QMD

QMD je lokální search engine pro markdownové dokumenty, poznámky, meeting notes a knowledge base. Podle README kombinuje BM25 fulltext, vektorové vyhledávání a LLM re-ranking, přitom běží on-device nad lokálními soubory. Dobře zapadá například jako doplněk k patternu LLM Wiki, kde může sloužit jako vyhledávací vrstva nad rostoucí wiki.

QMD není samotná knowledge base ani agent memory platforma. Je to nástroj pro indexaci a prohledávání dokumentů, které už někde máš – typicky markdown, dokumentaci, zápisky nebo interní wiki. Hlavní hodnota je v tom, že nad těmito soubory umí dělat jak rychlé keyword search, tak i sémantické hledání a následný re-ranking výsledků.

README ho popisuje jako „Query Markup Documents“ a cílí hlavně na agentic workflows, kde agent potřebuje rychle:

• najít relevantní soubory
• získat jejich cestu nebo docid
• stáhnout konkrétní dokument
• omezit hledání jen na vybranou kolekci

Podle dokumentace používá QMD hybridní pipeline:

• BM25 / FTS5 pro klasické fulltextové hledání
• vector search pro sémantickou podobnost
• query expansion pro rozšíření dotazu
• LLM re-ranking pro přesnější finální pořadí výsledků

V README je architektura popsaná jako kombinace více retrieval kroků, které se spojují přes RRF (Reciprocal Rank Fusion) a následně se přerovnají pomocí lokálního rerankeru. Prakticky je důležité hlavně to, že nejde jen o jednoduché grepování souborů.

QMD umí pracovat jak přes CLI, tak přes MCP server. V praxi nabízí hlavně:

• správu kolekcí nad adresáři se soubory
• indexaci markdownu a dalších textových zdrojů
• ukládání kontextu k adresářům a cestám
• vyhledávání v režimech search, vsearch a query
• načítání jednoho nebo více dokumentů přes get a multi-get
• JSON nebo file-oriented výstup vhodný pro agenty
• MCP server pro přímé napojení do LLM klientů

Pro větší bázi je důležité i to, že QMD nevrací jen seznam výsledků, ale umí dodat i snippet, skóre, docid a kontext. Agent tak může udělat dvoukrokový workflow: nejdřív hledat, potom stáhnout konkrétní dokumenty.

QMD běží lokálně a podle README využívá node-llama-cpp a GGUF modely pro embeddingy, reranking a query expansion. To je důležitý rozdíl oproti cloudovým službám – obsah dokumentů nemusí odcházet mimo lokální stroj.

README uvádí tři hlavní lokální modelové role:

• embedding model
• reranker
• model pro query expansion

Výhodou je soukromí a přímý běh nad lokálními soubory. Nevýhodou jsou vyšší nároky na lokální prostředí a nutnost počítat s tím, že pokročilejší kvalita retrievalu něco stojí i výpočetně.

QMD dává smysl hlavně v těchto situacích:

• máš větší markdownovou knowledge base
• agent nad ní potřebuje opakovaně hledat
• nechceš pokaždé ručně procházet index nebo adresáře
• chceš lokální, souborově orientovaný search bez nutnosti stavět vlastní retrieval stack
• potřebuješ rychle připojit vyhledávání do Claude Code, MCP klienta nebo jiného agentního workflow

Typický use-case je právě větší osobní nebo týmová wiki, kde samotná struktura souborů a ruční index přestávají stačit, ale pořád chceš zůstat u lokálního markdownového workflow.

Tady je dobré rozlišit pattern a nástroj.

LLM Wiki je způsob práce s knowledge base. Řeší, jak se zdroje průběžně kompilují do wiki, jak vznikají syntézy, jak se udržují vztahy mezi stránkami a jak se dělá linting.

QMD oproti tomu řeší hlavně retrieval nad již existujícími soubory. Jinými slovy:

• LLM Wiki = pattern pro průběžně udržovanou znalostní vrstvu
• QMD = search vrstva nad markdownem a dokumenty

Nejsou to konkurenti. QMD může být praktický stavební blok uvnitř workflow LLM Wiki.

README uvádí například tento rychlý start:

# instalace
npm install -g @tobilu/qmd
 
# přidání kolekce
qmd collection add ~/notes --name notes
 
# vytvoření embeddingů
qmd embed
 
# fulltext search
qmd search "project timeline"
 
# semantické vyhledávání
qmd vsearch "how to deploy"
 
# hybridní query
qmd query "quarterly planning process"

Pokud se má QMD používat přímo z agenta, dává smysl i MCP server:

qmd mcp

README uvádí také HTTP variantu MCP serveru pro sdílený běh bez opakovaného načítání modelů.

• QMD není náhrada za kvalitní strukturu knowledge base
• výsledky budou jen tak dobré, jak dobré jsou indexované dokumenty a kontext
• lokální modely zvyšují nároky na runtime prostředí
• hybridní retrieval je užitečný, ale pořád neřeší sám o sobě syntézu, konsolidaci a údržbu wiki

Jinými slovy: QMD dobře řeší hledání, ale neřeší za tebe znalostní architekturu.

QMD má smysl zvažovat ve chvíli, kdy už máš větší množství markdownu a agent nad ním dělá opakované dotazy. Pokud máš jen malou sadu souborů, může stačit obyčejný filesystem a jednoduché fulltextové nástroje. Jakmile ale knowledge base roste, QMD dává smysl jako hotová lokální retrieval vrstva.

• tobi/qmd – GitHub
• Karpathy – LLM Wiki gist
• Marigold.cz – Karpathy přišel na to, jak používat AI jinak. A má pravdu.