今日三荐：ER 图编辑器、Rust PDF 解析、14MB 端侧工具模型 (2026)

今天从 GitHub 热榜里挑了三个方向：数据库课能直接用上的 ER 编辑器、一份能本地跑的 PDF 解析库，以及一个塞进 14MB 的端侧工具调用模型。标准还是那两条——能学到扎实技术点，或者体量适中、今晚就能跑通。

1. drawDB：浏览器里画 ER 图，顺手导出 SQL

仓库：drawdb-io/drawdb · JavaScript / React · ~39k ★ · AGPL-3.0 本周热度：GitHub Trending（weekly）新增约 665 ★1

drawDB 编辑器截图：暗色界面上的电商库表关系图 — drawDB 官方 README 截图：点选建表、拉关系、导出 SQL。2

数据库课最烦两件事：画 ER 图画得像涂鸦，以及「图画完了，CREATE TABLE 还得手敲」。drawDB 把这两步接在一起——在浏览器里拖实体、加字段、连关系，再导出 / 导入 SQL，还能生成 migration。2

技术栈是本科生很熟的一条线：React 18 + Vite + Tailwind，本地状态用 Dexie（IndexedDB 封装），SQL 解析靠 node-sql-parser，布局有 @dagrejs/dagre。3 读代码时可以按这条路径走：画布交互 → 图结构状态 → SQL 序列化，比从零啃一个大型前端 monorepo 清晰得多。

适合学什么

数据库设计：实体、主键外键、一对多 / 多对多在 UI 里怎么表达
前端工程：Vite 项目结构、画布类应用的状态管理、本地优先（不强制账号）
产品取舍：分享功能依赖可选后端；默认路径是纯前端，上手成本压到最低

复现难度：低（约 5 分钟）

git clone https://github.com/drawdb-io/drawdb
cd drawdb
npm install
npm run dev

不想装环境也可以直接打开 drawdb.app。Docker 一行也能起：docker build -t drawdb . && docker run -p 3000:80 drawdb。2

今晚可以做的最小练习：用它重画你课程作业里的「学生选课」或「电商订单」模型，导出 PostgreSQL / MySQL 脚本，对照自己手写的 DDL 差在哪里。

2. pdf-inspector：先判断 PDF 类型，再决定要不要 OCR

仓库：firecrawl/pdf-inspector · Rust · ~15.1k ★ · MIT 本周热度：GitHub Trending（weekly / Rust）新增约 4043 ★1

很多「PDF 转 Markdown」工具一上来就上 OCR 或视觉模型，又慢又贵。Firecrawl 开源的 pdf-inspector 走另一条路：先在约 10–50ms 内采样内容流，把文档标成 TextBased / Scanned / ImageBased / Mixed，再只对需要的页面做重活；文本型 PDF 本地处理目标是 200ms 内，并声称约 54% 的 PDF 其实根本不需要 OCR。4

它还带位置感知抽取、多栏阅读顺序、表格检测（矩形绘制算子 + 文本对齐启发式），并输出带标题层级的 Markdown。绑定覆盖 Python、Node.js 和浏览器 WASM；核心依赖主要是 lopdf。4

在 opendataloader-bench 的 200 份本地文本引擎对比里（禁用 OCR，2026-07-31 于 Apple M4 Pro 复测），pdf-inspector 总分 0.875，阅读顺序 NID 0.915、表格 TEDS 0.814，200 篇总耗时中位数 0.470s，整体与速度都排在前列。4

适合学什么

文件格式与系统编程：PDF 内容流、字体编码（含 CID / ToUnicode）、多栏布局
工程决策：分类路由——先便宜探测，再决定贵路径；这比「一律上大模型」更像生产代码
跨语言边界：同一套 Rust 核心如何通过 N-API / PyO3 / WASM 露出给不同生态

复现难度：中低（Node 最省事；从源码编 Python 绑定需要 Rust 工具链）

Node 快速试：

npm install @firecrawl/pdf-inspector

import { readFileSync } from "fs";
import { processPdf } from "@firecrawl/pdf-inspector";

const result = processPdf(readFileSync("paper.pdf"));
console.log(result.pdfType, result.markdown?.slice(0, 500));

Rust CLI：

cargo install pdf-inspector
pdf2md paper.pdf
detect-pdf paper.pdf --json

以上命令与绑定用法均来自仓库 README。4

今晚可以做的最小练习：丢进一份课程 PDF 和一份扫描件截图 PDF，看 pdfType 是否分对；再对比它吐出的 Markdown 标题层级和你手动整理的笔记差多少。

3. Needle 2：14MB 的工具调用小模型，装进手机内存量级

仓库：cactus-compute/needle · Python · ~4.3k ★ · MIT 今日热度：GitHub Trending（daily）新增约 315 ★1

Needle 2 是一个约 4500 万参数、整包约 14MB 的开源模型，面向工具调用、设备控制和结构化抽取；官方称完整会话大约只占 28MB RAM，权重压进单文件引擎，推理时不再拉网。5

用法很「本科友好」：pip install cactus-needle，用装饰器描述工具，让模型在语法约束下只能吐合法参数：

import needle

@needle.tool
def get_weather(city: str):
    "Get the current weather for a city."
    return {"city": city, "temp_c": 27, "sky": "clear"}

agent = needle.Needle(tools=[get_weather])
print(agent.run("what's it like in Lagos right now?")["results"])

也可以用 Pydantic 做 extract() 结构化抽取，或自己驱动 complete() 循环。工具多了还能做检索，每轮只把 top-5 工具放进语法约束。5

架构上它自称 Simple Attention Network：用 Hadamard MLP 替代常规 FFN、GQA、engram 键值记忆等；相关论文是 arXiv 上的 A Controlled Study of Attention-Only Transformers（2026-07-20）。5 6 论文本身是在控制参数量、算力与深度后，检验「去掉 FFN 的注意力堆」能不能顶住——适合有一点 Transformer 基础的同学当课外读物，不必一次读完。

适合学什么

端侧 / 边缘推理的真实约束：体积、内存、无网推理
语法约束解码（schema → 字节级 grammar）：为什么工具调用可以「几乎不会吐坏 JSON」
小模型产品形态：置信度门控、工具检索、滑动窗口 + KV sink

复现难度：低（有 Python 和 pip 即可；首次会从 Hugging Face 拉引擎并缓存）

pip install cactus-needle

本地还有 needle playground 浏览器 playground 可点着玩。5

注意：它把问题都收成函数调用；声明里没有的工具，模型会以空调用拒绝，而不是自由闲聊。这是设计，不是 bug。5

今晚可以做的最小练习：写 2–3 个和你宿舍生活相关的假工具（关灯、设闹钟、查课表），看它在中文指令下参数填得稳不稳；再故意问一个工具覆盖不了的问题，确认它会拒绝而不是胡编。

怎么选今天动手的那一个

你现在的状态	更建议先碰
正在上数据库 / 要交 ER 作业	drawDB
想练系统向代码、文件格式、Rust 边界	pdf-inspector
对小模型、Agent 工具调用好奇，机器一般	Needle 2

三个都不要求「先读完架构再 clone」。先跑通，再对着你卡住的那一层往下挖——这通常比从 star 榜顶往下抄 monorepo 更有效。