为什么你需要zvec-grep统一ripgrep、BM25与向量搜索的Local-First混合检索神器【免费下载链接】zvec-grepLocal-first search across your workspace, built for humans and AI agents.项目地址: https://gitcode.com/gh_mirrors/zv/zvec-grepzvec-grep命令名zg是一个 Local-First 的本地混合检索工具它把ripgrep 精确匹配、BM25 关键词排序和向量语义搜索统一在同一个本地搜索层之下既能让你在终端里“用自然语言问代码库”也能让你的 AI Agent 自动调用它而且文件、索引和本地模型都保留在机器上。三种检索引擎为什么非要“统一”日常开发中我们其实同时需要三种搜索能力却往往要来回切换三个工具检索方式擅长场景传统痛点ripgrep已知确切文本、符号、正则不理解语义只能“精确匹配”BM25 / 全文检索关键词相关性与排序依赖倒排索引搭建向量搜索“按含义找”自然语言提问需要向量库 Embedding 服务部署重zvec-grep 的思路是一个索引三条检索路径一个入口。工作区经过一次zg index建立索引后存储在工作区/.zvec-grep/目录同一个zg命令既可以走“索引化检索”BM25 向量 RRF 融合排序也可以直接走“托管 ripgrep”做穷举式精确搜索详见 docs/05-architecture.md 的架构图与 docs/04-pipeline.md 的检索管线说明。核心检索编排逻辑位于 src/engine/pipeline/search/index.ts对外统一的服务层在 src/engine/service/zvec-grep.ts。快速上手三步完成首次本地混合检索 整个过程不到一分钟且默认使用本地 Embedding 模型不需要任何云端服务1️⃣ 安装需 Node.js 22npm install -g zvec/zvec-grep2️⃣ 在任意仓库根目录建立索引cd your-repository zg --index --embedding local/potion-code-16m-v23️⃣ 用自然语言提问zg where authentication is validated如果索引还不存在zg会自动用本地模型建一个再完成搜索。想要显式控制“关键词 语义”的组合可以用zg --hybrid font metrics pipeline --fts FontInfo --vector where do font glyphs come from --fuse更多搜索参数与过滤选项glob、文件类型、结果预览等见 docs/02-cli.md。实测效果更少 Token、更少工具调用答案更好在官方配对 A/B 基准测试中任务、模型、提示词与限流条件完全一致唯一变量是能否使用 zg开启 zg 后Coding 场景SWE-QA-Bench20 任务LLM 评审得分 80.42 → 81.92输入 Token −47.3%工具调用 −58.6%耗时 −37.5%通用文本检索BrowseComp-Plus80 案例准确率持平90.0%输入 Token −41.7%工具调用 −37.3%在真实仓库pylint、matplotlib、django的架构理解类问题中混合检索的优势更明显——pylint 上输入 Token 节省 82.7%、工具调用节省 83.5%、耗时节省 75.7%且评审得分提升一句话总结其收益语义发现缩小搜索范围 → 排序好的词汇检索锚定精确位置 → 紧凑证据减少无谓的宽扫描和重复工具调用。让 AI Agent 自动使用一条命令接入这是 zvec-grep 最“面向未来”的能力通过本地 MCP 服务器Agent 会自己决定何时用zg查语义线索、何时用 ripgrep 查精确文本。zg --install # 交互式选择已检测到的 Agent zg --install --target codex --yes # 脚本化安装支持 Codex、Claude Code、Qwen Code、Cursor、GitHub Copilot、VS Code、OpenCode 等主流 Agent安装时只改本地配置文件。完整列表与配置路径见 docs/01-agents.mdMCP 工具与安全机制见 docs/03-mcp.md。Local-First数据到底去了哪里对隐私敏感的用户这是最关键的卖点工作区索引存放在项目内的.zvec-grep/全局配置与守护进程状态在~/.zvec-grep/扫描、索引、托管 ripgrep 与本地 Embedding 模型全部在本机执行本地服务器只监听 loopback 地址唯一可能把数据送出机器的路径是“远程 Embedding 提供商”且必须经过显式的一次性或工作区级授权信任边界细节见 docs/05-architecture.md。它适合谁日常开发者想在终端里“用一句话问代码库”不必先知道确切符号名AI Agent 重度用户让 Agent 少烧 Token、少盲扫检索证据更紧凑隐私敏感团队代码与索引不出本机无需部署向量数据库文档/知识库管理者不只检索代码Markdown、结构化数据同样可检索延伸阅读资料说明docs/02-cli.md完整的 CLI 搜索、索引与管理命令指南docs/04-pipeline.md索引范围、新鲜度维护与路由选择docs/06-server.mddirect 与 server 两种执行模式的选择docs/07-embedding.md按速度、质量与硬件挑选 Embedding 模型README.md项目总览、基准测试与社区入口总结如果你正在为“关键词搜索找不到语义结果、语义搜索又缺精确锚点”而烦恼zvec-grep 用 Local-First 的混合检索把 ripgrep、BM25 和向量搜索拧成了一股绳——一次安装、一次索引人和 Agent 共用同一个本地搜索层。【免费下载链接】zvec-grepLocal-first search across your workspace, built for humans and AI agents.项目地址: https://gitcode.com/gh_mirrors/zv/zvec-grep创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 为什么你需要zvec-grep：统一ripgrep、BM25与向量搜索的Local-First混合检索神器
为什么你需要zvec-grep统一ripgrep、BM25与向量搜索的Local-First混合检索神器【免费下载链接】zvec-grepLocal-first search across your workspace, built for humans and AI agents.项目地址: https://gitcode.com/gh_mirrors/zv/zvec-grepzvec-grep命令名zg是一个 Local-First 的本地混合检索工具它把ripgrep 精确匹配、BM25 关键词排序和向量语义搜索统一在同一个本地搜索层之下既能让你在终端里“用自然语言问代码库”也能让你的 AI Agent 自动调用它而且文件、索引和本地模型都保留在机器上。三种检索引擎为什么非要“统一”日常开发中我们其实同时需要三种搜索能力却往往要来回切换三个工具检索方式擅长场景传统痛点ripgrep已知确切文本、符号、正则不理解语义只能“精确匹配”BM25 / 全文检索关键词相关性与排序依赖倒排索引搭建向量搜索“按含义找”自然语言提问需要向量库 Embedding 服务部署重zvec-grep 的思路是一个索引三条检索路径一个入口。工作区经过一次zg index建立索引后存储在工作区/.zvec-grep/目录同一个zg命令既可以走“索引化检索”BM25 向量 RRF 融合排序也可以直接走“托管 ripgrep”做穷举式精确搜索详见 docs/05-architecture.md 的架构图与 docs/04-pipeline.md 的检索管线说明。核心检索编排逻辑位于 src/engine/pipeline/search/index.ts对外统一的服务层在 src/engine/service/zvec-grep.ts。快速上手三步完成首次本地混合检索 整个过程不到一分钟且默认使用本地 Embedding 模型不需要任何云端服务1️⃣ 安装需 Node.js 22npm install -g zvec/zvec-grep2️⃣ 在任意仓库根目录建立索引cd your-repository zg --index --embedding local/potion-code-16m-v23️⃣ 用自然语言提问zg where authentication is validated如果索引还不存在zg会自动用本地模型建一个再完成搜索。想要显式控制“关键词 语义”的组合可以用zg --hybrid font metrics pipeline --fts FontInfo --vector where do font glyphs come from --fuse更多搜索参数与过滤选项glob、文件类型、结果预览等见 docs/02-cli.md。实测效果更少 Token、更少工具调用答案更好在官方配对 A/B 基准测试中任务、模型、提示词与限流条件完全一致唯一变量是能否使用 zg开启 zg 后Coding 场景SWE-QA-Bench20 任务LLM 评审得分 80.42 → 81.92输入 Token −47.3%工具调用 −58.6%耗时 −37.5%通用文本检索BrowseComp-Plus80 案例准确率持平90.0%输入 Token −41.7%工具调用 −37.3%在真实仓库pylint、matplotlib、django的架构理解类问题中混合检索的优势更明显——pylint 上输入 Token 节省 82.7%、工具调用节省 83.5%、耗时节省 75.7%且评审得分提升一句话总结其收益语义发现缩小搜索范围 → 排序好的词汇检索锚定精确位置 → 紧凑证据减少无谓的宽扫描和重复工具调用。让 AI Agent 自动使用一条命令接入这是 zvec-grep 最“面向未来”的能力通过本地 MCP 服务器Agent 会自己决定何时用zg查语义线索、何时用 ripgrep 查精确文本。zg --install # 交互式选择已检测到的 Agent zg --install --target codex --yes # 脚本化安装支持 Codex、Claude Code、Qwen Code、Cursor、GitHub Copilot、VS Code、OpenCode 等主流 Agent安装时只改本地配置文件。完整列表与配置路径见 docs/01-agents.mdMCP 工具与安全机制见 docs/03-mcp.md。Local-First数据到底去了哪里对隐私敏感的用户这是最关键的卖点工作区索引存放在项目内的.zvec-grep/全局配置与守护进程状态在~/.zvec-grep/扫描、索引、托管 ripgrep 与本地 Embedding 模型全部在本机执行本地服务器只监听 loopback 地址唯一可能把数据送出机器的路径是“远程 Embedding 提供商”且必须经过显式的一次性或工作区级授权信任边界细节见 docs/05-architecture.md。它适合谁日常开发者想在终端里“用一句话问代码库”不必先知道确切符号名AI Agent 重度用户让 Agent 少烧 Token、少盲扫检索证据更紧凑隐私敏感团队代码与索引不出本机无需部署向量数据库文档/知识库管理者不只检索代码Markdown、结构化数据同样可检索延伸阅读资料说明docs/02-cli.md完整的 CLI 搜索、索引与管理命令指南docs/04-pipeline.md索引范围、新鲜度维护与路由选择docs/06-server.mddirect 与 server 两种执行模式的选择docs/07-embedding.md按速度、质量与硬件挑选 Embedding 模型README.md项目总览、基准测试与社区入口总结如果你正在为“关键词搜索找不到语义结果、语义搜索又缺精确锚点”而烦恼zvec-grep 用 Local-First 的混合检索把 ripgrep、BM25 和向量搜索拧成了一股绳——一次安装、一次索引人和 Agent 共用同一个本地搜索层。【免费下载链接】zvec-grepLocal-first search across your workspace, built for humans and AI agents.项目地址: https://gitcode.com/gh_mirrors/zv/zvec-grep创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考