DigUp：用一句话搜遍 Mac 里的图片、PDF、录音与视频——Google DeepMind 多模态模型跑在你自己的电脑上

如果你在 Mac 上找过东西，多半经历过这种拉扯：文件明明就在硬盘里，Spotlight 却死活搜不出来——因为它只会匹配文件名、文件里的文字和元数据。你记得的是「那张狗在沙滩上的照片」「播客里聊睡眠的那一段」，可这些内容，文件名里一个词都没有。

今天 GitHub Trending 上冒出来一个 1000 多星的新项目，专门解决这件事：DigUp。它的口号很直白——「Describe it. Dig it up.」（描述它，就把它挖出来）。你用自己的话描述想找什么，它把匹配的那张图、那一页 PDF、那一段录音、那一帧视频直接端到你面前，而且全部在你自己的 Mac 上完成，一个字节都不上传。

一个能「看懂内容」的本地搜索

DigUp 的技术底座是 Google DeepMind 在 2026 年 10 月发布的 EmbeddingGemma 2。这是一个多模态嵌入模型，把文字、图像、音频和视频塞进同一个「语义空间」里。它的效果可以这样理解：一张「狗在沙滩上」的照片，和「a dog on the beach」这句话，向量距离会非常近；一段有人聊睡眠的录音，会离「哪里在聊睡眠」很近。模型支持 100 多种语言，开源（Apache 2.0），参数量 7.4 亿——小到能舒服地跑在笔记本上。

DigUp 做的事，就是把这种能力套到你的本地文件上。你选定要搜索的文件夹，它把里面的图片、PDF、文档、录音、视频全部读一遍并建好索引；之后你随时描述一句，它就能找到对应的文件，并直接跳到那一页或那一刻。

它能「挖」出什么？

项目 README 里列了几组很实操的搜索例子，基本勾勒出了它的能力边界：

• 「视频里的斑马」——打开片段，直接定位到斑马出现的那一秒；
• 「哪里在聊睡眠」——跳到播客对应的那一分钟；
• 「租约里关于宠物的条款」——显示 PDF 的具体页，并把命中文字标出来；
• 「沙滩上的狗」找到照片，「payment declined error」找到那张报错截图；
• 跨语言检索：用英文搜，能找到用孟加拉语、阿拉伯语或模型支持的 100 多种语言写的笔记，反过来也一样；
• 「code: retry a failed call with backoff」——如果开启代码搜索，能直接找到项目里那个函数。

值得注意的是，它并不只做「模糊的语义匹配」。精确的词同样会被认真对待：发票号、错误码、人名会按字面匹配——无论是出现在文件名、文档正文，还是截图里的文字。这意味着一条搜索能同时兼顾「意思」和「字面」，这在纯向量检索里其实是个难点。

它是怎么做到的

README 里给了一张数据流图，把整条管线讲得很清楚。我把它整理成一张表：

阶段	做的事
读取	用 ImageIO、PDFKit、AVFoundation 读取文件，截图里的文字交给 Apple Vision 做 OCR
嵌入	EmbeddingGemma 2 跑在 llama.cpp（Metal）上，放在一个用完即退的辅助进程里
存储	落进一个 SQLite 文件：每张图、每页 PDF、每段文字、每帧视频、每 30 秒声音各对应一个向量，外加倒排关键词索引（代码搜索再单独一个）
查询	用同一个模型的文本部分（约 250 MB，仅搜索时加载）编码你的话，再做最近向量 + 精确词匹配

关键点在于：所有向量都在同一个 768 维空间里。正因如此，一次查询才能把「一帧视频」和「一页 PDF」放在一起排序——它们本来就是同一种东西的不同表现。搜索时，你的话在毫秒级被编码，然后和索引里的全部向量比对；精确词命中会获得加权提升，毕竟没有任何嵌入能精确地记住一个发票号。

长音频和长视频怎么「挖」

处理时间维度是这类工具最容易翻车的地方，DigUp 的做法比较务实：

• 音频：模型一次只能「听」30 秒，于是 DigUp 用首尾重叠的 30 秒窗口切分，命中能精确指到某一刻；
• 视频：每隔几秒取一帧、每个镜头取一帧，音轨按音频同样处理；
• 长 PDF / 长文档：先出前 30 页，其余在后台补齐（单个文件上限 5000 页）。

代价是首次全量索引会有点重：几百个文件几分钟，一个塞满东西的「下载」文件夹可能要一小时。但这是一次性的，之后新文件落地一两秒就能被搜到，而且默认在电池供电时也照跑（可以设置成只在充电时跑），低电量模式下会自动暂停。

隐私：把「不上传」写进架构里

这个项目在隐私上的表态很硬：你索引的内容一个字节都不离开 Mac。它只在两种情况下联网——首次下载模型（一次），以及每天检查一次更新。更新检查不发送任何关于你文件的信息，而且可以关掉。没有账号，没有遥测。

它在读取范围上也做了明确约束：只读你选定的文件夹；在代码目录里只读源码和笔记本（不含输出），会跳过 git 忽略的内容、第三方与生成代码、数据文件，以及任何看起来像密钥或密码的东西；~/.ssh 这类隐藏目录、应用包、缓存一律不碰；不会下载只存在于 iCloud 云端、本地没有实体的文件。它只读你的文件，永不修改、移动或上传。

上手与体验细节

安装方式很 Mac：从 Releases 下 DMG 拖进「应用程序」，或者用 Homebrew：

brew install --cask arahim3/tap/digup

它常驻菜单栏，可以用一个全局快捷键在任何 App 里唤起搜索面板（默认 ⇧⌘Space，可在设置里改）。结果列表里，↩ 打开结果（视频/录音跳到那一刻，PDF 在「预览」里带词搜索，代码在编辑器里跳到那一行），Space 是 Quick Look，⌘O 则是在更大的窗口里看图片网格加筛选。

它需要 Apple Silicon 的 Mac 和 macOS 14 或更高（测试环境是 macOS 26）。想自己编译的话，源码在 GitHub 上：

git clone https://github.com/ARahim3/DigUp && cd DigUp
scripts/build-llama.sh            # 按固定 tag 编译 llama.cpp，带一处小补丁
swift build -c release && swift test
./build.sh                        # 生成 build.noindex/DigUp.app

它和 Spotlight 是什么关系

README 里有一句回答很干脆：Spotlight 靠文件名、文字和元数据找文件；DigUp 则额外靠「内容展示或讲述了什么」来找，并把你带到那一页、那一刻。两者并不冲突，可以并排一起用——你既可以用 Spotlight 精确找文件名，也可以用 DigUp 描述着找「那件事」。

说到底，DigUp 有意思的地方不在于它用了多大的模型，而在于它把一个「云端大厂才能做的事」——跨模态、跨语言的语义检索——压缩进了一台笔记本的本地进程里，还顺手解决了精确词匹配、时间维度定位和隐私边界这些落地时最扎手的细节。项目在 GitHub 上开源，MIT 许可证，值得在你自己的文件堆里试一把。

项目地址：github.com/ARahim3/DigUp
模型：google/embeddinggemma-2 · 底层框架：llama.cpp