核心用法
qmd 是一款本地优先的文档搜索与索引 CLI 工具，专为开发者知识管理设计。用户通过 qmd collection add 添加待索引目录（支持 glob 掩码如 **/*.md），执行 qmd update 构建索引后，即可使用三种检索模式：：qmd search 进行传统 BM25 文本搜索，，qmd vsearch 启用语义向量搜索，，qmd query 则融合两者实现混合检索。文档获取支持行号定位与长度控制，如 qmd get docs/path.md:10 -l 40。工具同时提供 MCP（Model Context Protocol）模式，可无缝接入 AI 助手工作流。
显著优点
本地隐私优先：所有嵌入生成与重排序均通过本地 Ollama 完成，无需上传数据至云端，彻底解决敏感文档的隐私顾虑。检索精度高：BM25 与向量检索的混合架构兼顾关键词匹配与语义理解，rerank 机制进一步提升结果相关性。生态整合：MCP 模式使其成为 AI 编程助手的上下文增强器，让大模型直接访问个人知识库。轻量易用：单一二进制文件，索引自动缓存于 ~/.cache/qmd，配置通过环境变量即可完成。
潜在缺点与局限性
硬件依赖：向量搜索依赖本地 Ollama 服务，需额外部署 embedding 模型，对低配设备有一定资源压力。索引维护成本：文档变更后需手动执行 qmd update，无实时监听机制，大规模目录的增量更新效率待验证。格式支持有限：当前主要针对 Markdown 优化，PDF、Office 等富格式文档支持不足。跨设备同步：索引与缓存绑定单机，多设备场景下需自行解决知识库同步问题。
适合的目标群体
技术文档重度使用者、个人知识管理（PKM）实践者、需要为 AI 助手提供私有上下文的开发者、以及注重数据隐私的企业知识库管理员。特别适合已部署 Ollama 本地 AI 栈的技术用户。
使用风险
性能风险：首次索引大规模代码库可能耗时较长；向量检索在高并发场景下响应延迟需关注。依赖项风险：Ollama 服务异常将直接导致语义搜索失效，需保障本地模型服务的稳定性。数据安全：虽为本地处理，但索引文件以明文形式存储于缓存目录，共享设备需注意目录权限配置。