qmd 本地 Markdown 极速搜索
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/sundial-org-awesome-openclaw-skills-qmd-6。
技能介绍
问题背景
工程目录里散落的 Markdown 笔记、设计文档和配置说明,用系统自带的 find 在大树上经常卡住或结果噪音很多;仅靠全文 grep 又很难做「这段讨论过类似实现吗」这类语义相近的检索。若把笔记交给云端检索,还要处理密钥、网络和隐私边界。
技能如何工作
本技能围绕 qmd 这一套本地 Markdown 搜索工具,指导助手在合适的场景选用它,而不是盲目扫盘或调用外部 API。
- 找文件:在大目录里用
qmd search --files替代find,按相关性得分列出路径,降低挂起和盲目遍历的风险。 - 搜笔记与文档:在已建立的 collections(
-c name)内做关键词或语义搜索,输出可用--json(含片段)、--md或带-n限制条数。 - 代码与配置发现:在同一索引里定位实现、配置或重复出现的模式。
- 答题前攒上下文:先拉出相关片段再组织回答,减少漏读本地资料。
典型工作流:新增文件后执行 qmd update;需要向量检索时一次性跑 qmd embed(本地自动拉取 embedding / rerank / 小模型,无需 API Key)。官方建议始终用 collection 限定范围,大目录优先 --files。
边界与注意
索引和嵌入会占磁盘与时间,embed 不是每次搜索的必选项。语义能力依赖本地已下载的 Gemma / Qwen 系小模型;未建 collection 或未 update 时,结果可能不完整。本技能描述的是检索与用法,不替代你对仓库目录结构的规划。
使用场景
- 在数千个 `.md` 的 monorepo 里要找出与某错误处理相关的文档路径,避免 `find` 长时间无响应
- 维护按项目划分的 note collection,用关键词或语义查询拉回某次架构决策的原文片段
- 在本地技能/Agent 文档库中检索实现示例与配置片段,供回答用户问题前拼装上下文
- 新增一批笔记文件后需要让索引与可选向量层同步,再对指定 collection 做限定搜索
适合人员
- 维护庞大本地 Markdown 知识库、需要按主题集合检索而非全盘扫目录的技术写作者
- 在离线或内网环境工作、不能接受把笔记全文交给云端 API 的安全/合规岗位工程师
- 为 AI 助手配置工作区文档时,希望用结构化输出(JSON/片段)喂给模型的开发者
- 经常在多个仓库间做代码与文档考古、需要 rerank 后短列表而非整页 grep 的后端工程师