llm_wiki/wiki/qmd.md

categories, tags, created, source, type, aliases, relations

categories	tags	created	source	type	aliases	relations
LLM Wiki	wiki tool search 知识管理/工具	2026-04-07	llm-wiki	tool	qmd search	type target description confidence part_of Obsidian 同源：llm-wiki 3

[raw:llm-wiki:104]# qmd

qmd 是一个本地 Markdown 文件搜索引擎，支持混合 BM25/向量搜索和 LLM 重排序，适用于 LLM Wiki 规模增长后的搜索需求。

基本信息

| 属性 | 值 |

-----
仓库
版本
类型
支持格式
搜索方式
排序
运行方式
GPU 加速

当前配置

索引状态

指标	值
索引数据库	C:\tmp\.cache\qmd\index.sqlite (26.2 MB)
已索引文件	670
向量数	3060（全部嵌入完成）
待嵌入	0

Collections

名称	路径	文件数	说明
wiki	wiki/**/*.md	391	LLM Wiki 知识库
raw	raw/**/*.md	279	原始来源文档

模型

模型	用途	大小
embeddinggemma-300M-Q8_0	文本嵌入（768维）	329 MB
Qwen3-Reranker-0.6B-Q8_0	LLM 重排序	—
qmd-query-expansion-1.7B	查询扩展	1.28 GB

搜索模式

BM25 全文搜索

qmd search "人工智能教育" -c wiki --limit 5

• 基于 SQLite FTS5
• 支持中英文搜索
• 速度快，适合精确关键词匹配

向量搜索

qmd vsearch "AI个性化学习" -c wiki --limit 5

• 基于 embeddinggemma 嵌入模型
• 自动进行查询扩展（query expansion）
• 支持语义相似度匹配

混合搜索

qmd query "人工智能教育发展趋势" -c wiki

• 结合 BM25 + 向量搜索 + LLM 重排序
• 效果最佳但速度较慢

Windows 特殊说明

运行方式

qmd CLI 脚本引用 /bin/sh，在 Windows 上不能直接运行 qmd 命令。使用以下方式之一：

# 方式1：通过 node 直接运行（推荐）
node "C:\Users\hhhh2024\AppData\Roaming\npm\node_modules\@tobilu\qmd\dist\cli\qmd.js" <command>

# 方式2：使用包装脚本
D:\Applications\app\kepano-obsidian-main\tools\scripts\qmd.cmd <command>

嵌入注意事项

• qmd embed 在 Intel Iris Xe 上较慢，670文件约需10-15分钟
• 如果超时，可多次运行，会自动续传
• 使用 qmd embed -f 强制重新嵌入（更换模型后需要）

接口

接口	用途
CLI	LLM 可以通过 shell 调用
MCP Server	qmd mcp 启动 MCP 服务器，LLM 作为原生工具使用

常用命令

# 查看状态
qmd status

# 重新嵌入（新增文件后）
qmd embed

# 更新 collection（新增文件到索引）
qmd add wiki --pattern "wiki/**/*.md"

# 搜索
qmd search "关键词" -c wiki
qmd vsearch "语义查询" -c wiki
qmd query "综合查询" -c wiki

在 LLM Wiki 中的角色

• 小规模时：index 文件足够导航
• 增长后：qmd 提供正式搜索能力
• 作为 MCP Server 可被 LLM Agent 直接调用，无需手动搜索
• 当前已完整配置：670文件、3060向量、BM25+向量搜索均可使用

来源

• llm-wiki — Karpathy 推荐
• LLM Wiki — 核心概念页

[raw:llm-wiki:104]# qmd

qmd 是一个本地 Markdown 文件搜索引擎，支持混合 BM25/向量搜索和 LLM 重排序，适用于 LLM Wiki 规模增长后的搜索需求。

基本信息

属性	值
仓库	github.com/tobi/qmd
版本	v2.1.0
类型	本地搜索引擎
支持格式	Markdown
搜索方式	BM25 + 向量搜索混合
排序	LLM 重排序
运行方式	全设备端（on-device）
GPU 加速	Vulkan (Intel Iris Xe Graphics)

当前配置

索引状态

指标	值
索引数据库	C:\tmp\.cache\qmd\index.sqlite (26.2 MB)
已索引文件	670
向量数	3060（全部嵌入完成）
待嵌入	0

Collections

名称	路径	文件数	说明
wiki	wiki/**/*.md	391	LLM Wiki 知识库
raw	raw/**/*.md	279	原始来源文档

模型

模型	用途	大小
embeddinggemma-300M-Q8_0	文本嵌入（768维）	329 MB
Qwen3-Reranker-0.6B-Q8_0	LLM 重排序	—
qmd-query-expansion-1.7B	查询扩展	1.28 GB

搜索模式

BM25 全文搜索

qmd search "人工智能教育" -c wiki --limit 5

• 基于 SQLite FTS5
• 支持中英文搜索
• 速度快，适合精确关键词匹配

向量搜索

qmd vsearch "AI个性化学习" -c wiki --limit 5

• 基于 embeddinggemma 嵌入模型
• 自动进行查询扩展（query expansion）
• 支持语义相似度匹配

混合搜索

qmd query "人工智能教育发展趋势" -c wiki

• 结合 BM25 + 向量搜索 + LLM 重排序
• 效果最佳但速度较慢

Windows 特殊说明

运行方式

qmd CLI 脚本引用 /bin/sh，在 Windows 上不能直接运行 qmd 命令。使用以下方式之一：

# 方式1：通过 node 直接运行（推荐）
node "C:\Users\hhhh2024\AppData\Roaming\npm\node_modules\@tobilu\qmd\dist\cli\qmd.js" <command>

# 方式2：使用包装脚本
D:\Applications\app\kepano-obsidian-main\tools\scripts\qmd.cmd <command>

嵌入注意事项

• qmd embed 在 Intel Iris Xe 上较慢，670文件约需10-15分钟
• 如果超时，可多次运行，会自动续传
• 使用 qmd embed -f 强制重新嵌入（更换模型后需要）

接口

接口	用途
CLI	LLM 可以通过 shell 调用
MCP Server	qmd mcp 启动 MCP 服务器，LLM 作为原生工具使用

常用命令

# 查看状态
qmd status

# 重新嵌入（新增文件后）
qmd embed

# 更新 collection（新增文件到索引）
qmd add wiki --pattern "wiki/**/*.md"

# 搜索
qmd search "关键词" -c wiki
qmd vsearch "语义查询" -c wiki
qmd query "综合查询" -c wiki

在 LLM Wiki 中的角色

• 小规模时：index 文件足够导航
• 增长后：qmd 提供正式搜索能力
• 作为 MCP Server 可被 LLM Agent 直接调用，无需手动搜索
• 当前已完整配置：670文件、3060向量、BM25+向量搜索均可使用

来源

• llm-wiki — Karpathy 推荐
• LLM Wiki — 核心概念页