本地智能文档搜索引擎 - qmd Search
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。
基本信息
- 技能名称?qmd Search
- 中文名称?本地智能文档搜索引擎
- 作者?bheemreddy181
- 分类?办公
- 版本?1.1.0
- 标签?local-search, knowledge-management, cli-tool, full-text-search, vector-search, markdown, privacy-focused, open-source
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。