本地极速搜索工具，结合BM25、向量语义和LLM重排序，无需API密钥即可智能检索Markdown笔记与代码文档。
说明：
## 核心用法
`qmd` 是一款专为本地知识库设计的全文搜索引擎，通过命令行界面提供三类检索模式：**关键词搜索（`qmd search`）**基于BM25算法快速匹配词项；**语义搜索（`qmd vsearch`）**利用300M参数的embedding模型理解查询意图；**智能查询（`qmd query`）**则融合两者并通过0.6B参数的Qwen3重排序模型输出最相关结果。用户需先通过`collection add`建立索引集合，用`–mask`限定文件类型，执行`qmd embed`一次性生成向量库后，即可通过`-c`参数指定范围搜索。支持`–files`快速路径发现、`–full`获取完整内容及行号、`–json`结构化输出等格式。
## 显著优点
**完全本地化**：所有模型（embedding、reranker、可选生成模型）自动下载至本地运行，零API成本、零网络延迟、零隐私泄露风险。**性能优化**：专为规避`find`命令在大目录中的阻塞问题设计，索引后检索速度极快。**检索质量**：三重机制（关键词+语义+LLM重排）显著提升复杂查询的准确率，尤其适合概念模糊但意图明确的搜索场景。**灵活输出**：支持路径、摘要、完整文档、指定行范围（`get file:line -l N`）等多粒度内容获取，以及glob批量匹配（`multi-get`）。
## 潜在局限
**前期投入**：首次嵌入（`qmd embed`）需数分钟处理，索引需手动更新（`qmd update`），文件频繁变更时可能产生延迟。**硬件依赖**：300M+0.6B参数模型虽轻量，但仍需一定CPU/GPU资源，极低配设备可能受限。**功能边界**：专注Markdown及代码文档，非结构化数据（PDF、图片）不支持；重排序质量取决于0.6B模型能力，复杂推理型查询可能表现有限。**生态封闭**：自定义模型替换、与其他工具链集成能力未明确说明。
## 适合人群
开发者、技术写作者、知识管理重度用户——尤其是维护大量笔记仓库、需要频繁检索代码片段或文档、且对隐私敏感不愿使用云端搜索服务的群体。适合作为Obsidian、Logseq等笔记工具的补充检索层，或替代`grep`/`find`进行项目级内容发现。
## 常规风险
**数据一致性风险**：索引滞后于文件变更，未执行`update`可能返回过期结果。**存储占用**：本地模型与向量库持续占用磁盘空间。**误检漏检**：语义搜索对专业术语的同义扩展可能引入噪声，极短查询或高度专有名词场景下BM25可能更可靠。建议关键场景交叉验证两类搜索结果。
会员专属
