本地文档搜索 · qmd-local-search

技能简介

qmd 是一款面向 Markdown 文件、笔记和文档的本地快速搜索工具，通过命令行界面实现文件发现与内容检索。

业务背景

为技术团队提供本地化文档探查能力。无需依赖云端服务或复杂配置，即可在代码仓库配套的文档、配置文件和笔记中快速定位信息。三种搜索技术分层协作，兼顾速度与相关性，满足从粗略筛查到精准定位的不同需求。

落地案例：运维工程师排查故障时需确认某服务的配置规范。执行 `qmd search "prometheus retention" –full` 直接查看匹配文档的完整内容；若关键词不确定，使用 `qmd vsearch "如何设置监控数据保留时间"` 获取语义相近的配置说明，再结合 `–json` 输出供脚本进一步处理。

能做什么

• 替代 find 命令，避免在大目录中执行时卡顿
• 对索引集合执行关键词或语义搜索
• 发现代码实现、配置文件或特定模式
• 提取相关片段作为问答上下文

使用说明

安装步骤

1. 克隆仓库：git clone https://github.com/openclaw/skills.git
2. 进入技能目录：cd skills/bheemreddy181/qmd-local-search
3. 根据系统环境编译或配置 qmd CLI（具体构建方式需参考原始仓库说明）

常用操作

关键词搜索：qmd search "alpaca API" -c projects

语义搜索：qmd vsearch "how to implement stop loss"

组合搜索（含重排序）：qmd query "trading rules for breakouts"

仅返回文件路径：qmd search "config" --files -c kell

查看完整文档内容：qmd search "pattern detection" --full --line-numbers

添加集合：qmd collection add /path/to/folder --name myproject --mask "*.md,*.py"

更新索引：qmd update

启用向量搜索（一次性操作，耗时数分钟）：qmd embed

输入与输出

见下方输入与输出表格。

风险提示

• 首次启用向量搜索需下载 embedding 模型，占用本地存储空间
• 大目录索引可能消耗较多内存与 CPU 资源
• 搜索结果质量依赖索引时效性，文件变更后需手动执行 qmd update
• LLM 重排序结果存在不确定性，关键场景建议人工复核

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/bheemreddy181/qmd-local-search/SKILL.md
来源类型：GitHub 仓库

常见问题

Q1：本地文档搜索 适合哪些场景？
A：适合需要「qmd 是一款面向 Markdown 文件、笔记和文档的本地快速搜索工具」的场景，尤其是希望快速验证并落地的团队与个人。

Q2：第一次使用应该先做什么？
A：先明确目标任务，再按照页面中的“能做什么”和“使用说明”完成最小可行流程。

Q3：如何判断是否值得长期使用？
A：建议连续使用 1-2 周，对比效率、稳定性和协作成本，再决定是否纳入长期工具栈。

替代方案

• QMD知识库搜索
• 个人知识库管理
• Drafts笔记管理

相关推荐

• AI知识共享库
• Guru知识库接入
• Nextcloud管理助手
• 简历生成助手