qmd本地文档检索教程从零到第一次搜索只需3条命令【免费下载链接】qmdmini cli search engine for your docs, knowledge bases, meeting notes, whatever. Tracking current sota approaches while being all local项目地址: https://gitcode.com/GitHub_Trending/qmd1/qmd电脑上攒了几百份 Markdown 和会议纪要想找一句“上个月谁定下的结论”只能一个文件夹一个文件夹翻。qmd 就是为这种场景做的本地文档检索工具它把本地文档建好索引搜索时数据全程不出你的机器文档搜索的隐私问题不用交给任何第三方。本地文档检索要过四道关扩查询、双路查、融合、重排qmd 的搜索不是简单的关键词匹配每个查询会走四步查询扩展。内置的 Qwen3 1.7B 小模型LoRA 微调过先把你的问题改写一遍生成相关向量和关键词让口语化的提问也能命中专业文档。并行检索。向量搜索和 BM25 同时跑前者看语义相似度换个说法也能找到相关内容后者做精确关键词命中专有名词、编号不会漏。两路互补各管一段。RRF 融合。两路结果用 Reciprocal Rank Fusion 算法合并排名按两边综合表现算谁也不能单独说了算。本地重排。本地 LLM 对头部候选再做一轮打分把真正相关的段落顶到最前面。从索引到模型整条链路都在你机器上完成断网也能照常离线搜索知识库。从 git clone 到第一次搜索敲完 3 条命令环境要求Linux 系统装好 Git 和 Node.js仓库要求 22 及以上版本。先在终端把仓库拉下来装依赖并构建git clone https://gitcode.com/GitHub_Trending/qmd1/qmd cd qmd npm install npm run build跑完这几行终端里就多出一个 qmd 命令本地文档检索工具就绪。然后初始化一个空索引再把要搜的文档目录指给它qmd index init qmd index add ~/Documents第一条命令在本地建好索引第二条扫描目录、构建索引执行过程中能看到进度输出结束即完成。最后发起第一次搜索qmd search 上季度会议定了什么结论终端会打印一份命中文档和位置的列表最相关的排在前面的位置。跑起来之后先按习惯改配置文件根目录的 example-index.yml 列出了能定制的项目索引哪些目录、用什么文件匹配模式只收**/*.md还是连.txt一起收、支持哪些文档类型还能配忽略列表以及重建索引前先跑的命令比如 git 拉取最新版。照着你的文档结构改下次命令执行时自动生效。先看症状再解药本地搜索的两个常见坑索引建得明显慢多半是模型处理文档的深度偏高。打开 sft.yaml把索引深度调低一些或调整批处理大小构建时间会短一截。搜索结果不准多半是查询扩展的提示词和你的文档风格不合。打开 best_prompt.txt把扩展用的提示词调一调让模型生成的向量和关键词更贴近你平时的写法。第一次搜索成功后接着做这几件事把更多目录加进索引把会议纪要、个人知识库拆成不同的集合分别管理想更进一步仓库里 finetune 目录放了微调用的训练配置和实验脚本可以照着把模型调得更懂你的文档。本地文档检索一旦用顺离线就不再是限制而是保障。【免费下载链接】qmdmini cli search engine for your docs, knowledge bases, meeting notes, whatever. Tracking current sota approaches while being all local项目地址: https://gitcode.com/GitHub_Trending/qmd1/qmd创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 qmd本地文档检索教程：从零到第一次搜索只需3条命令
qmd本地文档检索教程从零到第一次搜索只需3条命令【免费下载链接】qmdmini cli search engine for your docs, knowledge bases, meeting notes, whatever. Tracking current sota approaches while being all local项目地址: https://gitcode.com/GitHub_Trending/qmd1/qmd电脑上攒了几百份 Markdown 和会议纪要想找一句“上个月谁定下的结论”只能一个文件夹一个文件夹翻。qmd 就是为这种场景做的本地文档检索工具它把本地文档建好索引搜索时数据全程不出你的机器文档搜索的隐私问题不用交给任何第三方。本地文档检索要过四道关扩查询、双路查、融合、重排qmd 的搜索不是简单的关键词匹配每个查询会走四步查询扩展。内置的 Qwen3 1.7B 小模型LoRA 微调过先把你的问题改写一遍生成相关向量和关键词让口语化的提问也能命中专业文档。并行检索。向量搜索和 BM25 同时跑前者看语义相似度换个说法也能找到相关内容后者做精确关键词命中专有名词、编号不会漏。两路互补各管一段。RRF 融合。两路结果用 Reciprocal Rank Fusion 算法合并排名按两边综合表现算谁也不能单独说了算。本地重排。本地 LLM 对头部候选再做一轮打分把真正相关的段落顶到最前面。从索引到模型整条链路都在你机器上完成断网也能照常离线搜索知识库。从 git clone 到第一次搜索敲完 3 条命令环境要求Linux 系统装好 Git 和 Node.js仓库要求 22 及以上版本。先在终端把仓库拉下来装依赖并构建git clone https://gitcode.com/GitHub_Trending/qmd1/qmd cd qmd npm install npm run build跑完这几行终端里就多出一个 qmd 命令本地文档检索工具就绪。然后初始化一个空索引再把要搜的文档目录指给它qmd index init qmd index add ~/Documents第一条命令在本地建好索引第二条扫描目录、构建索引执行过程中能看到进度输出结束即完成。最后发起第一次搜索qmd search 上季度会议定了什么结论终端会打印一份命中文档和位置的列表最相关的排在前面的位置。跑起来之后先按习惯改配置文件根目录的 example-index.yml 列出了能定制的项目索引哪些目录、用什么文件匹配模式只收**/*.md还是连.txt一起收、支持哪些文档类型还能配忽略列表以及重建索引前先跑的命令比如 git 拉取最新版。照着你的文档结构改下次命令执行时自动生效。先看症状再解药本地搜索的两个常见坑索引建得明显慢多半是模型处理文档的深度偏高。打开 sft.yaml把索引深度调低一些或调整批处理大小构建时间会短一截。搜索结果不准多半是查询扩展的提示词和你的文档风格不合。打开 best_prompt.txt把扩展用的提示词调一调让模型生成的向量和关键词更贴近你平时的写法。第一次搜索成功后接着做这几件事把更多目录加进索引把会议纪要、个人知识库拆成不同的集合分别管理想更进一步仓库里 finetune 目录放了微调用的训练配置和实验脚本可以照着把模型调得更懂你的文档。本地文档检索一旦用顺离线就不再是限制而是保障。【免费下载链接】qmdmini cli search engine for your docs, knowledge bases, meeting notes, whatever. Tracking current sota approaches while being all local项目地址: https://gitcode.com/GitHub_Trending/qmd1/qmd创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考