github-trend-summarizer

QMD — Query Markup Documents

これは何？

ローカルで動作する ドキュメント専用のハイブリッド検索エンジン。議事録・ナレッジベース・個人メモなど、手元のテキストファイル群を「コレクション」として登録し、CLI から高精度に全文検索できる。内部は SQLite 上に構築されており、以下の 3 つの検索方式を組み合わせる：

検索方式	技術	特徴
キーワード検索	SQLite FTS5 (BM25)	高速・完全一致に強い
ベクトル検索	sqlite-vec + embeddinggemma	意味的に近い文書を発見
LLM リランキング	qwen3-reranker (ローカル推論)	検索結果の精度を最終調整

qmd query コマンドではこの 3 つを Reciprocal Rank Fusion (RRF) で統合し、さらに LLM によるクエリ拡張（類義語・言い換え生成）も自動で行う。すべてローカル完結で、外部 API 不要。

何が嬉しいのか？（既存手段との比較）

比較対象	QMD の優位点
grep / ripgrep	キーワード完全一致しかできない。QMD はベクトル検索で「意味が近い」文書も拾える
Obsidian / Notion 検索	特定アプリに閉じた検索。QMD は任意のテキストファイルを横断でき、CLI/SDK/MCP 経由でどこからでも使える
Elasticsearch 等	サーバー構築が必要。QMD は SQLite 1 ファイルで完結し、npm install -g だけで使える
OpenAI Embeddings 等	クラウド API 依存。QMD はモデルを自動ダウンロードしローカルで推論するため、データが外部に出ない

QMD ならではの特徴的な機能：

• コンテキストシステム — コレクションやパスごとに説明文を付与でき、検索結果と一緒に返る。AI エージェントが結果を解釈する際の精度が上がる
• AST 対応チャンキング — tree-sitter で関数・クラス単位にコードを分割。トークン境界でぶった切らない
• MCP サーバー内蔵 — Claude Desktop などの AI アシスタントから直接検索できる（HTTP モードならモデルを常駐させ高速応答）

使うときの流れ

① インストール
   npm install -g @tobilu/qmd

② コレクション登録（ドキュメントフォルダを指定）
   qmd collection add ~/Documents/notes --name mynotes --mask '**/*.md'

③ コンテキスト付与（任意だが推奨）
   qmd context add qmd://mynotes/ "個人の技術メモ。主にGoとTypeScript"

④ インデックス構築
   qmd update          # 全文検索インデックスを作成
   qmd embed           # ベクトル埋め込みを生成（初回はモデル自動DL）

⑤ 検索
   qmd query "認証フローの実装方法"   # ← ハイブリッド検索（推奨）
   qmd search "OAuth"                # ← キーワードのみ（高速）
   qmd vsearch "ログイン処理"         # ← ベクトルのみ

⑥ ドキュメント取得
   qmd get "#abc123"                 # 検索結果の docid で本文を取得
   qmd multi-get "docs/**/*.md"      # glob で一括取得

日常的な運用は ④→⑤ の繰り返し。ドキュメントが更新されたら qmd update → qmd embed で再インデックスする。AI エージェント連携したい場合は qmd mcp --http --daemon でバックグラウンドサーバーを立てておけばよい。

This site is open source. Improve this page.