{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}

Qmd

使用 qmd 在本地搜索个人知识库、笔记、文档和会议记录 — 一个集成 BM25、向量搜索和 LLM 重排序的混合检索引擎。支持 CLI 和 MCP 集成。

Skill 元数据


来源	可选 — 通过 `hermes skills install official/research/qmd` 安装
路径	`optional-skills/research/qmd`
版本	`1.0.0`
作者	Hermes Agent + Teknium
许可证	MIT
平台	macos, linux
标签	`Search`, `Knowledge-Base`, `RAG`, `Notes`, `MCP`, `Local-AI`
相关 skill	`obsidian`, `native-mcp`, `arxiv`

参考：完整 SKILL.md

信息

以下是 Hermes 在触发此 skill 时加载的完整 skill 定义。这是 agent 在 skill 激活时所看到的指令内容。

QMD — Query Markup Documents

本地设备上的个人知识库搜索引擎。可索引 markdown 笔记、会议记录、文档及任何基于文本的文件，并提供结合关键词匹配、语义理解和 LLM 重排序的混合搜索 — 全部在本地运行，无需云端依赖。

由 Tobi Lütke 创建。MIT 许可证。

使用场景

用户要求搜索其笔记、文档、知识库或会议记录

用户希望在大量 markdown/文本文件中查找内容

用户需要语义搜索（"查找关于 X 概念的笔记"），而非仅仅是关键词 grep

用户已设置 qmd 集合并希望查询

用户要求搭建本地知识库或文档搜索系统

关键词："search my notes"、"find in my docs"、"knowledge base"、"qmd"

前置条件

Node.js >= 22（必需）

SQLite 扩展支持（仅 macOS）

macOS 系统自带的 SQLite 不支持扩展加载。请通过 Homebrew 安装：

安装 qmd

首次运行会自动下载 3 个本地 GGUF 模型（共约 2GB）：

模型	用途	大小
embeddinggemma-300M-Q8_0	向量 embedding（嵌入）	~300MB
qwen3-reranker-0.6b-q8_0	结果重排序	~640MB
qmd-query-expansion-1.7B	查询扩展	~1.1GB

验证安装

快速参考

命令	功能	速度
`qmd search "query"`	BM25 关键词搜索（无需模型）	~0.2s
`qmd vsearch "query"`	语义向量搜索（1 个模型）	~3s
`qmd query "query"`	混合搜索 + 重排序（全部 3 个模型）	热启动 ~2-3s，冷启动 ~19s
`qmd get <docid>`	获取完整文档内容	即时
`qmd multi-get "glob"`	批量获取文件	即时
`qmd collection add <path> --name <n>`	将目录添加为集合	即时
`qmd context add <path> "description"`	添加上下文元数据以提升检索效果	即时
`qmd embed`	生成/更新向量 embedding	不定
`qmd status`	显示索引健康状态和集合信息	即时
`qmd mcp`	启动 MCP 服务器（stdio）	持久运行
`qmd mcp --http --daemon`	启动 MCP 服务器（HTTP，模型保持热启动）	持久运行

设置流程

1. 添加集合

将 qmd 指向包含文档的目录：

2. 添加上下文描述

上下文元数据帮助搜索引擎理解每个集合的内容，可显著提升检索质量：

3. 生成 Embedding

此命令处理所有集合中的所有文档并生成向量 embedding。添加新文档或集合后需重新运行。

4. 验证

搜索模式

快速关键词搜索（BM25）

适用场景：精确词语、代码标识符、名称、已知短语。
无需加载模型 — 近乎即时返回结果。

语义向量搜索

适用场景：自然语言问题、概念性查询。
首次查询时加载 embedding 模型（约 3s）。

混合搜索 + 重排序（最佳质量）

适用场景：对质量要求最高的重要查询。
使用全部 3 个模型 — 查询扩展、并行 BM25+向量搜索、重排序。

结构化多模式查询

在单次查询中组合不同搜索类型以提升精度：

查询语法（lex/BM25 模式）

语法	效果	示例
`term`	前缀匹配	`perf` 匹配 "performance"
`"phrase"`	精确短语	`"rate limiter"`
`-term`	排除词语	`performance -sports`

HyDE（假设文档 Embedding）

对于复杂主题，可描述你期望答案的样子：

限定集合范围

输出格式

MCP 集成（推荐）

qmd 提供 MCP 服务器，可通过原生 MCP 客户端直接向 Hermes Agent 提供搜索工具。这是推荐的集成方式 — 配置完成后，agent 无需每次加载此 skill 即可自动获得 qmd 工具。

方案 A：Stdio 模式（简单）

在 ~/.hermes/config.yaml 中添加：

此配置注册以下工具：mcp_qmd_search、mcp_qmd_vsearch、mcp_qmd_deep_search、mcp_qmd_get、mcp_qmd_status。

权衡： 模型在首次搜索调用时加载（冷启动约 19s），之后在会话期间保持热启动状态。偶尔使用时可接受。

方案 B：HTTP Daemon 模式（快速，重度使用推荐）

单独启动 qmd daemon — 它会将模型保持在内存中：

然后配置 Hermes Agent 通过 HTTP 连接：

权衡： 运行时占用约 2GB 内存，但每次查询都很快（约 2-3s）。适合频繁搜索的用户。

保持 Daemon 持续运行

macOS（launchd）

Linux（systemd 用户服务）

MCP 工具参考

连接后，以下工具以 mcp_qmd_* 形式可用：

MCP 工具	对应命令	描述
`mcp_qmd_search`	`qmd search`	BM25 关键词搜索
`mcp_qmd_vsearch`	`qmd vsearch`	语义向量搜索
`mcp_qmd_deep_search`	`qmd query`	混合搜索 + 重排序
`mcp_qmd_get`	`qmd get`	通过 ID 或路径获取文档
`mcp_qmd_status`	`qmd status`	索引健康状态和统计信息

MCP 工具接受结构化 JSON 查询以支持多模式搜索：

{
  "searches": [
    {"type": "lex", "query": "authentication middleware"},
    {"type": "vec", "query": "how user login is verified"}
  ],
  "collections": ["project-docs"],
  "limit": 10
}

CLI 用法（不使用 MCP）

未配置 MCP 时，直接通过终端使用 qmd：

terminal(command="qmd query 'what was decided about the API redesign' --json", timeout=30)

设置和管理任务始终使用终端：

terminal(command="qmd collection add ~/Documents/notes --name notes")
terminal(command="qmd context add qmd://notes 'Personal research notes and ideas'")
terminal(command="qmd embed")
terminal(command="qmd status")

搜索流水线工作原理

了解内部机制有助于选择合适的搜索模式：

查询扩展 — 一个经过微调的 1.7B 模型生成 2 个备选查询。原始查询在融合中获得 2 倍权重。

并行检索 — BM25（SQLite FTS5）和向量搜索跨所有查询变体并行运行。

RRF 融合 — 倒数排名融合（k=60）合并结果。顶部排名加成：第 1 名 +0.05，第 2-3 名 +0.02。

LLM 重排序 — qwen3-reranker 对前 30 个候选结果评分（0.0-1.0）。

位置感知混合 — 排名 1-3：75% 检索 / 25% 重排序。排名 4-10：60/40。排名 11+：40/60（对长尾结果更信任重排序）。

智能分块： 文档在自然断点处分割（标题、代码块、空行），目标约 900 个 token，重叠率 15%。代码块不会在中间被截断。

最佳实践

始终添加上下文描述 — qmd context add 可显著提升检索准确性。描述每个集合包含的内容。

添加文档后重新 embed — 向集合添加新文件后必须重新运行 qmd embed。

速度优先用 qmd search — 需要快速关键词查找（代码标识符、精确名称）时，BM25 即时响应且无需模型。

质量优先用 qmd query — 问题具有概念性或用户需要最佳结果时，使用混合搜索。

优先使用 MCP 集成 — 配置完成后，agent 无需每次加载此 skill 即可获得原生工具。

频繁用户使用 daemon 模式 — 如果用户经常搜索知识库，建议设置 HTTP daemon。

结构化搜索中第一个查询获得 2 倍权重 — 组合 lex 和 vec 时，将最重要/最确定的查询放在首位。

故障排查

"首次运行时模型正在下载"

正常现象 — qmd 首次使用时会自动下载约 2GB 的 GGUF 模型。
这是一次性操作。

冷启动延迟（约 19s）

模型未加载到内存时会出现此情况。解决方案：

使用 HTTP daemon 模式（qmd mcp --http --daemon）保持热启动

不需要模型时使用 qmd search（仅 BM25）

MCP stdio 模式在首次搜索时加载模型，会话期间保持热启动

macOS："unable to load extension"

安装 Homebrew SQLite：brew install sqlite
然后确保其在系统 SQLite 之前出现在 PATH 中。

"未找到集合"

运行 qmd collection add <path> --name <name> 添加目录，
然后运行 qmd embed 进行索引。

Embedding 模型覆盖（CJK/多语言）

为非英语内容设置 QMD_EMBED_MODEL 环境变量：

数据存储

索引与向量： ~/.cache/qmd/index.sqlite

模型： 首次运行时自动下载到本地缓存

无云端依赖 — 全部在本地运行

参考资料

GitHub: tobi/qmd

QMD 更新日志

"Qmd"

Qmd#

Skill 元数据#

参考：完整 SKILL.md#

QMD — Query Markup Documents#

使用场景#

前置条件#

Node.js >= 22（必需）#

SQLite 扩展支持（仅 macOS）#

安装 qmd#

验证安装#

快速参考#

设置流程#

1. 添加集合#

2. 添加上下文描述#

3. 生成 Embedding#

4. 验证#

搜索模式#

快速关键词搜索（BM25）#

语义向量搜索#

混合搜索 + 重排序（最佳质量）#

结构化多模式查询#

查询语法（lex/BM25 模式）#

HyDE（假设文档 Embedding）#

限定集合范围#

输出格式#

MCP 集成（推荐）#

方案 A：Stdio 模式（简单）#

方案 B：HTTP Daemon 模式（快速，重度使用推荐）#

保持 Daemon 持续运行#

macOS（launchd）#

Linux（systemd 用户服务）#

MCP 工具参考#

CLI 用法（不使用 MCP）#

搜索流水线工作原理#

最佳实践#

故障排查#

"首次运行时模型正在下载"#

冷启动延迟（约 19s）#

macOS："unable to load extension"#

"未找到集合"#

Embedding 模型覆盖（CJK/多语言）#

数据存储#

参考资料#

Qmd

Skill 元数据

参考：完整 SKILL.md

QMD — Query Markup Documents

使用场景

前置条件

Node.js >= 22（必需）

SQLite 扩展支持（仅 macOS）

安装 qmd

验证安装

快速参考

设置流程

1. 添加集合

2. 添加上下文描述

3. 生成 Embedding

4. 验证

搜索模式

快速关键词搜索（BM25）

语义向量搜索

混合搜索 + 重排序（最佳质量）

结构化多模式查询

查询语法（lex/BM25 模式）

HyDE（假设文档 Embedding）

限定集合范围

输出格式

MCP 集成（推荐）

方案 A：Stdio 模式（简单）

方案 B：HTTP Daemon 模式（快速，重度使用推荐）

保持 Daemon 持续运行

macOS（launchd）

Linux（systemd 用户服务）

MCP 工具参考

CLI 用法（不使用 MCP）

搜索流水线工作原理

最佳实践

故障排查

"首次运行时模型正在下载"

冷启动延迟（约 19s）

macOS："unable to load extension"

"未找到集合"

Embedding 模型覆盖（CJK/多语言）

数据存储

参考资料