别急着跟风:DigUp 才4天,我为什么劝你再等等
别急着跟风:DigUp 才4天,我为什么劝你再等等
2026 年 10 月上旬,一个名为 DigUp 的 macOS 本地搜索应用开始在开发者圈子里刷屏:不靠文件名、不靠 Spotlight 的元数据,而是用 Google DeepMind 新发布的 EmbeddingGemma 2 模型,"听懂人话"地在你的照片、PDF、录音、视频甚至代码里找东西,全程离线。听起来确实是那种"看一眼就想装"的工具。
但冷静下来翻仓库,你会发现一个被热度掩盖的事实:它的首个公开版本 0.6.0 发布于 2026 年 10 月 9 日,距今不过 4 天。这篇文章不否认 DigUp 的工程价值,而是要基于仓库源码与全网情报,讲清楚"为什么现在上车大概率要交学费,以及什么信号出现时再动手不迟"。
先搞清楚:DigUp 到底是什么
在讨论"要不要上车"之前,先精确界定目标。DigUp 是一个菜单栏常驻的 macOS 应用(Apple Silicon、macOS 14+),核心能力是"按内容语义搜索":
- 把图片、PDF 扫描件、文档、录音、视频统统向量化,查询时用自然语言描述,跨模态排序——一个向量空间里同时躺着视频帧、PDF 页面和 30 秒的音频片段;
- 精确词同样有效:发票号、错误码、人名按原文匹配,截图里的文字也走 Apple Vision OCR;
- 跨语言:用英文查孟加拉语、阿拉伯语写下的笔记,模型号称支持 100+ 语言;
- 全程本地:README 明确写着"只读不传",联网仅用于下载模型与每日一次更新检查,无账号、无遥测。
从工程实现看,这套系统确实有扎实的地方:混合检索(向量 + FTS5 关键词)在 Searcher.swift 中把模型余弦相似度按每次查询单独归一化,配合 z-score 阈值过滤噪声;向量以 768 维 fp16 存储在单个 SQLite 文件里(Vectors.swift 中一行注释写得很直白:"~20k 向量、~30 MB,内存暴力搜索只需几毫秒,不需要向量数据库");模型推理走 llama.cpp 的 Metal 路径,以独立 helper 进程运行、用完即退。代码搜索(code: 前缀)单独建索引,支持按函数意图检索并定位到编辑器中的具体行。
这些都不是问题。问题是:越年轻的工程,越容易把"正确性正在演化"当成"已经稳定"。以下三个理由都来自仓库里白纸黑字的代码与配置。
理由一:早期"接口"不稳——你的索引随时可能被整体作废
DigUp 最大的隐性成本不在 865 MB 的模型下载,而在索引的"有效期"。翻 IndexStore.swift 能看到 schemaVersion = 5,以及一串从 0→1、1→2、1→3、1→4 的强制迁移逻辑,注释写得很诚实:
"Schema changes ship as one migration each... every forced migration is paid for by every user."
注意"paid for by every user"——这不是理论风险,而是作者自己在设计时就默认了"迁移会发生"。再看 Model.swift 中的 IndexOptions.fingerprint:任何改变向量的设置(视觉 token 预算、音频窗口、代码分段长度……)都会被编码进指纹,"一个索引绝不混用设置"。而 Indexer.swift 里的 fingerprintMismatch 错误会直接让你 --reindex:
"this index was built with different settings or model... re-run with --reindex (vectors from different settings can't be compared)"
最要命的是模型侧。DigUp 用 ggml-org 的 GGUF 转换跑 EmbeddingGemma 2,LlamaEmbedder.swift 里定义了 vectorVersion = 1,配套注释是:
"every llama.cpp update must reproduce the reference vectors, or come with a new version here (then every index embeds again)"
也就是说,上游 llama.cpp 每次更新都可能触发"索引全量重建"。而 DigUp 内置 Sparkle 自动更新(Updates.swift,每日一次检查,可在设置里关闭),意味着只要新版本带来新模型或新向量管线,你的几十万条向量就得全部重新生成。再加上 ModelFiles.swift 中一个只有内行才看得懂的坑:"Never the F16 files: the model's activations overflow float16"——模型激活值会溢出 float16,必须用 Q8_0 量化版本。这种"刚发布就被发现坑、随即修订"的状态,正是 4 天龄项目的典型特征。
换句话说:现在入手,你大概率要在未来几周内经历"一次或多次全量重建"。首次建索引本身就不便宜(README 承认几百个文件要几分钟、大 Downloads 文件夹可能要一小时;索引整个 llama.cpp 源码要 20 分钟、130 MB),重建的成本不是磁盘,而是你 Mac 的静默发热与等待。
理由二:社区与文档正处于真空期
判断一个项目是否适合早期采纳,除了代码还要看"出问题时有没有人帮你"。我对照了全网社区情报快照:在 CSDN、掘金、头条、Bing、Google 上以"DigUp 开源项目"等关键词检索,没有一篇与 DigUp 直接相关的实质性技术文章或讨论——CSDN 命中的全是 PHP/jQuery 实现"顶一下踩一下"的投票插件教程,掘金命中的是 Rollup 打包、DNS 原理、向量数据库科普,与 DigUp 毫无关系。
这说明什么?第一,中文技术社区对它的"解读层"还没建立:没有第三方教程、没有避坑指南、没有已核实的解决方案。第二,官方侧的兜底也相当单薄——整个项目的文档就是一份 README(含 FAQ),没有独立文档站,没有迁移指南,没有关于索引格式兼容性的正式说明。
更直接的信号在 CONTRIBUTING.md 里:
"It's a small project with one maintainer... replies can take a few days, sometimes longer. A quiet week means busy, not ignored." "Not every pull request will be merged, even good ones. Others get reworked or rewritten to fit work in progress."
单维护者 + 主业之外业余维护 + "回复可能要等几天"。bug 报告流程也要求用户自查 ~/Library/Application Support/DigUp/index.noindex 下的日志(日志里可能包含你的文件名和搜索词,提交前要自己筛一遍)。这些都不是贬义——开源早期项目本就如此——但"遇到问题当天就有答案"的预期,在这里是不成立的。对普通用户,这意味着你遇到索引异常、模型加载失败、OCR 乱序(SearchText.swift 里甚至要专门检测孟加拉语 PDF 的字形顺序问题)时,大概率只能自己扛。
理由三:爆火之后,早期项目最贵的是"默认值税"
DigUp 现在热度高,本质是三重 novelty 叠加:多模态 EmbeddingGemma 2 十月刚发布(模型 740M 参数、Apache 2.0、支持 100+ 语言)、本地离线隐私叙事、以及"自然语言搜文件"的直观冲击力。但 novelty 恰恰意味着生态未沉淀、默认值未定稿。
仓库里到处是"还在调"的证据。codeStretch(代码分段长度)注释写着"1200 和 3600 都输给了 1800";wordWeight(关键词加权)注释记录"1.5 无变化,0.5 丢了 top 5";截图视觉 token 预算 screenshotBudget = 280 注明"560 慢 2 倍,对真实截图无改善";连 zGate(语义匹配阈值)和 minImageSide 这类参数都带着 2026-10-09 的评测日期。这些调优本身是负责任的工程态度(evals/ 目录里放着 code.json、multilingual.json、synthetic.json 三套回归评测),但它同时说明一件事:你手上这份索引,是按一组"刚刚调完、尚未经过大规模真实用户验证"的默认值生成的。一旦参数再动,fingerprint 变化 → 又是全量重建。
另一个被低估的点是评测覆盖度。README 明说 evals 只覆盖英语、孟加拉语和阿拉伯语(测试文件就这三种语言),且"模型并非每种语言一样强";精确词匹配还有两条硬限制——截图 OCR 只认识约 25 种语言,中文、日文、泰语这类无空格语言根本不会分词。换句话说,"跨语言搜索 100+ 语言"是模型能力上限,不是 DigUp 已验证的产品能力。4 天后就押注这些能力做生产决策,为时过早。
所谓"退潮规律"对早期项目而言不是玄学:热度退去后,留存价值靠的是稳定性与兼容性,而这两样恰恰是 4 天龄项目最稀缺的。首发流量高峰期内,作者要同时处理 issue、PR、模型适配与参数调优,格式冻结的优先级天然靠后。
什么信号出现时再上车
等,不等于放弃关注。以下四个信号出现任意两三个,就是合理的上车时机:
- 索引格式冻结:连续两个以上版本,
IndexStore.schemaVersion不再上涨、release notes 里不再出现"需要重新索引"或--reindex字样; - 向量管线稳定:
LlamaEmbedder.vectorVersion在 llama.cpp 多次升级后仍保持同一数值,ReferenceVectorTests(Tests/LlamaRuntimeTests/ReferenceVectorTests.swift)持续通过——README 说"测试会在发布前用存储的参考向量校验每次 llama.cpp 更新",看它是否真的兑现; - 版本号走出 0.x:从 0.6.0 走到 1.0,说明功能面与参数面都收敛了;
- 社区文档出现:出现第三方教程、被社区核实过的 issue 解答、中文/英文的避坑文章,而不是像现在这样全网零相关讨论。
如果你实在手痒,完全可以在不"上车"的前提下低成本试水:DigUp 是 MIT 协议,可以从源码构建(scripts/build-llama.sh + swift build,见 Package.swift);自带命令行工具 digup,支持 estimate(预估首次索引耗时)、index、search、eval(main.swift);scripts/make-testbed.sh 还能生成一套测试文件让你在临时目录里反复折腾,模型下载一次即可复用。用 CLI 在自己的测试目录上把 eval 跑一遍、感受一下 768 维 fp16 向量的检索手感,成本远低于让主力目录承担一次全量重建。
归根结底,DigUp 是一个值得长期观察的项目:混合检索架构、SQLite 存向量的务实取舍、单维护者也能写出带回归评测的工程,这些都不缺。缺的只是时间。让它先跑几周,让早期用户替你把重建的坑踩平,再把你的全部照片和代码交给它——到那时,你得到的将是一个格式已冻结、文档已补齐、社区已有答案的 1.0,而不是一个每天都在变的 0.6.0。
