Panduan Lengkap Enjin Carian QMD (Quick Markdown Search)

Persekitaran: Linux WSL2 (Ubuntu 24.04 / Node.js 22+) Klasifikasi: Sistem Carian Tempatan Berdaulat (Sovereign On-Device Search) Lokasi Indeks: ~/.cache/qmd/index.sqlite (SQLite + FTS5 + sqlite-vec) Model AI Tempatan: embeddinggemma-300M (Vektor), Qwen3-Reranker-0.6B (Penyusunan Semula), QMD Query Expansion 1.7B (Pengembangan Pertanyaan)

1. Pengenalan & Ciri Utama QMD

QMD (Quick Markdown Search) ialah enjin carian hibrid tempatan (on-device hybrid search engine) yang direka khas untuk fail Markdown dan kod sumber. Ia menggabungkan: 1. Carian Leksikal (BM25): Padanan kata kunci pantas tanpa memerlukan GPU/LLM (qmd search). 2. Carian Semantik Vektor: Carian konsep berasaskan makna teks menggunakan model benaman padat GGUF (qmd vsearch). 3. Carian Hibrid + Reranking (Disyorkan): Menggabungkan skor leksikal dan vektor dengan Reciprocal Rank Fusion (RRF) serta penarafan semula menggunakan model reranker (qmd query). 4. Integrasi MCP (Model Context Protocol): Menyediakan antara muka protokol standard untuk ejen AI (Antigravity, Cursor, Claude Code) mencari dan membaca dokumen tanpa membaca keseluruhan fail.

2. Pemasangan & Persediaan Awal (Installation)

A. Keperluan Sistem

Node.js versi 22 atau ke atas (node -v).
Direktori npm global tanpa hak akses root (~/.npm-global).
Pakej kompilasi sistem (pilihan, jika sqlite-vec memerlukan binaan tempatan): build-essential.

B. Langkah Pemasangan Melalui NPM

# 1. Konfigurasi direktori npm global pengguna (elakkan sudo)
mkdir -p ~/.npm-global
npm config set prefix '~/.npm-global'

# 2. Masukkan ke dalam PATH (~/.bashrc)
export PATH="$HOME/.npm-global/bin:$PATH"

# 3. Pasang pakej qmd secara global
npm install -g @tobilu/qmd

# 4. Sahkan pemasangan
qmd --help

C. Muat Turun Model AI Tempatan (GGUF)

QMD menggunakan model tempatan bersaiz padat yang disimpan dalam format GGUF:

qmd pull

Model yang dimuat turun merangkumi: - embeddinggemma-300M-GGUF (Penjanaan vektor benaman) - Qwen3-Reranker-0.6B-Q8_0-GGUF (Penarafan semula ketepatan carian) - qmd-query-expansion-1.7B-gguf (Pengembangan semantik pertanyaan)

3. Seni Bina Berbilang Projek (Multi-Project Separation)

Bagi mengelakkan kekeliruan hasil carian (cross-project clutter), setiap projek diasingkan menggunakan koleksi tersendiri (project-scoped collections):

                     ~/.cache/qmd/index.sqlite
                                │
        ┌───────────────────────┼───────────────────────┐
        ▼                       ▼                       ▼
  [ oss-docs ]            [ cbc-mcmc-docs ]       [ aws-php-docs ]
  qmd://oss-docs/         qmd://cbc-mcmc-docs/    qmd://aws-php-docs/
  (Projek Ini)            (Projek CBC MCMC)       (Projek AWS PHP)
        │                       │                       │
        ▼                       ▼                       ▼
  [ oss-agents ]          [ cbc-mcmc-agents ]     [ aws-php-agents ]
  qmd://oss-agents/       qmd://cbc-mcmc-agents/  qmd://aws-php-agents/

A. Mendaftarkan Koleksi Projek

Setiap direktori didaftarkan dengan nama unik:

# Contoh mendaftarkan dokumentasi dan ejen projek:
qmd collection add /path/to/project/docs --name oss-docs
qmd collection add /path/to/project/.agents --name oss-agents

# Tambah ringkasan konteks manusia (Context Summary)
qmd context add qmd://oss-docs/ "Dokumentasi teknikal, panduan tadbir urus kedaulatan, tutorial, dan senarai arkib"
qmd context add qmd://oss-agents/ "Perlembagaan ejen AI, memori spatial istana, senarai tugas, dan kemahiran khusus"

B. Memeriksa Status Koleksi

# Senarai ringkas koleksi
qmd collection list

# Status kesihatan indeks dan jumlah fail/vektor
qmd status

4. Pengindeksan Bertahap & Efisien (Incremental Indexing)

QMD menggunakan semakan cap masa (mtime) dan cincangan SHA-256 bagi setiap dokumen: - Fail yang tidak berubah TIDAK AKAN diindeks semula dan TIDAK AKAN dijana semula vektornya. - Hanya fail yang baru ditambah atau diubah suai sahaja yang diproses.

A. Arahan Pengindeksan Harian / Manual:

# 1. Imbas fail baru, ubah suai, atau padam merentas semua koleksi (sangat pantas, ~1-2 saat):
qmd update

# 2. Jana vektor untuk blok teks (chunks) baharu sahaja:
qmd embed

# 3. (Pilihan) Bersihkan vektor yatim daripada fail yang telah dipadam:
qmd cleanup

5. Automasi Berkala (Hourly Cron Sync di WSL2)

Bagi memastikan dokumen sentiasa terindeks secara automatik tanpa memerlukan arahan manual, skrip automasi dan entri crontab telah disediakan:

A. Lokasi Skrip Automasi (`~/.local/bin/qmd-sync-hourly.sh`)

#!/usr/bin/env bash
set -euo pipefail

export PATH="$HOME/.npm-global/bin:$HOME/.local/bin:/usr/local/bin:/usr/bin:/bin:$PATH"
LOG_FILE="$HOME/.local/var/log/qmd-sync.log"

mkdir -p "$HOME/.local/var/log"
echo "[$(date '+%Y-%m-%d %H:%M:%S')] === Starting QMD incremental update ===" >> "$LOG_FILE"
if command -v qmd >/dev/null 2>&1; then
    qmd update >> "$LOG_FILE" 2>&1 || true
    qmd embed >> "$LOG_FILE" 2>&1 || true
fi
echo "[$(date '+%Y-%m-%d %H:%M:%S')] === QMD incremental update completed ===" >> "$LOG_FILE"

B. Konfigurasi Crontab

Dijalankan pada minit ke-0 setiap jam:

0 * * * * /home/$USER/.local/bin/qmd-sync-hourly.sh

6. Kaedah Penggunaan & Carian (Usage Workflows)

A. Carian Khusus Projek (Scoped Search secara Lalai untuk Optimasi Latensi)

Gunakan bendera -c <koleksi> secara lalai dalam skrip carian tempatan untuk meminimumkan latensi query FTS5 SQLite dan mengelakkan carian bersilang projek:

# 1. Carian Hibrid (Gabungan kata kunci + makna + penarafan semula):
qmd query "gitea podman setup postgresql" -c oss-docs

# 2. Carian Kata Kunci Pantas (BM25 - tiada beban CPU):
qmd search "container-postgresql-1.service" -c oss-docs

# 3. Carian Semantik Murni:
qmd vsearch "bagaimana memulihkan pangkalan data selepas reboot" -c oss-docs

B. Carian Merentas Semua Projek (Global Search)

Apabila mencari corak yang pernah dibuat dalam mana-mana projek:

qmd query "weasyprint pure white css"

C. Mengambil & Membaca Kandungan Dokumen

# Baca dokumen dengan nombor baris
qmd get qmd://oss-docs/how-to/GITEA-POSTGRESQL-PODMAN-SETUP.md

# Baca baris tertentu (contoh: baris 10 hingga 30)
qmd get qmd://oss-docs/how-to/GITEA-POSTGRESQL-PODMAN-SETUP.md:10:21

7. Integrasi Ejen AI Melalui FastMCP (`tools/mcp/server.py` & `mcp_config.json`)

QMD boleh disepadukan dengan ejen AI (Cursor / Claude / Gemini) melalui dua kaedah:

A. Integrasi Alatan FastMCP Terus (`tools/mcp/server.py`)

Pelayan DSOM FastMCP menyepadukan alatan qmd_search secara terbina bagi carian hibrid tempatan (perlu diperhatikan bahawa pengasingan skop koleksi tidak dibuat secara automatik dan pemanggil perlu menyerahkan parameter koleksi aktif, contohnya collection="oss-docs"):

# Dipanggil menerusi FastMCP server di tools/mcp/server.py
qmd_search(query="gitea podman setup", collection="oss-docs", mode="query", limit=5)

B. Konfigurasi Pelayan Stdio MCP Standalone

QMD menyokong Model Context Protocol (MCP) secara terbina dalam melalui arahan qmd mcp (stdio transport).

Konfigurasi Ejen Antigravity (`~/.gemini/config/mcp_config.json`):

{
  "mcpServers": {
    "qmd": {
      "command": "$(command -v qmd || echo '$HOME/.npm-global/bin/qmd')",
      "args": ["mcp"]
    }
  }
}

Alatan yang disediakan kepada ejen AI: - query: Carian hibrid dengan hujah query dan collection. - get: Membaca dokumen atau julat baris dokumen. - multi_get: Mengambil banyak dokumen serentak menggunakan corak glob. - status: Memeriksa integriti pangkalan data dan senarai koleksi berdaftar.

Deep State of Mind (DSOM) For My AI Protocol | Harisfazillah Jamel (LinuxMalaysia) | 2026-10-11 Standard: UK English | DBP-standard Bahasa Melayu Malaysia (Piawai) | GNU General Public License v3.0