DigUp 实测：用多模态嵌入做 macOS 全盘语义搜索

2125 stars · MIT · Swift · 端侧语义检索（EmbeddingGemma 2）

它解决什么问题

传统文件搜索匹配文件名和路径 。但用户想找的东西往往定义在内容里------"那段提到数据合规的录音"，文件名和路径都不含这个信息。

DigUp 用嵌入模型建立语义索引：把图片、PDF、文档、录音、视频映射到同一语义空间，用自然语言查询定位到文件、页面、时间点或代码行。

技术底座是 Google DeepMind 的 EmbeddingGemma 2 （多模态嵌入），索引全部在本机完成。

检索粒度

文件类型	定位粒度
视频 / 录音	跳到对应时间点
PDF	在 Preview 中定位到关键词所在页
代码	在编辑器中跳到对应行
图片 / 文档	匹配语义内容

安装与使用

brew install --cask arahim3/tap/digup

或从 Releases 下载 DMG。

首次启动流程：

1. 下载模型（865 MB，仅一次）
2. 选择需索引的文件夹（支持整目录或部分子目录）
3. 等待首次索引（数百文件约几分钟；大型 Downloads 目录可能约一小时）
4. 之后按 ⇧⌘Space 唤出检索框，输入自然语言描述

环境要求

• macOS 14+（作者称在 macOS 26 上验证）
• Apple Silicon（M 系列），Intel Mac 不支持
• 无需额外运行时；模型由应用自动下载
• 模型下载 865 MB，国内网络建议自备加速手段

适用与不适用

适合：

• 需要跨模态检索个人文件的 macOS 用户（图片、录音、PDF、代码混在一起）
• 想直观理解"语义检索 vs 关键词检索"差异的开发者
• 需要向非技术方演示向量检索价值的场景

不适合：

• 企业级知识库（无权限、多用户、审计机制）
• Intel Mac / Windows / Linux
• 追求即时可用（首次索引耗时较长）

工程视角的价值

这个项目把 RAG 的检索层原理做成了可触摸的桌面应用：嵌入 → 语义空间 → 自然语言查询。对企业知识库"检索不准"的典型问题，它提供了一个直观的对照实验------同一个问题，关键词检索与语义检索的结果差异一目了然。

项目地址：https://github.com/ARahim3/DigUp