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。