Qmd

• Вы хотите быстрый офлайн-поиск по полному тексту и семантический поиск по локальной директории с файлами Markdown или другими документами.
• Вам нужен гибридный поиск (BM25 + векторный + повторное ранжирование) без отправки данных во внешний сервис.
• Вы создаёте AI-агента, которому необходимо обращаться к локальной базе знаний через MCP.
• Вы хотите поддерживать несколько именованных коллекций, указывающих на разные директории.

• Вам нужно индексировать удалённые или облачные файлы — qmd работает только с локальными путями.
• Вы не хотите запускать Ollama локально, так как эмбеддинги и переранжирование требуют работающего экземпляра Ollama.
• Вам нужна индексация в реальном времени; обновления необходимо запускать вручную с помощью qmd update.

Поддерживает ключевой поиск BM25 (qmd search), чисто векторный/семантический поиск (qmd vsearch) и гибридный поиск с ранжированием (qmd query), что позволяет выбрать оптимальную стратегию извлечения данных для вашего сценария использования.

Добавьте любую локальную директорию как именованную коллекцию и при необходимости ограничьте индексируемые файлы с помощью маски glob (например, **/*.md). Управляйте несколькими независимыми индексами одновременно.

Запустите qmd mcp, чтобы открыть доступ к вашему локальному поисковому индексу в виде MCP (Model Context Protocol) сервера, позволяя ИИ-агентам и совместимым инструментам программно запрашивать вашу локальную базу знаний.

Все индексирование и эмбеддинги вычисляются локально. Поисковый индекс по умолчанию хранится в ~/.cache/qmd, а эмбеддинги и ранжирование используют локально запущенный экземпляр Ollama — никакие данные не покидают ваш компьютер.

Получите определённый диапазон строк из индексированного документа с помощью qmd get <path>:<line> -l <count> — это удобно для извлечения точного контекста из больших файлов.

Индексируйте локальное хранилище Obsidian или папку с заметками и выполняйте гибридные запросы для поиска наиболее релевантных заметок по ключевым словам и семантическому смыслу — полностью в офлайн-режиме.

Запустите qmd mcp и подключите ИИ-агента к локальному индексу документов через MCP, предоставив ему возможность извлекать релевантные фрагменты файлов в качестве контекста без обращения к внешним API.

Добавьте директорию docs/ проекта как коллекцию с маской **/*.md и используйте qmd query, чтобы быстро находить наиболее релевантные страницы документации в процессе разработки.