qmd Search 是一款专为 Markdown 文件、笔记和文档设计的本地快速搜索工具，通过命令行界面提供高效的内容检索能力。它利用先进的 BM25 全文检索算法结合向量语义搜索技术，并引入大型语言模型（LLM）进行结果重排序，从而在保证隐私安全的前提下实现高质量搜索结果。整个系统完全在本地运行，无需联网或 API 密钥，特别适合注重数据安全的开发者与研究人员使用。与传统 `find` 命令相比，qmd 在处理大规模目录时更加稳定可靠，避免了因路径遍历导致的卡顿问题。用户可以通过简单的命令对已索引的文档集合执行关键词匹配、语义理解甚至混合查询，极大提升了信息获取效率。 该工具的核心优势在于其灵活的分层搜索机制：支持纯文本关键词搜索、基于嵌入向量的语义相似度匹配以及多模态融合查询。其中，BM25 负责精准定位包含特定词汇的文档片段；而向量搜索则能识别出虽未提及关键词但主题相关的上下文内容。更关键的是，LLM 重排序模块会对初步搜索结果进行智能评估与重新排列，确保最相关、最有用的信息出现在前列。这种多层次处理方式使得 qmd 不仅能找到‘说了什么’，更能理解‘真正需要什么’。此外，系统内置了自动下载的轻量级模型（如 embeddinggemma-300M 和 qwen3-reranker-0.6b），无需手动配置即可立即投入使用。 为了提升搜索精度和管理便利性，qmd 引入了“集合”（collection）概念——即用户可自定义指定文件夹及其文件类型作为独立索引单元。例如，将项目代码库、个人笔记或技术文档分别归入不同集合后，每次搜索都能限定范围，避免无关干扰。当新增或修改文件时，只需运行一次 `qmd update` 即可完成增量更新，整个过程迅速且资源占用低。同时，qmd 提供了丰富的输出格式选项，包括简洁的文件路径列表、带高亮片段的 JSON 结构、美观的 Markdown 表格等，满足不同场景下的展示需求。无论是查找配置文件、追踪某个功能实现逻辑，还是快速回顾过往笔记中的解决方案，qmd Search 都能成为你日常工作中不可或缺的智能助手。
核心功能特点
- 支持 BM25 全文检索与向量语义搜索双重模式，兼顾精确匹配与意义理解
- 集成 LLM 重排序机制，显著提升搜索结果的相关性和实用性
- 完全本地化运行，无需网络连接或第三方 API 密钥，保障数据隐私
- 采用集合（collection）机制管理索引，实现精细化搜索范围控制
- 兼容多种输出格式（JSON、Markdown、纯文本），适配不同使用习惯
- 轻量级模型自动下载，开箱即用，降低部署门槛
适用场景
在日常开发过程中，程序员常常需要从庞大的代码仓库中快速定位特定功能的实现细节或配置文件位置。此时，传统的 `find` 命令虽然能列出文件名，却无法理解代码语义，容易导致误判或遗漏。qmd Search 恰好弥补了这一短板，它允许你在包含 Python 脚本、YAML 配置和 Markdown 说明文档的项目目录下，通过自然语言描述发起搜索，比如输入 `qmd search “数据库连接池配置” -c myproject`，便能立即返回所有可能相关的文件及其关键段落，极大缩短上下文查找时间。尤其适用于多模块协作项目或长期维护的老旧系统，帮助工程师快速重建知识脉络。 对于知识工作者而言，尤其是那些依赖大量电子笔记、技术博客和个人文档的人群，信息过载是常态。qmd 不仅能按标题或标签检索，还能基于内容含义进行联想式查找。假设你在整理投资策略时发现一段关于‘突破点交易规则’的模糊记忆，可以直接用 `qmd vsearch “如何设置止损止盈”` 来挖掘过去记录中隐含的逻辑链条，甚至发现未曾注意到的关联案例。这种深层语义理解能力使其成为个人知识管理系统的重要组件，让用户摆脱机械翻阅文件夹的繁琐操作。 另一个典型应用场景是在回答复杂问题时快速聚合背景资料。例如，当你被要求解释某项技术的最佳实践时，可以先使用 `qmd query “微服务架构下日志聚合方案”` 综合调用关键词与向量搜索结果，再借助 `–json` 参数提取多个来源的核心观点，最后通过 `qmd multi-get` 批量获取完整段落用于撰写回复。整个过程一气呵成，既保证了答案的全面性，又避免了重复阅读冗长文档的时间浪费。无论是在团队协作中分享见解，还是在客户沟通中提供专业建议，qmd 都能成为提升响应速度与质量的秘密武器。