tobi/qmd
mini cli search engine for your docs, knowledge bases, meeting notes, whatever. Tracking current sota approaches while being all local
TypeScript · ★ 19,866 · Fork 1,189 · 在 GitHub 查看
在手机上浏览源码、订阅每日 AI 趋势日报与项目架构深度解读:获取 CopoHub 客户端(iOS & HarmonyOS)→
GitHub Trending 上榜记录
tobi/qmd 已在 GitHub Trending 每日榜单上榜 3 天,最高排名第 5,首次上榜 2026-04-06,最近一次上榜 2026-04-08。
| 日期 | 排名 | Star | 当日增长 |
|---|---|---|---|
| 2026-04-08 | #5 | 19,866 | +859 |
| 2026-04-07 | #5 | 19,489 | +859 |
| 2026-04-06 | #8 | 18,663 | +526 |
同期上榜的项目
- forrestchang/andrej-karpathy-skills – A single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathy's observations on LLM coding pitfalls.
- TheCraigHewitt/seomachine – A specialized Claude Code workspace for creating long-form, SEO-optimized blog content for any business. This system helps you research, write, analyze, and optimize content that ranks well and serves your target audience.
- google-ai-edge/gallery – A gallery that showcases on-device ML/GenAI use cases and allows people to try and use models locally.
- NVIDIA/personaplex – PersonaPlex code.
- google-ai-edge/LiteRT-LM
- elebumm/RedditVideoMakerBot – Create Reddit Videos with just✨ one command ✨
QMD 项目深度剖析与商业评估报告
QMD 项目深度剖析与商业评估报告
1. 核心定位与商业落地价值
解决的根本痛点:在信息过载的现代工作环境中,知识工作者面临的核心矛盾是——知识资产散落于 Markdown 笔记、会议纪要、技术文档等多个异构存储中,而传统文件搜索(如 grep、Spotlight)无法理解语义,云端知识库(如 Notion AI)又存在数据隐私外泄风险。QMD 精准切入这一真空地带,提供完全本地化、混合检索、面向 Agent 原生设计的个人知识搜索引擎。
商业落地场景: 企业私有化知识中台:金融、医疗、法律等强合规行业,数据不可出域。QMD 的全本地推理架构(node-llama-cpp + GGUF 模型)天然满足数据驻留要求,可作为企业内部文档检索的底层引擎。 Agent 基础设施层:QMD 的 --json/--files 输出格式、MCP 服务器、HTTP 传输层设计,使其能无缝嵌入现有 LLM Agent 工作流。在 RAG 架构中,QMD 可作为检索层替代向量数据库+重排器的组合,降低系统复杂度。 开发者工具链:通过 editoruri 模板与 VS Code/Cursor/Zed 深度集成,为 IDE 提供"语义级代码/文档跳转"能力,这是传统全文搜索无法提供的体验升级。
竞品差异化与护城河: 对比 Ripgrep/fd:QMD 提供语义理解与混合排序,而非纯正则匹配。 对比 LangChain 等 RAG 框架:QMD 是开箱即用的垂直引擎,无需自行编排嵌入、索引、重排流水线。 对比 Elasticsearch:QMD 零运维成本,单机即可运行,且模型全部本地化。 核心护城河:tobi(Tobi Lütke,Shopify CEO)的个人品牌背书 + 29k Stars 的社区影响力 + 针对查询扩展的微调模型(qmd-query-expansion-1.7B),这是通用 RAG 框架难以复制的工程深度。
2. 核心架构设计与技术深度
模块拆解思想:QMD 采用分层检索架构,清晰划分为四个独立模块: 1. 摄取层:Glob 扫描 → 文档解析(标题提取、正文哈希)→ SQLite 存储。 2. 索引层:FTS5 全文索引 + sqlite-vec 向量索引双轨并行。 3. 检索层:BM25 + 向量检索 + RRF 融合 + LLM 重排的四级流水线。 4. 服务层:CLI、MCP Server、HTTP Server、TypeScript SDK 四通道输出。
核心设计模式: 策略模式:search/vsearch/query 三个命令对应不同的检索策略组合,底层复用同一套索引,实现"一个数据源,多种查询语义"。 管道-过滤器模式:查询扩展 → 并行检索 → RRF 融合 → 重排 → 位置感知混合,每个阶段可独立启停(如 --no-rerank),便于性能调优。 仓储模式:createStore() 返回统一接口,屏蔽底层 SQLite/向量索引/LLM 细节,SDK 使用者无需关心内部实现。
在 README 中展示上榜徽章
[](https://github.fq6825.top/repo/tobi/qmd)