挖 HN 的 Show HN 区有个好处：产品还没被营销号搬运，作者本人就在楼下答问，信息纯度最高。8月13日这批 Show HN 里，我捞到了三个值得国内技术从业者关注的新货——一个把区块链大厂的存储设计手艺做成了免费 AI 技能，一个是 69 个 Agent 记忆框架同台打分的公开榜单（主办方阵容全是国内高校和上海AI Lab，但首发阵地居然是 HN），还有一个 85KB 的单文件工具，让你把和 ChatGPT/Claude 的聊天记录像本地邮件一样随便翻。三个都还冷得冒气，其中一个发布时才 3 个赞——这正是信息差最值钱的时候。 --- ## 一、Relational-to-KV：把 Sui 同款存储手艺，做成 AI 技能 **仓库**：[github.com/rockeet/relational-to-kv](https://github.com/rockeet/relational-to-kv)（2026-08-13 登上 Show HN，发布次日仅 3 分 0 评） 先说这个项目最反常识的一点：它**不交付代码，交付“会做事的规则”**。整个项目以 AI coding skill + 跨 Agent 插件的形态发布，同时适配 Cursor（`~/.cursor/plugins/local` 下做个软链即可）、Claude Code（`claude --plugin-dir` 一行启动，或在插件管理器里装，调用命令是 `/relational-to-kv:relational-to-kv`）和 Codex（`.codex-plugin` 清单）。MIT 协议，完全免费。 它解决什么问题？你写业务系统时用 MySQL 加 ORM 很爽，但当性能压到极限时，大厂的做法是**绕过关系数据库这层抽象，直接把数据模型手工翻译成 KV 键值对**塞进 RocksDB。README 里给了一组硬核证据：公链 Sui、Move 系的 Aptos、分片方案 NEAR，数据模型明明就是标准关系模型，却全都独立地手工翻译成 KV 存进 RocksDB，性能就是这么榨出来的。Solana 的 Blockstore、Kafka Streams 和 Flink 的 RocksDB State Backend，走的也是同一条路。 问题在于，这套手艺过去只有养得起专职存储团队的项目才玩得起：key space 怎么切、字节序怎么编码、一致性怎么保证、历史数据怎么裁剪迁移，全靠老师傅传帮带。而 Relational-to-KV 把这套专家经验拆成了七步可复核的流程： ```mermaid flowchart TD IN["输入：实体关系模型与访问模式"] --> S1["盘点实体、关系、索引与约束"] S1 --> S2["枚举点查、前缀扫、范围删"] S2 --> S3["推导主键、反查、二级索引键空间"] S3 --> S4["定字节序编码与有界编解码"] S4 --> S5["映射列族与引擎配置"] S5 --> OUT["人工评审 Key Space Catalog 后收货"] ``` 最终产出四样交付物：Key Space Catalog（键空间清单）、带 memcmp 安全编码的 C++ 键编解码代码、RocksDB/ToplingDB 列族与引擎配置、一致性裁剪与迁移计划。**人始终负责业务语义和访问模式决策，AI 负责把决策一致地实现出来**——作者甚至在 CI 里跑了 ASan/UBSan 消毒编译来验证生成代码的字节级正确性。 **与国内现状对比**：国内后端圈的 KV 存储设计大多散落在团队内部 wiki 和老带新口口相传里，几乎没人把它产品化成跨三家 AI 编码工具的插件。更难得的是，这个仓库自带全套中文文档（`*.zh.md`），对国内用户罕见地友好。适用人群：做高性能存储、中间件、区块链基础设施的后端，以及想让 AI 生成的存储代码“可评审、可迁移”而不是freestyle的团队。 ## 二、Agent Memory Leaderboard：69 个记忆框架同台打分 **官网**：[agentmemoryleaderboard.ai](https://agentmemoryleaderboard.ai/leaderboard/academic/textual)（2026-08-13 在 Show HN 公布首批结果） Agent 的“长期记忆”这两年火得发紫，Mem0、MemOS 一堆框架满天飞，但一直缺一个统一裁判——各家论文自己测自己的数据集，分数根本没法比。8月13日，Agent Memory Leaderboard（AML）在 HN 公布了首届公开结果：**136 支队伍报名，69 个代表性记忆框架完成首轮评测**。 据其 Show HN 发布帖，商业产品榜文本记忆前三名为：MemoraX 58.02 分、MemOS 45.89 分、NTES-MEMORY-SMART 44.21 分（首轮分数，以官网最新榜单为准）。有意思的地方来了：从命名和官网致谢名单看，MemOS 据公开资料出自 MemTensor 团队，NTES 前缀大概率与网易相关（致谢名单中确实出现了 NetEase），榜单官方支持方里还有腾讯云——**这是一场中国机构深度主导、却在 HN 完成海外首发的评测**。官网列出的联合主办单位横跨天津大学、北邮、上海AI Lab、Datawhale，以及清华、北大、浙大、牛津、南洋理工等数十家中外机构。 评测机制设计得很干净，也是它值得借鉴的原因——参赛方只管两个接口： ```mermaid flowchart LR A["参赛记忆系统"] -->|Add 同步写入| B["平台统一调度"] B -->|Search 检索 Top 100| A B --> C["固定模型生成答案"] C --> D["统一评分"] D --> E["复核通过上公榜"] ``` 也就是说，回答模型、提示词、评分器、数据集、Top K 全部由平台锁死（统一用 gpt-4o-mini），分数差异只反映记忆系统本身的能力。参赛免费，学术榜 Top 1-3 名奖励 ChatGPT Pro 月度会员，前 50 名有效提交还能拿 Kimi Token。首期赛程为 7月29日开放报名、8月7日截稿、8月中旬放榜，full 评测每 3 个月一次。 **对你的价值**：如果你在做 Agent 产品，这就是现成的记忆框架选型参考，省掉自己搭评测的几周功夫；如果你在做开源项目，这是一个低成本给项目镀金的曝光位。信息差在于：这事在 HN 已经过了首发窗口，国内技术社区反而还没怎么讨论——主场作战，客场先热。 ## 三、Chatlens：85KB 单文件，离线考古你的 AI 聊天记录 **仓库**：[github.com/david-g-3654/chatlens](https://github.com/david-g-3654/chatlens) 这个工具简单到令人发指：**一个约 85KB 的 HTML 文件，没有构建步骤，没有后端**。从 ChatGPT 导出 JSON 聊天记录，下载 Chatlens 打开，把导出文件拖进去，就能本地搜索、浏览全部历史对话。作者在 Show HN 里注明已用 ChatGPT 导出格式实测，标题宣称同样支持 Claude 的导出；限制是附件和图片只按文本引用处理、不渲染。 为什么值得关注？两个字：**资产**。重度 AI 用户一年的对话里藏着多少方案、代码片段、决策依据？这些东西散在云端，换个工具就丢了，还想让你续费才给搜。单文件离线方案意味着零上传、零依赖、数据完全在自己手里——国内做“AI 对话记录管理”的几乎全是 SaaS 思路，没人往“数据自主”这个方向卷。免费可用、代码公开，适合所有想给 AI 对话做本地档案的人。 **番外**：同一批还有个 [Wondering](https://wondering.app)（据其 Show HN 帖），把复杂主题拆成 3-4 分钟一节的音频+视觉小课，联合创始人来自 NotebookLM 团队，播客模式可以一节接一节连播。定价未公布，但“NotebookLM 系创业者”这个出身值得放进观察名单。 --- ## 信息差总结 | 你以为的 | 别人已经在做的 | |---|---| | KV 存储设计是十年老手的黑箱手艺 | Sui/Aptos 同款手法已做成免费 AI 技能，Cursor/Claude Code/Codex 三端通用 | | Agent 记忆框架好不好只能看各家论文自吹 | 69 个框架已在统一规则下打分，前三名分数可直接抄作业 | | 记忆评测是海外主导的事 | 主办方是国内高校矩阵+上海AI Lab，中国队在商业榜霸榜，首发却在 HN | | AI 聊天记录只能依赖云端搜索 | 85KB 单文件即可全量离线检索，数据不出本机 | ## 行动指南 1. **今天就装**：`git clone https://github.com/rockeet/relational-to-kv.git`，按仓库 README 一条 `ln -sfn` 软链进 Cursor 或用 `claude --plugin-dir` 挂给 Claude Code，下次设计存储层时让它先出 Key Space Catalog 再动手。 2. **本周做一次**：去 agentmemoryleaderboard.ai 把商业榜前三的实现思路过一遍，如果你的 Agent 项目还没接记忆框架，直接从榜单选型，别再凭 GitHub Star 数拍脑袋。 3. **顺手做**：ChatGPT 设置页申请数据导出（通常当天收到邮件），用 Chatlens 建一份本地档案，以后换模型不慌。 4. **持续跟踪**：AML 每 3 个月一轮 full 评测，下一轮放榜前关注其官网和 X 账号 @AgentMemoryL。 ## 参考来源 1. HN Algolia Show HN 数据接口（2026-08-13 批次）：https://hn.algolia.com/api/v1/search_by_date?tags=show_hn 2. Relational-to-KV 仓库：https://github.com/rockeet/relational-to-kv 3. Relational-to-KV Show HN 讨论：https://news.ycombinator.com/item?id=49282960 4. Agent Memory Leaderboard 官网：https://agentmemoryleaderboard.ai/leaderboard/academic/textual 5. Chatlens 仓库：https://github.com/david-g-3654/chatlens --- > 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。