qmd：高级本地 Markdown 搜索与发现 - Openclaw Skills

什么是 qmd：本地 Markdown 与语义搜索？

qmd 是一款专门为开发者和 AI 智能体设计的本地搜索工具，旨在帮助其在大量的 Markdown 文件、文档和源代码中进行导航。通过将 Openclaw Skills 集成到您的工作流中，您可以获得一种混合搜索架构，该架构同时利用了 BM25 全文索引和向量语义搜索。这使得文件发现和内容检索更加精准，无需依赖外部 API，也不会面临数据隐私风险，因为所有模型均在您的机器上本地运行。

与 find 等在大目录中可能会挂起的传统工具不同，qmd 专为速度和智能而构建。它利用本地嵌入和重排序模型来理解查询上下文，确保为文档查阅、代码搜索或为 LLM 提示词收集上下文时，能够呈现最相关的片段。

下载入口:https://github.com/openclaw/skills/tree/main/skills/bheemreddy181/qmd-search

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

npx clawhub@latest install qmd-search

2. 手动安装

将技能文件夹复制到以下位置之一

全局模式 ~/.openclaw/skills/ 工作区 /skills/

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

请帮我使用 Clawhub 安装 qmd-search。如果尚未安装 Clawhub，请先安装（npm i -g clawhub）。

qmd：本地 Markdown 与语义搜索 应用场景

• 在 find 等标准工具可能挂起的大型目录中高效查找文件。
• 在个人笔记和技术文档中进行语义或基于关键词的搜索。
• 在索引的项目集合中发现代码模式、实现方式或特定配置。
• 收集相关内容片段，为 LLM 查询和自动化推理提供上下文。

qmd：本地 Markdown 与语义搜索 工作原理

1. 集合索引：用户将项目文件夹定义为集合，允许 qmd 跟踪并索引特定的文件类型，如 .md 和 .py。
2. 多模态搜索：该工具通过 BM25 执行关键词搜索，或使用向量嵌入执行语义搜索，以理解查询背后的意图。
3. 本地重排序：使用基于本地 LLM 的重排序（Qwen3）优化结果，确保最相关的文档或代码片段排在首位。
4. 内容检索：用户可以直接通过 CLI 获取整个文件、特定的行范围或匹配通配符模式的多个文件。

qmd：本地 Markdown 与语义搜索 配置指南

# 将新的文档目录添加到索引中
qmd collection add /path/to/notes --name my-docs --mask "*.md"

# 初始化向量嵌入以启用语义搜索功能
qmd embed

# 修改文件后更新索引，以保持搜索结果最新
qmd update

qmd：本地 Markdown 与语义搜索 数据架构与分类体系

组件	描述
集合	具有特定名称和文件掩码（如 *.md, *.py）的文件逻辑分组。
搜索指标	返回关键词相关性 (BM25) 和语义相似度的分值。
输出格式	支持 --files（仅路径）、--json（结构化片段）和 --md（格式化输出）。
本地模型	使用 embeddinggemma-300M 处理向量，使用 qwen3-reranker-0.6b 提升精度。

name: qmd
description: Fast local search for markdown files, notes, and docs using qmd CLI. Use instead of `find` for file discovery. Combines BM25 full-text search, vector semantic search, and LLM reranking—all running locally. Use when searching for files, finding code, locating documentation, or discovering content in indexed collections.

qmd — Fast Local Markdown Search

When to Use

• Finding files — use instead of find across large directories (avoids hangs)
• Searching notes/docs — semantic or keyword search in indexed collections
• Code discovery — find implementations, configs, or patterns
• Context gathering — pull relevant snippets before answering questions

Quick Reference

Search (most common)

# Keyword search (BM25)
qmd search "alpaca API" -c projects

# Semantic search (understands meaning)
qmd vsearch "how to implement stop loss"

# Combined search with reranking (best quality)
qmd query "trading rules for breakouts"

# File paths only (fast discovery)
qmd search "config" --files -c kell

# Full document content
qmd search "pattern detection" --full --line-numbers

Collections

# List collections
qmd collection list

# Add new collection
qmd collection add /path/to/folder --name myproject --mask "*.md,*.py"

# Re-index after changes
qmd update

Get Files

# Get full file
qmd get myproject/README.md

# Get specific lines
qmd get myproject/config.py:50 -l 30

# Get multiple files by glob
qmd multi-get "*.yaml" -l 50 --max-bytes 10240

Output Formats

• --files — paths + scores (for file discovery)
• --json — structured with snippets
• --md — markdown formatted
• -n 10 — limit results

Tips

1. Always use collections (-c name) to scope searches
2. Run qmd update after adding new files
3. Use qmd embed to enable vector search (one-time, takes a few minutes)
4. Prefer qmd search --files over find for large directories

Models (auto-downloaded)

• Embedding: embeddinggemma-300M
• Reranking: qwen3-reranker-0.6b
• Generation: Qwen3-0.6B

All run locally — no API keys needed.