mykb

本地知识库搜索引擎 CLI，支持 BM25 全文搜索 + 向量语义搜索的混合检索。

特性

• Hybrid Search: BM25 全文 + 向量语义混合搜索
• 本地 Embedding: 使用 embeddinggemma-300m 本地生成 embedding，无需 API
• 多数据源: 目前支持 Obsidian vault，可扩展 Twitter、Telegram 等
• 增量索引: 基于内容 hash，只索引变化的文档
• 可插拔后端: 支持 Meilisearch 和 SeekDB

安装

# 基础安装（Meilisearch 后端）
pip install mykb

# 带 SeekDB 支持
pip install mykb[seekdb]

依赖

• Meilisearch 后端: 需要运行 Meilisearch 服务
• SeekDB 后端: 嵌入式模式无需外部服务（macOS 15+ / Linux）

快速开始

# 1. 配置 Meilisearch
mykb config set meilisearch.url http://localhost:7700

# 2. 添加 collection（Obsidian vault）
mykb collection add my-notes --path ~/Documents/Obsidian --source obsidian

# 3. 索引（含 embedding）
mykb index my-notes --embed

# 4. 搜索
mykb search "机器学习"          # BM25 全文
mykb vsearch "AI 技术趋势"      # 向量语义
mykb query "深度学习入门" --ratio 0.5  # 混合搜索

配置

配置文件: ~/.mykb/config.toml

[backend]
type = "meilisearch"  # 或 "seekdb"

[backend.meilisearch]
url = "http://localhost:7700"
api_key = ""

[backend.seekdb]
path = "~/.mykb/seekdb.db"  # 嵌入式模式
fulltext_analyzer = "ik"     # ik | space | ngram

[embedding]
model = "google/embeddinggemma-300m"
chunk_size = 800
chunk_overlap = 0.15

[collections.my-notes]
source = "obsidian"
path = "/path/to/vault"
mask = "**/*.md"
exclude = [".obsidian/**", ".trash/**"]

命令

后端对比

建议:

• 通用场景用 Meilisearch
• 纯向量搜索场景可考虑 SeekDB

开发

# 安装开发依赖
uv sync --all-extras

# 运行测试
uv run pytest

# Benchmark
uv run python scripts/benchmark_seekdb.py --backend meilisearch -n 1000

License

MIT