vecmem (Evil Null)

向量

 ](package.json)    

你的笔记成为AI的记忆

您的标记笔记分散在文件夹中。你知道答案是 *某处* 在那里，但在哪里？

向量 索引您的 .md 文件，并允许您（或您的AI助手）立即搜索它们——不仅按关键字，而且按含义。

问题

You: "How did we set up authentication?"
AI:  "I don't have access to your notes."

You: *manually searches 50 files*
You: *finds it 10 minutes later in docs/auth/oauth.md*

解决方案

vecmem index ./docs                        # One-time: index your notes
vecmem query "how did we set up auth?"     # Instant: finds it in 100ms

Found 5 results (87ms)

┌─ docs/auth/oauth.md ─── score: 0.94 ────────────┐
│ ## OAuth 2.0 Flow                                 │
│ Authentication uses OAuth 2.0 with PKCE.          │
│ The flow starts with a redirect to /auth/login... │
└───────────────────────────────────────────────────┘

发现 oauth.md 即使你搜索了“auth”——因为它理解含义，而不仅仅是单词。

安装

npm install -g vecmem

快速开始

vecmem init                              # Find all .md files in your project
vecmem index                             # Index them (takes a few seconds)
vecmem query "database schema"           # Search by meaning
vecmem status                            # See what's indexed

与AI助手合作

vecmem是一个 MCP服务器 --AI助手可以直接使用它：

Claude CLI --添加到 .mcp.json 在您的项目中：

{
  "mcpServers": {
    "vecmem": {
      "command": "vecmem",
      "args": ["--mcp"]
    }
  }
}

也与 光标, VS代码副本, 帆板运动，以及任何兼容MCP的客户端。

连接后，您的AI可以自动搜索您的笔记：

You: "What do we know about the deployment process?"
AI:  *searches vecmem* → finds 3 relevant notes → gives you the answer

运作原理

Your .md files
      │
      ▼
   vecmem index
      │
      ├── Reads and splits into sections (heading-aware)
      ├── Converts each section into a vector (meaning)
      └── Stores in local SQLite database

   vecmem query "..."
      │
      ├── Keyword search (exact matches)
      ├── Meaning search (similar concepts)
      └── Combines both → best results first

一切都在本地运行。 没有API密钥，没有云，没有数据离开您的机器。

所有命令

常见问题解答

这与grep有何不同？ grep可以找到精确的单词。vecmem查找相关概念。搜索“auth”，它会找到有关“登录”、“OAuth”、“会话管理”的文档。

它需要互联网连接吗？ 只需下载一次搜索模型（23 MB）。在那之后，一切都可以离线工作。

它有多快？ 在数百个文件中搜索大约需要100毫秒。索引过程约30个文件/秒。

它支持哪些文件？ Markdown(.md)仅限文件。它理解标题、代码块和frontmatter。

我的数据存储在哪里？ 在 ~/.vector/vector.db --您计算机上的单个文件。随时删除。

它适用于英语以外的语言吗？ 搜索模型在英语中效果最好。其他语言可能会降低基于意义的搜索的准确性，但关键字搜索适用于任何语言。

技术细节

For developers who want to know what's under the hood

建筑

.md files → Parser → Embedder → SQLite Store → Hybrid Search
                                    │
                              CLI ←─┤─→ MCP Server

• 解析器 --备注AST、标题感知组块、前体提取
• 嵌入器 --拥抱面变压器（全MiniLM-L6-v2，384昏暗，本地ONNX）
• 商店 --带WAL模式的SQLite、FTS5全文索引、原子事务
• 搜索 --BM25+余弦相似度+互易秩融合，分数归一化为\[0,1\]

工程

• 品牌类型(DocumentId, ChunkId, UnitScore)--编译时安全
• 在开发模式下每次写入后检查5个系统不变量
• 基于属性的快速检查测试（每个属性1000多个随机输入）
• CI中执行的绩效合同
• 优雅的降级——如果模型不可用，则退回关键字搜索
• 19个测试文件中的255个测试

堆栈

TypeScript 5.7+| Node.js 22+| SQLite（better squelite3）|拥抱人脸变换器|备注|命令| MCP SDK | zod | vitest+快速检查

许可证

麻省理工学院