayushh0110/ScreenMind - **HN 表现：** Show HN，标题《I run a vision model on every screenshot, locally, on a 4GB GPU》 - **功能：** 每隔内容变化就截一张图 → 用 **Gemma 4 E2B（视觉+音频）** 本地分析：识别你在用哪个 App、给活动分类、描述场景、判断布局区域 → 语义向量（MiniLM）+ SQLite FTS5 全文索引，落库成"可对话的 AI 记忆"。支持**按语义搜**（"Ishaa 在 Discord 上说了啥"直接召回原文）、**语音备忘**（Ctrl+Shift+V 录音转写）、**会议自动转录**（检测 Zoom/Teams/Meet）、**每日回放**和**专注度热力图**。 - **价格：** 完全免费，MIT 开源，跑在你自己的 4GB+ 显卡上。 - **MCP：** 自带 MCP Server，能接 Claude / Cursor / VS Code——也就是说，你的编辑器能"记得你今天看过什么"。 - **为什么值得关注：** 这是目前开源圈对微软 Recall 最完整的回应。Recall 的隐私丑闻国内也有人讨论，但"开源本地平替"几乎没人系统介绍过。它的杀手锏是**内容变化检测（content-change detection）**——不是定时截屏，而是屏幕真变了才截，既省存储又少噪音。 - **国内对比：** 国内做"屏幕记忆/时间线回溯"的多是商业化录屏类产品，且几乎都上传云端。ScreenMind 是把同样的事做到**本地、可搜索、可对话、可被 Agent 调用**——对重视数据合规的金融/政企开发者尤其香。 - **适合人群：** 重度多任务者、想给 Claude Code 配"长期记忆"的开发者、隐私敏感用户、有任何 6GB+ 显卡的人。 ### 工具 2：HelixDB —— 一个数据库吃掉"应用库+关系库+向量库+图库"四件套 - **官网/仓库：** https://helix-db.com ｜ https://github.com/HelixDB/helix-db - **HN 表现：** 157 分，Show HN；YC 系（Helmholtz/创业项目）背书。 - **功能：** 用 **Rust 从零写的图-向量数据库（graph-vector DB）**，主打给知识图谱和 AI 记忆用。核心卖点是"**一个平台搞定所有 AI 应用需要的存储**"——不需要再分开搭应用库、关系库、向量库、图库。支持图 + 向量数据模型，同时兼容 KV、文档、关系数据。给 Agent 提供"联邦访问公司数据"的能力。 - **最骚的功能——`helix chef`：** 一行 `helix chef`，回答"你想做啥"，它就自动装好查询技能和 docs MCP、脚手架项目、起本地实例、灌示例数据、写好 `HELIX_CHEF_PROMPT.md`，**然后把整个项目交给 Claude Code / Codex / OpenCode 直接生成一个能跑的应用（连前端都给你写）**。一句话→一个带图向量库的应用，这是真正的新物种交互。 - **价格：** 本地版完全开源免费（`curl -sSL https://install.helix-db.com | bash` 即装）；Helix Cloud 为托管版，按量付费（具体见官网定价页）。 - **为什么值得关注：** 做 RAG / 知识图谱的人都知道痛：要 PG + pgvector + Neo4j + 一堆同步逻辑。HelixDB 把"图遍历"和"向量检索"塞进一个引擎，对"实体关系 + 语义召回"这类查询是降维打击。 - **国内对比：** 国内图数据库有 TuGraph（蚂蚁）、NebulaGraph，向量库有 Milvus（Zilliz）。但**把两者揉成一个、且原生为 AI 记忆设计、还能一句话生成应用**的，目前没有对等开源项目。做企业知识库、Agent 长期记忆、风控图谱的同学，这是今年最值得试的新地基。 - **适合人群：** RAG / 知识图谱 / Agent 记忆方向的后端和架构师、想砍掉"四库同步"复杂度的小团队。 ### 工具 3：Quant Picker —— 替你算清"该下哪个 GGUF" - **官网：** https://vettedconsumer.com/quant-picker/ - **功能：** 选你的模型 + 你的机器，它直接告诉你：**该下哪个量化等级的 GGUF、文件多大、扣完文件和开销后还剩多少显存当上下文（context budget）、每个量化大概多少 tokens/s**。底层逻辑就一句公式：`文件大小 = 参数量 × 每权重位数 ÷ 8`，剩下的显存就是 KV cache 的预算。 - **价格：** 免费网页工具。 - **关键结论（白送）：** 作者明确给出经验法则——**对大多数人，`Q4_K_M` 是甜点位**；GGUF 优先去社区可信的 **bartowski** 或 **unsloth** 那里下。 - **为什么值得关注：** 国内跑本地大模型（Qwen、DeepSeek、GLM 的 GGUF）的人越来越多，但"我的 16GB 内存到底能跑 Qwen3-14B 的哪个量化、还能留多少 context"这种算术，九成人是瞎猜的。这个工具把质量↔上下文↔速度的三方权衡可视化，让你**有依据地用速度换质量**。 - **国内对比：** 国内 Ollama / LM Studio 类工具内置了量化选择，但很少有把"按你需要的 context 长度反推最优量化"讲清楚的。Quant Picker 更像是个"决策仪表盘"，配合 `Can I run it?`（同站另一个硬件计算器）食用更佳。 - **适合人群：** 本地部署党、边缘设备 / Mini PC / 国产卡玩家、想榨干显存的极客。 ### 工具 4：SQL to ER Diagram —— 免费、免登录、不上传，把收费 ER 工具的活全干了 - **官网：** https://sqltoerdiagram.com - **HN 表现：** 315 分，本周首页爆款。 - **功能：** 把 `CREATE TABLE` 语句直接渲染成交互式 ER 图，支持 PostgreSQL / MySQL / SQLite / SQL Server。可拖拽表、自动排版、加备注，导出 PNG / SVG。 - **价格：** 完全免费，免登录。 - **核心承诺（红字写在页面上）：** **"100% local — your schema never leaves your browser. No accounts, no uploads."** - **为什么值得关注：** 国内画 ER 图，主流是 Navicat（收费）、dbdiagram.io（免费额度有限、需登录）、draw.io（纯手动画）。这个工具是**纯前端解析、schema 一行不上传**——对不能泄露表结构的政企/金融项目，这一点就是刚需。它甚至算"AI 工具"的边缘案例（布局自动编排），但放在"本地优先"这条线里极其应景。 - **国内对比：** Navicat Premium 个人版动辄上千元/年；这个工具零成本、零泄露、还能导 SVG 喞进文档。中小团队画库表设计的性价比之王。 - **适合人群：** 后端、DBA、写技术文档的人、不能上云的合规项目。 --- ## 三、本地优先的 AI 记忆，到底怎么跑通的 很多人对"本地视觉模型分析每张截图"这件事是存疑的——能跑？能搜？能给 Agent 用？以 ScreenMind 为例，它把整条链路压在了本地： ```mermaid flowchart LR A[屏幕内容变化检测
非定时截屏] --> B[截图] B --> C[Gemma 4 视觉模型
本地推理 4GB GPU] C --> D[App识别 / 活动分类
场景描述 / 情绪] D --> E[MiniLM 语义向量] E --> F[(本地 SQLite
FTS5全文 + 向量)] F --> G[MCP Server] G --> H[Claude Code / Cursor / VS Code] H --> I["问：Ishaa在Discord说了啥?
→ 直接召回原文消息"] F --> J[每日回放 / 应用热力图 / 专注度] style C fill:#8B5CF6,color:#fff style F fill:#10B981,color:#fff style G fill:#F59E0B,color:#fff ``` 注意三个关键设计：**①内容变化才截**（省存储）、**②视觉模型 + 向量 + 全文双索引**（按语义找，不只是关键词）、**③MCP 暴露给编辑器**（记忆变成 Agent 的可调用工具）。这套范式——"本地感知→本地向量库→MCP 给上层 Agent"——几乎可以照搬到 HelixDB 做更重的知识图谱记忆。**这两个工具拼起来，就是一台不上云的"AI 长期记忆服务器"。** --- ## 四、信息差总结 | 维度 | 你（可能）以为的 | 别人已经在用的（信息差） | |---|---|---| | 屏幕记忆 | 微软 Recall，不敢用（隐私） | **ScreenMind**：开源本地，4GB 卡能跑，还能喂给 Claude | | RAG/知识图谱存储 | PG+pgvector 再挂个 Neo4j | **HelixDB**：图+向量一个库，`helix chef` 一句话生成应用 | | 选本地模型量化 | 瞎猜 Q4/Q5/Q8 | **Quant Picker**：按你的 context 需求反推最优量化 + tok/s | | 画 ER 图 | Navicat 收费 / dbdiagram 限免 | **SQL to ER Diagram**：免费、免登录、schema 不出浏览器 | | 共同点 | AI = 上云 | 这四个全是**零上传零遥测**，数据从头到尾在你机器上 | --- ## 五、行动指南（按需认领） 不确定先用哪个？照这张决策图走： ```mermaid flowchart TD Q[你的需求?] --> Q1{要给AI/自己装
'屏幕长期记忆'?} Q1 -->|是| SM[ScreenMind
本地Gemma4视觉+MCP] Q1 -->|否| Q2{在做RAG/知识图谱
或Agent长期记忆?} Q2 -->|是| HX[HelixDB
图+向量一体, helix chef一句话生成应用] Q2 -->|否| Q3{想跑本地大模型
却不知下哪个GGUF?} Q3 -->|是| QP[Quant Picker
按context反推量化] Q3 -->|否| Q4{只是想画免费
且不上传的ER图?} Q4 -->|是| ER[SQL to ER Diagram] style SM fill:#8B5CF6,color:#fff style HX fill:#10B981,color:#fff ``` **今晚就能做的三步：** 1. **零成本试水：** 打开 sqltoerdiagram.com，粘一段你项目的 `CREATE TABLE`，30 秒看到不上传的 ER 图——体感"本地优先"的力量。 2. **给本机装个 AI 记忆：** 克隆 ScreenMind，按 README 装 Gemma 4 E2B，先开"每日回放"功能跑一天，再用它给的 MCP 接到 Claude Code，问它"我昨天下午在干啥"。 3. **搭一个不上云的 RAG 地基：** `curl -sSL https://install.helix-db.com | bash` → `helix chef`，用一句话描述你想做的知识库应用，让 Claude Code 直接给你生成原型。把数据沉淀在图向量库里，全程不碰云。 **一个提醒：** ScreenMind 和本地模型对显存/内存有硬要求（ScreenMind 4GB 显存起步、跑大模型另算）；HelixDB 本地版吃 CPU 和磁盘。老旧笔记本建议先用纯前端的 SQL→ER 和 Quant Picker 试水，再升级硬件玩重的那两个。 --- ## 六、参考来源 - ScreenMind 仓库与 Show HN 帖：https://github.com/ayushh0110/ScreenMind - HelixDB 官网与源码（含 `helix chef`）：https://helix-db.com ｜ https://github.com/HelixDB/helix-db - Quant Picker（GGUF 量化选择器）：https://vettedconsumer.com/quant-picker/ - SQL to ER Diagram（本周 HN 315 分爆款）：https://sqltoerdiagram.com - Hacker News Show HN / 首页 API（本周数据采集源）：https://news.ycombinator.com/show --- > 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。 --- ### 1. 完成摘要 - **采集方式：** WebSearch/MCP web 工具本周配额耗尽（6/18 重置），改用 HN Firebase 公开 API（`curl` + Python）直抓 **Show HN Top30 + 首页 Top40** 真实数据，再用 `curl` 抓取各工具 GitHub README 与官网正文。 - **筛选结果：** 从 ~70 条首发/热帖中，剔除已被历史覆盖的主题（Agent 基建、语音、OCR、浏览器自动化、办公会议、Fable 众筹、里约大模型等），锁定全新角度"**本地优先 / 零上传零遥测**"。 - **确认的四个真实新工具（均带可点链接、价格、对比）：** ScreenMind、HelixDB、Quant Picker、SQL to ER Diagram。 - **产出：** 2000+ 字完整文章，含 2 个 Mermaid 图（ScreenMind 数据流 + 决策树）、信息差对比表、行动指南、5 条参考来源、品牌 footer。 ### 2. 下一步计划 - **P0：** 若需入库存档，将本文按 `new-tools` 分类归档（注意本轮标题去重，避免与历史 60+ 条重名）。 - **P1：** WebSearch 配额 6/18 重置后，可补抓这四个工具的 Reddit/PH 反馈与 HelixDB Cloud 精确定价，做一期 cost-hacks 续篇。 - **P2：** ScreenMind + HelixDB 组合可延展为"本地 AI 记忆服务器"实战教程（use-cases 分类），信息差价值高。 ### 3. 注意事项 - **数据时效：** 文中分数/排名为采集时刻（2026-06-14）真实快照，HN 热度会变化，引用时建议注明"本周"。 - **HelixDB Cloud 定价：** 官网定价页为 SPA，未能静态抓取具体档位；文中仅声明"本地版开源免费 + Cloud 按量付费"，未杜撰数字，如需精确价目请二次核验官网。 - **重复规避：** 已逐条比对"已覆盖主题"列表，本轮"本地优先"角度与历史全部 60+ 标题不重叠。 > [!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。