Qmd

• Sie möchten schnelle, offline verfügbare Volltext- und semantische Suche über ein lokales Verzeichnis mit Markdown-Dateien oder anderen Dokumenten.
• Sie benötigen hybride Suche (BM25 + Vektor + Reranking), ohne Daten an einen externen Dienst zu senden.
• Sie entwickeln einen KI-Agenten, der über MCP eine lokale Wissensdatenbank abfragen soll.
• Sie möchten mehrere benannte Collections verwalten, die auf verschiedene Verzeichnisse verweisen.

• Sie müssen remote oder in der Cloud gehostete Dateien indizieren — qmd arbeitet nur mit lokalen Pfaden.
• Sie möchten Ollama nicht lokal ausführen, da Embeddings und Reranking eine laufende Ollama-Instanz erfordern.
• Sie benötigen Echtzeit-Indizierung; Updates müssen manuell mit qmd update ausgelöst werden.

Unterstützt BM25-Schlüsselwortsuche (qmd search), reine Vektor-/semantische Suche (qmd vsearch) und hybride Suche mit Reranking (qmd query), sodass Sie die passende Abrufstrategie für Ihren Anwendungsfall wählen können.

Fügen Sie ein beliebiges lokales Verzeichnis als benannte Sammlung hinzu und schränken Sie optional ein, welche Dateien mit einer Glob-Maske indexiert werden (z. B. **/*.md). Verwalten Sie mehrere unabhängige Indizes nebeneinander.

Führe qmd mcp aus, um deinen lokalen Suchindex als MCP-Server (Model Context Protocol) bereitzustellen. Damit können KI-Agenten und kompatible Tools deine lokale Wissensdatenbank programmatisch abfragen.

Alle Indizierungen und Einbettungen werden lokal berechnet. Der Suchindex wird standardmäßig unter ~/.cache/qmd gespeichert, und Einbettungen/Reranking verwenden eine lokal laufende Ollama-Instanz — keine Daten verlassen Ihren Rechner.

Rufe einen bestimmten Zeilenbereich aus einem indizierten Dokument mit qmd get <path>:<line> -l <count> ab – nützlich, um präzisen Kontext aus großen Dateien zu extrahieren.

Indiziere einen lokalen Obsidian-Vault oder Notizenordner und führe hybride Abfragen durch, um die relevantesten Notizen sowohl nach Schlüsselwörtern als auch nach semantischer Bedeutung zu finden – vollständig offline.

Starte qmd mcp und verbinde einen KI-Agent über MCP mit deinem lokalen Dokumentenindex, um ihm die Möglichkeit zu geben, relevante Dateiausschnitte als Kontext abzurufen – ganz ohne externe API-Aufrufe.

Füge das docs/-Verzeichnis eines Projekts als Sammlung mit einer **/*.md-Maske hinzu und verwende qmd query, um während der Entwicklung schnell die relevantesten Dokumentationsseiten zu finden.