（11535期）qmd Local Search – 本地智能文档搜索引擎，零 API 密钥

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 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： 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 多模检索 —— 提供三种查询模式： 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（<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 原始说明 Fast local search for markdown files, notes, and docs using qmd CLI. Use instead of `find` for file discovery. Combines BM25 full-text search, vector semantic search, and LLM reranking—all running locally. Use when searching for files, finding code, locating documentation, or discovering content in indexed collections.