截图搜索：按图里的内容找截图，而不是按文件名翻

为什么截图总是找不到

人脑存的是内容，磁盘存的是像素，中间缺一层。你记得「上周那张报销单」「那个人发的会议室地址」「报错弹窗里的那串路径」，而文件系统能提供的检索维度只有文件名、修改时间和文件夹——三者跟你记住的东西全都对不上。于是找一张截图的实际流程变成了按时间倒着翻缩略图，翻到眼睛累了就放弃，重新去问一遍别人。

通用的图片管理工具在这件事上帮不上忙，因为它们索引的是拍摄参数、地理位置、人脸——那是照片的元数据，不是截图的内容。截图的信息量几乎百分之百在像素里的那些字上：金额、单号、路径、时间、姓名、网址。不把字读出来，任何检索都是在猜。

所以这一层要补的东西很具体：把每张截图里的文字提取出来存成可检索的文本，再补一条能表达「意思相近」的向量，然后让这两种找法同时生效。快咔就做了这一件事，做在你自己的机器上。

它到底把什么放进了索引

索引不是一个黑盒——下面这四样是全部内容，没有第五样：

• OCR 文本：截图落盘后在后台跑一次本地 PP-OCR 识别，长边超过 1600 像素的先缩到 1600 再认。存进去的不是一堆零散的行，而是过了版式还原的文本：从每一行的框算倾斜、聚成视觉行、按 em 归一的间隙定阈值，段落该断的地方断开。
• 二维码内容：OCR 只认字，图案本身读不出来，所以会另外解一次码。解出来的内容（多半是网址）连同「二维码」这三个字一起入库——这样你搜「二维码」能捞到所有带码的截图，搜码里那个域名也能直接命中。
• 网页正文（默认关闭）：截图上出现的网址往往只是入口，你真正要搜的是链接背后的内容。打开设置里的开关之后，系统会去抓那些网址的公开页面正文一起索引。这条路收得很紧：只认 http 和 https，单张截图最多抓 3 个网址，每个 10 秒超时，响应超过 3MB 直接丢弃，只接受 HTML 和纯文本类型，抓回来的正文截取前 4000 字。抓失败一律安静跳过，不影响这张图本身的索引。
• 一条 1024 维的语义向量：由本机的嵌入模型对上面那段文本算出来，以 Float32Array 的 base64 形式存盘，一条大约 5.5KB（直接写 JSON 数组要 20KB）。文本超过 1200 字的会分块算再取平均并归一化，比硬截断稳。

这些都可以自己核对：在图库里点开任意一张截图，预览工具条上有一个「索引内容」按钮，展开就是这张图真正被索引进去的那段文字，包括识别失败时的原因。搜索为什么找得到、为什么找不到，看一眼就明白，不用猜。

没有第五样的意思是：索引里没有你的账号，没有设备标识，也没有一份发到别处的副本。文件写在你自己的用户数据目录下。

关键词和语义两路一起找，命中来源写在卡片上

只做关键词，搜「报销」就找不到写着「差旅费用报账」的那张；只做语义，搜一个订单号或者一段异常路径又会飘。所以两路都做，然后融合。

关键词那一路：查询串直接是子串就满分命中；否则把查询和文本都切成词元——英文数字按连续片段、中文按二元组——算 Dice 系数。这条路不需要任何模型，装完就能用。语义那一路：把查询也编码成一条 1024 维向量，和每张截图的向量算余弦相似度。两路各自排好序之后按 RRF 融合，也就是按各自的名次算 1/(60+名次) 再求和——不需要把两种量纲不同的分数硬拉到一起比，这正是 RRF 的用处。两路都命中的那张自然排在最前面。

结果卡片上会直接标出这一张是被哪一路捞到的，还带一段命中位置前后的上下文片段，你不用点开就知道它为什么在这儿：

• 内容：关键词那一路捞到的。图里确实写着你敲的那几个字，或者字面很接近。
• 语义：只有向量那一路捞到的。图里没有你敲的字，但说的是同一件事——这类结果最容易让人「哦对，就是它」。
• 内容+语义：两路都捞到了。这种通常就是你要找的那张，排序上也会被顶到最前。

模型不随安装包发，装不装由你

两个模型加起来大约 1.1GB：待办提取用的 Qwen3.5 0.8B（Q4_K_M，约 508MB），语义检索用的 Qwen3-Embedding 0.6B（Q8_0，约 610MB）。把它们塞进安装包意味着每个只想截个图的人都要先下 1.1GB，这个取舍不合理，所以改成在设置页的「本地智能」里按需下载。

• 下载源默认 ModelScope（Qwen 官方托管、国内直连），另有 HF 镜像与 HuggingFace 官方两个备选。
• 断点续传：断了从断点接着下，不是从头再来。
• sha256 校验：文件下完按内容哈希核对，对不上一律当作没下过并删掉。半个 GGUF 在加载时报的错完全看不出是下载断了，这个坑不值得再踩一次。
• 离线导入：网络实在不行，可以在别的机器上下好再导进来，按文件大小和 sha256 自动识别是哪一个。
• 一个都不下也能正常用：截图、标注、钉图、长截图、取字全都不依赖这两个模型。

只缺嵌入模型的时候，图库搜索不会变成一个点了没反应的搜索框，而是自动退回纯关键词模式，并且在搜索栏下面明写着「关键词模式」——OCR 文本已经在索引里了，子串和二元组这条路本来就不需要模型。等模型下好，语义那一路自动接上，状态行会改成「语义检索已启用」。

搜不到的情况，我们直说

• 只搜已索引的。图库顶上直接写着「已索引 N/M」，N 小于 M 就说明后台还在识别。刚截的图要等它认完才搜得到，图库卡片上的文字会陆续出现，那就是进度。
• 只有落盘的截图才有索引。按 Enter 只进剪贴板、Ctrl+Shift+T 直接转文字这两条路都不出图，自然也不进索引。
• 图里没有字就搜不到。这是内容索引，不是图像识别——它不认识猫，也不认识某个人的脸，只认得出画面里的文字和二维码。
• 语义那一路的天花板由 0.6B 的嵌入模型决定。它能把「报销」和「报账」连起来，但别指望它做多跳推理。搜不准的时候换一个更接近图里原话的说法，命中率会立刻上去。
• 识别本身也有边界：截图上字太小、艺术字、竖排、严重倾斜，都会让 OCR 少认几行，索引里就少那几行。
• 索引和图库记录不是一回事。图库记录被裁掉、但原图文件还在磁盘上的老截图，照样搜得出来——这正是内容索引存在的价值。反过来，文件真被删掉了，对应的索引条目会在下次启动时清掉。

搜索相关的操作

搜索这条链路上你会用到的入口一共就这几个，都在图库和设置里：

旧截图不用你手动操心：启动 20 秒后系统会把图库里还没有索引的条目排进队列，从最早的开始补。20 秒这个延迟是有意的——启动那会儿要让位给你可能马上就按的截图快捷键。

常见问题

搜索会把我的截图传到云端吗？

不会。识别、向量、检索全部在你本机完成，索引文件写在你自己的用户数据目录下。软件一共只有三处网络请求：启动 5 秒后 GET 一次版本号（不带任何你的信息）、你点「下载模型」的时候、以及你自己打开「网址内容纳入搜索」之后去抓截图里那个网址的公开页面。后两条都可以不开。

不下载模型能不能搜？

能，退回关键词模式。OCR 文本在没有大模型的情况下也照常入索引，子串命中和中文二元组 Dice 这条路完全不需要模型。缺的只是「意思相近但用词不同」那一类召回，界面上会明写「关键词模式」，不会假装还有语义搜索。

以前截的图能搜吗？

能。启动 20 秒后会惰性回填图库里所有还没索引的截图，最早的先做，你不用做任何操作。想立刻全部重来，图库里有「重建索引」。

后台识别会不会拖慢截图？

有三道闸专门防这件事：后台任务出队前先查有没有正在进行的截图会话，有就等；截图会话一启动就中止在飞的那次生成；两个模型各自闲置 10 分钟就整体卸载。原则是 AI 不许让截图变慢。

索引会占多大空间？

很小。一张截图的向量约 5.5KB，加上那段 OCR 文本，一千张截图的索引通常在几兆到十几兆之间。真正占空间的一直是截图本身。

能搜二维码里的内容吗？

能。二维码会被单独解一次码，解出来的内容连同「二维码」这个词一起进索引，所以搜「二维码」能列出所有带码的截图，搜码里的域名也能直接命中那一张。

继续看