Jev Graph Search Vibe 项目

Jev Graph Search 是一款运行在终端的本地知识图谱搜索工具，专为 Obsidian 笔记库和 Logseq 笔记图谱设计。它能够帮助 AI 智能体从海量的本地 Markdown 文件中快速找到最相关的笔记片段，并在找到结果后附上原始出处，方便智能体回溯引用来源。整个过程在本地完成，数据不出本机，API 密钥也保存在独立的用户配置文件中，与笔记库完全隔离。

核心功能

Jev 语义重排序：与传统的关键词匹配搜索不同，Jev Graph Search 在初筛阶段使用关键词和链接关系生成候选列表后，会将候选标题、别名和内容摘要发送给 Jev（TypeSafe 发布的专用分类模型）进行语义重排序。在一个包含 8851 个节点的税务代码知识图谱上，这一重排序操作将 Top-5 来源召回率从 63.9% 提升至 81.8%，效果显著。

零运行时依赖的 CLI：工具本体没有外部运行时依赖，只需 Node.js 20 及以上版本即可运行。通过 npm 全局安装后，可直接调用 jev-graph-search 命令；也支持通过 npx 免安装运行。

多命令支持：除了核心的 search 搜索命令外，还提供 place（在已有图谱中建议新笔记应存放的位置）、audit（审计图谱结构，Jev 可提供语义建议）和 traverse（在 JSON 图谱快照中追踪页面间路径）等辅助命令，覆盖了从搜索到整理的完整工作流。

离线模式：在不配置 API 密钥的情况下，可使用 --offline 参数运行，此时工具仅执行本地词汇排序，适合在没有网络或不想调用外部模型时快速浏览结果。

JSON 图谱快照支持：除了直接扫描本地 Markdown 目录外，还支持导入预先导出的 JSON 格式图谱快照，便于处理复杂结构或分享图谱数据。

Agent Skill 集成：提供了可直接安装的 Agent Skill，告知智能体如何从本地 Markdown 图谱或 JSON 快照中检索证据、追踪链接并建议新笔记的存放位置。安装 Skill 不需要配置 API 密钥，也不会主动读取用户文件。

技术实现

Jev Graph Search 的搜索流程分为三个阶段。

第一阶段是关键词预筛选：工具首先对输入目录进行递归扫描，对每个 Markdown 文件提取标题、别名、标签和正文内容，建立本地索引。搜索时以关键词匹配为主，同时收集与查询词有链接关系的邻近页面，形成候选集合。

第二阶段是 Jev 重排序：将第一阶段得到的候选页面标题、别名和内容摘要，连同用户原始问题一起发送给 Jev 模型。Jev 是一款专用的分类模型，不是生成式大语言模型，它专注于判断不同选项相对于某个问题的相关概率，因此重排序速度快、成本低。

第三阶段是结果输出：重排序完成后，工具返回相关性最高的若干条结果，每条结果均包含原始笔记段落和对应的文件路径，智能体可据此准确引用信息出处。

快速上手

第一步，检查环境。确保已安装 Node.js 20 及以上版本，以及 Git（用于克隆示例仓库和安装 Skill）。

第二步，安装工具。通过 npm 全局安装 CLI：npm install --global jev-graph-search@0.2.2

第三步，配置 API 密钥。运行 jev-graph-search setup，按提示选择使用 TypeSafe 或 OpenRouter 作为 Jev 服务提供商，然后输入 API 密钥。密钥保存在用户个人配置目录中，与笔记库物理隔离。

第四步，执行搜索。指定笔记库路径和查询内容即可开始搜索：jev-graph-search search "为什么我们最终选择了这个数据库？" --input ./ObsidianVault

第五步，如需 Agent 集成，使用 Skill 安装命令：npx skills add Emlembow/jev-graph-search --skill jev-graph-search

适用人群

本工具适合以下用户：Obsidian 或 Logseq 重度用户，希望为本地笔记库引入 AI 辅助搜索能力；需要让 AI 智能体准确引用内部知识库而不产生幻觉的开发者；关注数据隐私、要求搜索过程完全离线的个人或团队；以及在笔记图谱上构建自动化工作流、需要进行结构审计和路径追踪的高级用户。