搜索你自己的 PDF 答案附带来源引用。
对你的文档做语义搜索。
添加 PDF、提出问题，得到带引用的答案，全部在本地完成。
100% 私密
文档不离开你的设备。所有处理都在本地完成。
端侧嵌入
文本嵌入通过 Transformers.js 在本地生成。无 API 调用。
分块与检索
自动分块与向量相似度搜索，检索精确。
带引用的答案
答案标注来源段落，每个结论都可核查。
一个私有语料库，多篇文档
将多篇文档索引到同一个可搜索语料库——论文、合同和笔记并排检索。
PDF、DOCX、TXT 与 Markdown
除 PDF 外，Word 文档、纯文本和 Markdown 也在设备端完成提取与索引。
添加、索引、提问。
- 01
上传 PDF
拖入任意文本型 PDF。pdf.js 在浏览器中逐页提取文本。
- 02
本地建立索引
文本在设备上用 all-MiniLM-L6-v2 通过 WebGPU 分块与嵌入，然后存入内存向量库。
- 03
提问与检索
输入问题，匹配的段落按余弦相似度排序并立即显示。
文档 RAG 语义搜索详解
一款免费的检索工具，可完全在浏览器内为你自己的文档建立语义搜索索引。它不靠关键词匹配，而是按含义寻找段落——非常适合论文、合同、手册、会议纪要和长篇报告：答案明明就在材料堆里，你却不知道该搜哪个词的时候。
支持 PDF、DOCX、纯文本和 Markdown 文件，多篇文档可以共用一个可搜索语料库。无需账号、无需 API 密钥，也没有任何服务器能看到你的文件。
工作原理
每篇文档都在设备端解析：pdf.js 逐页读取 PDF 文本层，DOCX 在本地解包，文本和 Markdown 直接读取。文本被切成约 150 个英文词、重叠 30 词的分块（重叠保证上下文不会在边界处丢失），每个分块由 Xenova/all-MiniLM-L6-v2（一个通过 Transformers.js 运行的轻量 384 维句向量模型）生成嵌入。
嵌入保存在标签页的内存向量库中。提问时，你的问题由同一模型向量化，并与每个分块计算余弦相似度；得分最高的段落几秒内返回，每条都带来源文档、页码和匹配百分比。查询词会在段落内高亮，嵌入按每批 16 个分块计算，以保证大语料库下的响应速度。
一个语料库，多篇文档
你并不局限于单个 PDF。把合同、附件和自己的笔记一起加入，即可跨全部文档统一搜索：语料库面板列出每篇文档及其页数，可以移除单个来源（其分块会立即从索引消失），也可以一键新建语料库。随着语料库增长，文档数、页数、分块数和向量维度的统计始终可见。
结果数量由你掌控：想要聚焦答案选前 3 条，日常使用用默认的 5 条，在大语料库里全面排查相关内容时可以选 8–10 条。
WebGPU 与 WASM 回退
支持 WebGPU 的 Chrome 和 Edge 在 GPU 上生成嵌入，索引数百页文档几乎是即时的。Safari、Firefox 和较老的机器会回退到同一模型的 WebAssembly 版本——慢一些，但功能完全一致。嵌入模型（视后端而定约 25–90 MB）从开放模型仓库下载一次后由浏览器缓存，此后索引和搜索完全离线可用。
扫描版 PDF 与其他限制
检索依赖文本层，纯图片的扫描版 PDF 没有可索引内容——工具会检测到这种情况并引导你先使用 OCR 工具，识别出的文本即可像普通文档一样加入语料库。没有固定的文件大小上限，但内存索引随设备内存而变；如果超大语料库让浏览器吃紧，移除一篇文档即可立即释放其向量。
免费档与 Pro
免费档语料库可容纳 5 篇文档、每篇最多 150 页，搜索次数不限且无每日配额。Pro 将语料库提升到 20 篇文档、每篇 1,000 页。超出页数上限的文档会贡献其前面的页面，并明确告知跳过了多少页；两档均包含商用授权且无水印。
隐私
保密文档——保密协议、病历、未发表的研究——绝不会接触服务器。模型一次性下载之后，索引和搜索 100% 在本地进行，关闭标签页即彻底丢弃内存索引。文档内容不会被收集、记录或用于训练任何东西。