Agent Skills
返回列表
📚

QMD 本地高速 Markdown 搜索

知识管理 更新于 2026.08.29

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-3。

技能介绍

要解决什么问题

在笔记库、文档仓或单体仓库里用 find 扫整棵目录树,目录一大就容易卡住;只靠 grep 也很难按「意思」找相关段落。若还要在回答前先捞上下文,手工翻文件成本高。

qmd 面向本地已索引的 Markdown(及可纳入集合的文件):用集合(collections)限定搜索范围,支持关键词检索;配置 qmd embed 后可做向量语义搜索,并用本地重排序模型收窄结果。

核心能力与用法要点

  • 找文件:qmd search --files 输出路径与相关度分数,适合在大目录里替代 find 做文件发现。
  • 搜笔记与文档:在指定 -c name 集合内做搜索;输出可选 --json(含片段)、--md 或 --files,用 -n 限制条数。
  • 代码与配置发现:在同一套索引里查找实现、配置或重复出现的模式。
  • 回答问题前的上下文:以结构化片段拉回相关内容,减少盲读整文件。

典型工作流:先为目录建立集合并 qmd update 纳入新文件;需要语义能力时一次性执行 qmd embed(会花几分钟);之后搜索时始终带 -c 限定集合。嵌入、重排与相关生成模型(如 embeddinggemma-300M、qwen3-reranker、Qwen3-0.6B)均在本地自动拉取,不需要 API Key。

适用边界与注意点

  • 价值建立在已维护的集合与索引上:新文件不 update、不 embed,搜索结果会滞后。
  • 语义搜索依赖 embed 步骤与本地模型资源,首次与大规模库会有时间与算力成本。
  • 技能文档强调的是搜索与索引工作流,不是通用全文引擎;是否覆盖非 Markdown 类型取决于你如何配置集合与 qmd 本身能力。

使用场景

  • 单体仓库或笔记目录层级很深,需要在几分钟内列出与某个主题相关的 Markdown 文件路径及打分,而不是用 find 遍历整机。
  • 维护个人或团队知识库,要在指定 collection 里用关键词或语义查询,并导出带片段的 JSON 给后续问答整理上下文。
  • 在配置与实现散落在大量 .md 说明里的项目里,查找某类部署模式或环境变量约定是否已在文档中写过。
  • 向 AI 或同事回答技术问题前,先从已索引文档中抓取 Top-N 相关段落,避免通读整个 docs 目录。

适合人员

  • 用 Obsidian 或 Git 管理大量 Markdown 笔记、希望按主题跨文件夹检索段落的知识工作者。
  • 在开源或内部项目中负责文档仓维护、需要在大目录里快速定位说明文件与相关片段的技术写作者。
  • 偏好数据不出本机、要在无 API Key 条件下做语义搜文档的工程师或安全敏感环境用户。
  • 经常用 AI 辅助写方案,需要先把本地文档索引好再按需检索上下文的个人开发者。