Qmd

• Vous souhaitez effectuer une recherche plein texte et sémantique rapide, hors ligne, sur un répertoire local de fichiers Markdown ou d'autres documents.
• Vous avez besoin d'une recherche hybride (BM25 + vecteurs + réordonnancement) sans envoyer de données à un service externe.
• Vous construisez un agent IA qui doit interroger une base de connaissances locale via MCP.
• Vous souhaitez gérer plusieurs collections nommées pointant vers différents répertoires.

• Vous devez indexer des fichiers distants ou hébergés dans le cloud — qmd fonctionne uniquement sur des chemins locaux.
• Vous ne souhaitez pas exécuter Ollama localement, car les embeddings et le rerankage nécessitent une instance Ollama en cours d'exécution.
• Vous avez besoin d'une indexation en temps réel ; les mises à jour doivent être déclenchées manuellement avec qmd update.

Prend en charge la recherche par mots-clés BM25 (qmd search), la recherche purement vectorielle/sémantique (qmd vsearch), et la recherche hybride avec reclassement (qmd query), vous permettant de choisir la stratégie de récupération adaptée à votre cas d'usage.

Ajoutez n'importe quel répertoire local en tant que collection nommée et limitez optionnellement les fichiers indexés à l'aide d'un masque glob (ex. **/*.md). Gérez plusieurs index indépendants côte à côte.

Exécutez qmd mcp pour exposer votre index de recherche local en tant que serveur MCP (Model Context Protocol), permettant aux agents IA et aux outils compatibles d'interroger votre base de connaissances locale de manière programmatique.

Toute l'indexation et les embeddings sont calculés localement. L'index de recherche est stocké par défaut dans ~/.cache/qmd, et les embeddings/reclassements utilisent une instance Ollama exécutée localement — aucune donnée ne quitte votre machine.

Récupérez une plage spécifique de lignes d'un document indexé avec qmd get <path>:<line> -l <count>, utile pour extraire un contexte précis à partir de fichiers volumineux.

Indexez un coffre Obsidian local ou un dossier de notes et exécutez des requêtes hybrides pour faire remonter les notes les plus pertinentes à la fois par mot-clé et par sens sémantique, entièrement hors ligne.

Démarrez qmd mcp et connectez un agent IA à votre index de documents local via MCP, en lui donnant la capacité de récupérer des extraits de fichiers pertinents comme contexte, sans appels à des API externes.

Ajoutez le répertoire docs/ d'un projet en tant que collection avec un masque **/*.md et utilisez qmd query pour trouver rapidement les pages de documentation les plus pertinentes pendant le développement.