本地智能文档搜索引擎，零 API 密钥

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

基本信息

• 技能名称?qmd Local Search
• 中文名称?本地智能文档搜索引擎，零 API 密钥
• 作者?bheemreddy181
• 分类?专业技能
• 版本?1.0.0
• 标签?cli, search, knowledge-base, local-llm, privacy, markdown, bm25, vector-search, reranking

使用方法

使用说明
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：
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
   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）
   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（
   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