本地隐私优先的智能文档检索

Shopify CEO 开源的本地文档搜索引擎，支持 BM25+向量混合检索，数据完全本地处理保障隐私。

基本信息

• 技能名称?qmd
• 中文名称?本地隐私优先的智能文档检索
• 作者?steipete
• 分类?效率
• 版本?v1.0.0
• 标签?productivity, docs, data-analytics, development-engineering, automation

使用方法

使用说明
核心用法
qmd 是一款本地优先的文档搜索与索引 CLI 工具，专为开发者知识管理设计。用户通过 qmd collection add 添加待索引目录（支持 glob 掩码如 */.md ），执行 qmd update 构建索引后，即可使用三种检索模式：： qmd search 进行传统 BM25 文本搜索，， qmd vsearch 启用语义向量搜索，， qmd query 则融合两者实现混合检索。文档获取支持行号定位与长度控制，如 qmd get docs/path.md:10 -l 40 。工具同时提供 MCP（Model Context Protocol）模式，可无缝接入 AI 助手工作流。
显著优点
本地隐私优先 ：所有嵌入生成与重排序均通过本地 Ollama 完成，无需上传数据至云端，彻底解决敏感文档的隐私顾虑。 检索精度高 ：BM25 与向量检索的混合架构兼顾关键词匹配与语义理解，rerank 机制进一步提升结果相关性。 生态整合 ：MCP 模式使其成为 AI 编程助手的上下文增强器，让大模型直接访问个人知识库。 轻量易用 ：单一二进制文件，索引自动缓存于 ~/.cache/qmd ，配置通过环境变量即可完成。
潜在缺点与局限性
硬件依赖 ：向量搜索依赖本地 Ollama 服务，需额外部署 embedding 模型，对低配设备有一定资源压力。 索引维护成本 ：文档变更后需手动执行 qmd update ，无实时监听机制，大规模目录的增量更新效率待验证。 格式支持有限 ：当前主要针对 Markdown 优化，PDF、Office 等富格式文档支持不足。 跨设备同步 ：索引与缓存绑定单机，多设备场景下需自行解决知识库同步问题。
适合的目标群体
技术文档重度使用者、个人知识管理（PKM）实践者、需要为 AI 助手提供私有上下文的开发者、以及注重数据隐私的企业知识库管理员。特别适合已部署 Ollama 本地 AI 栈的技术用户。
使用风险
性能风险 ：首次索引大规模代码库可能耗时较长；向量检索在高并发场景下响应延迟需关注。 依赖项风险 ：Ollama 服务异常将直接导致语义搜索失效，需保障本地模型服务的稳定性。 数据安全 ：虽为本地处理，但索引文件以明文形式存储于缓存目录，共享设备需注意目录权限配置。