Qmd

• Quieres búsqueda de texto completo y semántica rápida y sin conexión sobre un directorio local de archivos Markdown u otros documentos.
• Necesitas búsqueda híbrida (BM25 + vectorial + reranking) sin enviar datos a un servicio externo.
• Estás construyendo un agente de IA que necesita consultar una base de conocimiento local a través de MCP.
• Quieres mantener múltiples colecciones con nombre que apunten a diferentes directorios.

• Necesitas indexar archivos remotos o alojados en la nube — qmd opera únicamente con rutas locales.
• No deseas ejecutar Ollama localmente, ya que los embeddings y el reranking requieren una instancia de Ollama en ejecución.
• Necesitas indexación en tiempo real; las actualizaciones deben activarse manualmente con qmd update.

Admite búsqueda por palabras clave BM25 (qmd search), búsqueda vectorial/semántica pura (qmd vsearch) y búsqueda híbrida con reordenamiento (qmd query), para que puedas elegir la estrategia de recuperación adecuada para tu caso de uso.

Agrega cualquier directorio local como una colección con nombre y, opcionalmente, restringe qué archivos se indexan usando una máscara glob (por ejemplo, **/*.md). Gestiona múltiples índices independientes en paralelo.

Ejecuta qmd mcp para exponer tu índice de búsqueda local como un servidor MCP (Model Context Protocol), permitiendo que agentes de IA y herramientas compatibles consulten tu base de conocimiento local de forma programática.

Todo el indexado y los embeddings se calculan localmente. El índice de búsqueda se almacena en ~/.cache/qmd de forma predeterminada, y los embeddings/reranking utilizan una instancia de Ollama ejecutándose localmente — ningún dato sale de tu máquina.

Obtén un rango específico de líneas de un documento indexado con qmd get <ruta>:<línea> -l <cantidad>, útil para recuperar contexto preciso de archivos grandes.

Indexa una bóveda local de Obsidian o una carpeta de notas y ejecuta consultas híbridas para encontrar las notas más relevantes tanto por palabras clave como por significado semántico, completamente sin conexión.

Inicia qmd mcp y conecta un agente de IA a tu índice de documentos local a través de MCP, otorgándole la capacidad de recuperar fragmentos de archivos relevantes como contexto sin realizar llamadas a APIs externas.

Agrega el directorio docs/ de un proyecto como una colección con una máscara **/*.md y usa qmd query para encontrar rápidamente las páginas de documentación más relevantes durante el desarrollo.