产品介绍
无需再将 Pinecone、Redis 和 Python 脚本拼凑在一起。ShapedQL 是专为相关性设计的 SQL 引擎，能在几分钟内为"为你推荐"信息流、搜索和 RAG 记忆系统提供动力。它将简单的 SQL 语句编译成实时排序管道，基于实时用户行为对结果进行检索、过滤、评分和重新排序。用 30 行 SQL 代码替代数千行基础设施代码。凭借原生多模态嵌入和自动化 MLOps，ShapedQL 帮助构建实时决策系统，而不仅仅是文档检索。
适合谁关注
- 开发者和技术团队
- 设计师、内容创作者和视觉团队
- 正在评估 AI 工具或智能体落地的团队
可借鉴场景
- 快速理解 ShapedQL 的定位、核心能力和 Product Hunt 热度
- 判断“专为搜索、信息流和AI Agent打造的SQL引擎”这类需求是否值得做竞品调研
- 沿着 开发者工具、AI 与智能体 继续发现同类产品和替代方案
- 筛选高票产品，观察海外用户当前愿意投票支持的产品形态
- 结合评论热度，判断该产品是否有真实讨论和早期用户反馈
153
投票数
17
评论数
1月27日
发布日期
作者自荐
总结
ShapedQL 精准地切入了一个日益凸显的工程痛点：在 AI 应用（如个性化推荐、搜索、RAG）中，构建和维护一套高效、统一的相关性排序系统异常复杂。它没有停留在"又一个向量数据库"的层面，而是提出了更高维度的抽象——将检索、过滤、评分、重排序这四个核心阶段统一封装为一种 SQL 方言。这种设计理念极具洞察力，旨在用声明式的简洁语法替代大量过程式的胶水代码，直接提升开发效率和系统可维护性。其目标用户明确为需要构建复杂推荐、搜索或 AI Agent 记忆系统的中大型工程团队。创始人深厚的 Meta AI 和 PyTorch 背景为其技术可信度提供了有力背书。潜在挑战在于，这种高度抽象的 DSL（领域特定语言）需要开发者学习新的语法，且其性能表现和灵活性在极端复杂场景下能否完全替代手写优化代码，仍需市场验证。总体而言，这是一个面向未来的、旨在简化 AI 基础设施层的创新产品。
GitMemo免费开源
把 AI 对话保存到你的 Git 知识库
本地优先，支持 macOS 与 Android。剪贴板、截图、笔记和文件都能集中保存、搜索、同步。
获取安装包
大家好，Product Hunt！👋 我是 Tullie，Shaped 的创始人兼 CEO。此前，我是 Meta AI 的研究员，领导过多个机器学习团队，其中包括专注于 Instagram Reels 和广告视频排序的团队。我还创建了 PyTorchVideo，并且是 PyTorch Lightning 的核心贡献者。 我们构建 ShapedQL 是因为意识到，虽然检索变得更容易了（得益于向量数据库），但排序和相关性仍然极其困难。 与我们交流的大多数工程团队都困于维护一个"弗兰肯斯坦"式的技术栈。为了构建一个"为你推荐"信息流或为 AI Agent 提供个性化记忆，他们不得不将向量数据库、特征存储（如 Redis）、重排序服务以及数千行杂乱的 Python 代码拼凑在一起。 我们构建 ShapedQL，就是为了将这个"纸牌屋"变成一个统一的接口。 ShapedQL 是一种领域特定的 SQL 方言，可编译为高性能、多阶段的排序管道。通过一个查询，就能定义现代相关性系统的四个阶段： 1. 检索：从多个来源（混合搜索、协同过滤、热门趋势）获取候选内容。 2. 过滤：应用硬性约束（例如，"有库存"或"50 英里以内"）。 3. 评分：使用实时机器学习模型对结果进行排序（优化点击、购买或观看时长）。 4. 重新排序：强制多样性，避免用户（或 Agent）反复看到相同的 5 个项目。 我们看到，团队们将 2000 多行维护代码减少到大约 30 行 ShapedQL 代码，同时将"购物车追加销售"或"Agent 记忆"等功能的上线时间从数月缩短到数天。 如果不喜欢 SQL，也可以选择 Python 或 Typescript SDK。 非常期待听到大家的反馈，并回答关于语法或底层工作原理的任何问题！🚀