本地高性能文档搜索引擎，融合 BM25 关键词、向量语义与 LLM 重排序，零 API 密钥，秒级检索海量 Markdown 与代码文件
说明：
## 核心用法
`qmd` 是一款专为本地知识库设计的全文检索工具，替代传统 `find` 命令实现智能文件发现。其核心工作流分为三步：
1. **索引构建** —— 通过 `qmd collection add` 将文件夹注册为集合，支持 `*.md,*.py` 等自定义掩码过滤
2. **多模检索** —— 提供三种查询模式：
– `qmd search`：BM25 关键词匹配（速度优先）
– `qmd vsearch`：向量语义搜索（理解意图）
– `qmd query`：混合检索 + LLM 重排序（质量优先）
3. **内容提取** —— `qmd get` 支持行号定位与多文件批量获取，`–json/–md` 格式化输出便于下游处理
## 显著优点
– **全本地执行**：embedding、reranker、生成模型均自动下载到本地，无需 OpenAI/Anthropic API 密钥，彻底杜绝数据外泄风险
– **检索架构先进**：BM25 + 向量 + LLM 三重排序，在学术评测框架（如 BEIR）中被验证优于单一策略
– **性能优化**：针对大型目录避免 `find` 式的遍历挂起，索引后查询毫秒级响应
– **开发者友好**：代码片段定位（`–line-numbers`）、YAML/JSON 结构化输出、glob 批量获取，完美适配 AI 编程助手上下文注入场景
## 潜在缺点与局限
– **冷启动成本**：首次运行 `qmd embed` 需数分钟下载 300M 参数模型并构建向量索引，GB 级文档库耗时显著
– **资源占用**：embedding 与重排序模型常驻内存，低配设备（<8GB RAM）可能出现卡顿
– **增量更新限制**：`qmd update` 需手动触发，无实时监控文件变更的守护进程机制
– **格式覆盖偏科**：对 PDF、Office 等非 Markdown 二进制格式原生不支持，需前置转换
## 适合人群
– 隐私敏感型开发者（医疗、金融、法律领域知识库检索）
– 离线环境或内网隔离场景下的技术文档管理
– 需要向 LLM 注入精准上下文的 AI 编程工作流用户
– Obsidian/Logseq 等本地笔记工具的进阶检索插件替代方案
## 常规风险
– **模型供应链**：自动下载的 `embeddinggemma-300M`、`qwen3-reranker` 等模型来自第三方 HuggingFace 镜像，需校验哈希完整性防止投毒
– **索引泄露**：向量索引文件（通常存储于 `~/.qmd/`）包含文档语义指纹，共享设备需加密存储
– **结果幻觉**：LLM 重排序虽提升相关性，但 0.6B 参数模型对复杂查询的理解力有限，极端情况下可能过滤有效结果
会员专属
