核心用法
qmd 是一款专为Markdown、笔记和文档设计的本地高速搜索CLI工具，采用三层检索架构：BM25关键词搜索（快速精准匹配）、向量语义搜索（理解查询意图）、LLM重排序（智能优化结果排序）。支持通过collection管理多项目索引，提供search/vsearch/query三种检索模式，以及get/multi-get文件内容提取功能。
显著优点
- 三重检索融合：BM25处理精确关键词，向量搜索捕捉语义关联，0.6B参数重排序模型优化结果质量，远胜单一检索方案
- 完全本地运行：embeddinggemma-300M、qwen3-reranker-0.6b、Qwen3-0.6B模型均自动下载本地执行，零API成本、零网络延迟、保障数据隐私
- 性能优化设计：针对大目录避免
find式遍历 hang 住，索引化搜索实现毫秒级响应 - 灵活输出格式：支持
--files快速发现、--json结构化数据、--md格式化展示，适配脚本集成与人工阅读 - 代码友好：支持行号显示、指定行范围提取、glob批量获取，满足开发者代码审查与上下文收集需求
潜在局限
- 索引维护成本：新增文件需手动执行
qmd update，实时性不如直接文件系统遍历 - 首次嵌入耗时：
qmd embed生成向量索引需数分钟，大型知识库初始化成本较高 - 模型资源占用：三模型常驻或按需加载对内存/CPU有一定要求，低配置设备可能受限
- Markdown-centric：虽支持
*.py等扩展名配置，但核心优化场景为文本类内容，二进制文件搜索非其设计目标
适合人群
- 开发者：快速定位代码实现、配置文件、项目文档
- 知识工作者：管理大规模笔记库（Obsidian/Notion导出等），实现第二大脑的高效检索
- 技术写作者：跨文档查找概念引用、维护文档一致性
- 隐私敏感用户：拒绝云端笔记搜索，坚持数据本地化处理
常规风险
- 索引滞后风险：未及时
update导致搜索不到最新内容，关键场景建议建立自动化索引更新机制 - 模型安全边界：本地LLM虽规避了云端数据泄露，但模型本身可能存在训练数据偏见或生成不当内容的风险
- 路径遍历误操作：
multi-get配合glob模式时需注意路径范围，避免意外读取敏感文件