Qmd

• Vuoi una ricerca full-text e semantica rapida e offline su una directory locale di file Markdown o altri documenti.
• Hai bisogno di una ricerca ibrida (BM25 + vettoriale + rerank) senza inviare dati a un servizio esterno.
• Stai costruendo un agente AI che deve interrogare una knowledge base locale tramite MCP.
• Vuoi mantenere più collezioni con nome che puntano a directory diverse.

• Devi indicizzare file remoti o ospitati nel cloud — qmd opera solo su percorsi locali.
• Non vuoi eseguire Ollama localmente, poiché gli embedding e il reranking richiedono un'istanza Ollama in esecuzione.
• Hai bisogno di indicizzazione in tempo reale; gli aggiornamenti devono essere attivati manualmente con qmd update.

Supporta la ricerca per parole chiave BM25 (qmd search), la ricerca puramente vettoriale/semantica (qmd vsearch) e la ricerca ibrida con reranking (qmd query), così puoi scegliere la strategia di recupero più adatta al tuo caso d'uso.

Aggiungi qualsiasi directory locale come collezione denominata e limita facoltativamente quali file vengono indicizzati utilizzando una maschera glob (ad es. **/*.md). Gestisci più indici indipendenti fianco a fianco.

Esegui qmd mcp per esporre il tuo indice di ricerca locale come server MCP (Model Context Protocol), consentendo ad agenti AI e strumenti compatibili di interrogare la tua base di conoscenza locale in modo programmatico.

Tutti gli indici e gli embedding vengono calcolati localmente. L'indice di ricerca viene archiviato in ~/.cache/qmd per impostazione predefinita, e gli embedding/reranking utilizzano un'istanza Ollama in esecuzione locale — nessun dato lascia il tuo computer.

Recupera un intervallo specifico di righe da un documento indicizzato con qmd get <path>:<line> -l <count>, utile per ottenere un contesto preciso da file di grandi dimensioni.

Indicizza un vault locale di Obsidian o una cartella di note ed esegui query ibride per individuare le note più rilevanti sia per parola chiave che per significato semantico, interamente offline.

Avvia qmd mcp e connetti un agente AI al tuo indice di documenti locale tramite MCP, conferendogli la capacità di recuperare estratti di file pertinenti come contesto senza chiamate API esterne.

Aggiungi la directory docs/ di un progetto come raccolta con una maschera **/*.md e usa qmd query per trovare rapidamente le pagine di documentazione più rilevanti durante lo sviluppo.