zg开源：重新定义本地检索，让语义搜索落地终端

在软件开发与AI Agent的实际工作中，我们常常面临这样的困境：所需信息分散在大量本地文件中，却难以快速准确定位。传统的grep类工具虽然高效，但仅限于关键词精确匹配；面对“恢复主题偏好”或“访问权限申请流程”这类自然语言查询时，往往力不从心。这种从「明确符号」到「模糊意图」的查询转变，揭示了本地内容检索的核心挑战。

核心能力：三位一体的检索融合

为了解决这一痛点，一款名为zg的本地优先检索基础设施正式开源。该工具巧妙地将向量检索、BM25算法与经典ripgrep的能力融为一体，为开发者和AI Agent提供了从语义发现到精确验证的完整检索链路。

性能验证：效率提升的实证

zg的设计理念围绕三个关键维度展开： 首先，全流程检索覆盖。不同于单一的检索方案，zg整合了语义检索、BM25、混合检索与精确匹配四种能力，开发者可根据查询的明确程度选择最适合的检索方式——从模糊探索到精确验证，每个阶段都能获得恰到好处的支持。 其次，多格式内容理解。zg不仅能处理代码文件（C/C++、Go、Java、Python、Rust等），还支持Markdown文档、结构化数据（JSON、YAML、CSV等）以及纯文本。通过对不同内容类型采用差异化的提取策略，系统能够保留代码符号、文档层级与元数据，让检索结果更具可用性。 第三，上下文高效传递。zg对多路检索结果进行融合排序，按需提供预览信息，同时保留来源与位置标识。这意味着AI Agent能够更快获得任务所需的上下文，减少无关内容带来的Token消耗。

本地优先：隐私保护的硬约束

在性能测试中，zg展现出显著优势。在代码仓库问答任务SWE-QA-Bench上，工具调用减少超过50%，输入Token降低近50%，评审得分反而提升1.50分。在深度研究问答任务BrowseComp-Plus中，准确率从98.67%提升至99.00%，Agent耗时减少近40%。这些数据表明，语义检索并非以牺牲效率为代价，而是在提升检索质量的同时优化了资源消耗。

zg将本地处理设为默认模式。文件扫描、内容提取、Embedding生成与索引存储均在设备内完成，无需依赖外部云服务。内置的端侧Embedding模型（如potion-code-16m-v2）仅需约32MiB存储空间，在Apple M4 Pro上对包含3400余个文件的Django仓库完成索引仅需不到半分钟。对于有更高质量或多语言需求的场景，zg也支持按需切换至远程模型，但文本传输必须经过显式授权——数据流向始终由用户掌控。

如有侵权，请联系删除。