本地 Markdown 笔记混合搜索引擎，支持 BM25 关键词搜索与语义向量检索，适合个人知识库管理，索引一次即可快速查询。
说明：
## 核心用法
qmd 是一款专为 Markdown 笔记和文档设计的本地搜索引擎，采用混合检索架构。用户通过 `qmd collection add` 添加笔记目录，执行 `qmd embed` 完成向量化索引后，即可使用三种搜索模式：
– **`qmd search`**（默认）：基于 BM25 的关键词搜索，响应极快，适合日常使用
– **`qmd vsearch`**：语义相似度搜索，依赖本地 LLM 进行查询扩展，冷启动较慢
– **`qmd query`**：混合搜索 + LLM 重排序，质量最高但速度最慢，容易超时
支持指定集合(`-c`)、调整结果数量(`-n`)、JSON 输出(`–json`)等灵活选项，并提供 `qmd get`/`multi-get` 进行文档检索。
## 显著优点
1. **完全本地化**：数据不出设备，使用本地 GGUF 模型，隐私性极强
2. **速度分层设计**：BM25 搜索几乎瞬时响应，语义搜索按需启用
3. **内容智能分块**：自动按语义段落切分，无需严格 Markdown 结构
4. **增量更新友好**：`qmd update` 快速同步变更，`qmd embed` 按需刷新向量
5. **输出格式丰富**：支持纯文本、JSON、文件路径等多种机器可读格式
## 潜在缺点与局限性
– **冷启动成本高**：语义搜索需加载本地模型（如 Qwen3-1.7B），首次运行可能耗时约 1 分钟
– **非代码搜索工具**：不适用于源代码仓库检索，专注 Markdown 内容
– **依赖 Bun 运行时**：需安装 Bun >= 1.0.0，对 Node.js 用户增加环境负担
– **macOS 额外依赖**：需单独安装 SQLite 扩展
– **维护 overhead**：需配置 cron 或定时任务保持索引新鲜，否则搜索结果可能过时
## 适合人群
– 本地优先的笔记用户（Obsidian、Logseq、Bear 等导出 Markdown 的用户）
– 需要离线搜索的知识库管理者
– 对数据隐私敏感、不愿使用云端笔记搜索的用户
– 已使用 Bun 生态的开发者
## 常规风险
– **模型下载**：首次自动下载 GGUF 模型，需确保网络可访问 Hugging Face 等源
– **索引体积**：大型笔记库的向量化索引可能占用显著磁盘空间
– **路径配置**：需确保 `$HOME/.bun/bin` 在 PATH 中，否则命令不可用
– **性能预期管理**：用户可能误将 `vsearch`/`query` 作为默认，导致体验卡顿
会员专属
