Qmd

• 로컬 디렉터리에 있는 Markdown 파일이나 기타 문서에 대해 빠르고 오프라인으로 동작하는 전문 검색 및 시맨틱 검색을 원하는 경우.
• 외부 서비스에 데이터를 전송하지 않고 하이브리드 검색(BM25 + 벡터 + 리랭크)이 필요한 경우.
• MCP를 통해 로컬 지식 베이스를 쿼리해야 하는 AI 에이전트를 구축하는 경우.
• 서로 다른 디렉터리를 가리키는 여러 개의 이름 있는 컬렉션을 관리하려는 경우.

• 원격 또는 클라우드에 호스팅된 파일을 인덱싱해야 하는 경우 — qmd는 로컬 경로에서만 작동합니다.
• Ollama를 로컬에서 실행하고 싶지 않은 경우, 임베딩 및 재순위화에는 실행 중인 Ollama 인스턴스가 필요합니다.
• 실시간 인덱싱이 필요한 경우; 업데이트는 qmd update를 사용하여 수동으로 트리거해야 합니다.

BM25 키워드 검색(qmd search), 순수 벡터/시맨틱 검색(qmd vsearch), 재순위화를 적용한 하이브리드 검색(qmd query)을 지원하므로, 사용 사례에 맞는 최적의 검색 전략을 선택할 수 있습니다.

로컬 디렉토리를 명명된 컬렉션으로 추가하고, 글로브 마스크(예: **/*.md)를 사용하여 색인화할 파일을 선택적으로 제한할 수 있습니다. 여러 독립적인 인덱스를 나란히 관리하세요.

qmd mcp를 실행하면 로컬 검색 인덱스를 MCP (Model Context Protocol) 서버로 노출하여, AI 에이전트 및 호환 도구가 로컬 지식 베이스를 프로그래밍 방식으로 쿼리할 수 있습니다.

모든 인덱싱과 임베딩은 로컬에서 처리됩니다. 검색 인덱스는 기본적으로 ~/.cache/qmd에 저장되며, 임베딩 및 재순위화는 로컬에서 실행되는 Ollama 인스턴스를 사용합니다 — 어떤 데이터도 사용자의 기기 밖으로 나가지 않습니다.

qmd get <path>:<line> -l <count>를 사용하여 인덱싱된 문서에서 특정 범위의 줄을 가져올 수 있으며, 대용량 파일에서 정확한 컨텍스트를 검색하는 데 유용합니다.

로컬 Obsidian 볼트 또는 노트 폴더를 인덱싱하고 하이브리드 쿼리를 실행하여 키워드와 의미론적 의미 모두를 기반으로 가장 관련성 높은 노트를 완전히 오프라인으로 찾아냅니다.

qmd mcp를 시작하고 MCP를 통해 AI 에이전트를 로컬 문서 인덱스에 연결하면, 외부 API 호출 없이 관련 파일 발췌문을 컨텍스트로 검색할 수 있는 기능을 제공합니다.

프로젝트의 docs/ 디렉토리를 **/*.md 마스크와 함께 컬렉션으로 추가하고, qmd query를 사용하여 개발 중에 가장 관련성 높은 문서 페이지를 빠르게 찾아보세요.