免费 DocFetcher 替代方案怎么选：XERJ 作为可被 Agent 调用的文档搜索引擎对比分析

DocFetcher 是成熟的桌面搜索 GUI，而 XERJ 是一个单二进制文件即可运行的搜索节点，通过 HTTP 与 MCP 协议对外提供检索能力。本文以 XERJ 与 DocFetcher 的能力对比为核心，说明两者在索引、查询、便携性、Agent 可调用性上的本质差异，并给出 xerj autoindex、xerj autoindex map、match_phrase 查询与 xerj mcp 的完整实战命令，帮助你判断免费文档搜索工具究竟该选"给人用的桌面软件"还是"给程序调用的搜索引擎"。

关于本对比的诚实声明：本文没有跑过任何基准测试。我们没有冻结共享语料库，没有在 DocFetcher 旁边安装 XERJ，没有测量召回率、命中数或延迟。页面上的每一行都是"已记录的能力"，不是"测出来的结果"，因此不存在任何胜负数字。如果你想获得针对自己文档的答案，请用两个工具分别索引你自己的文件夹、对比两份结果列表——那才是唯一能描述你文档的对比方式。

DocFetcher 是什么

DocFetcher 是一款采用 Eclipse Public License 的开源桌面搜索应用，支持 Windows、Linux 和 macOS。当前发布版本为 1.1.27，自 1.1.26 起不再需要单独安装 Java 运行时（Windows 7 SP1 或更高、Linux 需 GTK3、macOS 11 或更高）。

它的使用方式是为每个文件夹创建一个索引，然后由 GUI 基于该索引回答问题，提供结果窗格、预览窗格与高亮匹配。过滤器可以按文件大小、文件类型和位置缩小结果列表。查询语法是常见的布尔集合，支持通配符、短语搜索、模糊搜索、邻近搜索（proximity search）与加权（boosting）。

值得注意的设计决策是：DocFetcher 默认不索引任何东西。这是项目官方页面上的立场——由用户自己选择要索引的文件夹，而不是整块磁盘。另外，多用户的 Web 界面以 DocFetcher Server 的形式单独出售，免费桌面应用本身没有这类接口。

XERJ 是什么

XERJ 是一个单一的 Rust 二进制文件，运行一个搜索节点。核心流程是：

• xerj autoindex <folder> 读取文件夹，按内容而非文件扩展名识别每个文件所属的族（family），为每种文件形态推断一个数据集（dataset），并把文档写入节点——命令不需要配置文件，也不需要 mapping；
• xerj autoindex map 打印"数据地图"，说明文件夹变成了哪些索引、哪些字段，Agent 先读地图、再写出指向真实索引与真实字段的查询；
• 节点对外提供 Elasticsearch 兼容的 REST API，现有 ES 客户端可以直接对接；
• xerj mcp 在同一个二进制内以 stdio MCP 服务器方式把这些能力暴露给 Agent。

XERJ 是单节点部署：没有复制、没有故障转移。默认的嵌入器是词法特征哈希（lexical feature hashing），不是神经网络模型；神经检索需要通过 --embed-mode neural 显式开启。

从源码看 XERJ 的能力落地

上述能力并非宣传语，在仓库中有完整的实现对应：

• xerj autoindex 的参数解析在 engine/crates/xerj-autoindex/src/cli.rs，支持 --url、--prefix、--progress、--dry-run、--workers、--max-file-mb、--watch 等运行时选项；
• 内容嗅探与多格式解析在 engine/crates/xerj-autoindex/src/extract/ 目录，包含 PDF（pdf.rs）、DOCX（docx.rs）、CSV（csv_x.rs）、JSON/JSONL、XML、YAML、HTML、SQLite（sqlite_x.rs）、SQL 文本（sqldump.rs）、日志（logs.rs）、纯文本（txt.rs）、邮件（eml.rs、mbox.rs）、代码（code.rs）等解析器——这印证了文档中"按内容检测格式"的描述；
• MCP 服务器的工具清单在 engine/crates/xerj-mcp/src/lib.rs。该文档最初发布时描述为 10 个工具；从当前源码看，工具列表已扩展为 16 个，其中 13 个直接 1:1 映射到 XERJ 真实的 REST 接口（xerj_search、xerj_semantic_search、xerj_vector_search、xerj_hybrid_search、xerj_memory_store、xerj_memory_recall、xerj_brain_*、xerj_map、xerj_code_search、xerj_plan 等），另 3 个 xerj_hub_* 工具执行 xerj ask 流程；
• Agent 记忆接口实现在 engine/crates/xerj-api/src/memory_api.rs：/_memory/{namespace} 的每个命名空间由保留索引 .xerj-memory-{namespace} 支撑，存储与召回复用与文档完全相同的引擎路径。

能力对比，逐行对照

下表每一行都是每个工具"已记录的能力"，没有任何一行是实测结果。

能力	DocFetcher	XERJ
带预览窗格的人机 GUI	有，匹配高亮	无，仅 HTTP 与 MCP
Windows 桌面应用	有，Windows 7 SP1 及以上	服务器进程，无窗口
U 盘便携索引	有，portable 版本	数据位于节点数据目录
Outlook PST 邮件	有	无 PST 读取器；仅 mbox 与 .eml
zip、7z、rar、tar 归档	有，嵌套无上限	无归档处理器
纯图片 PDF 的 OCR	无	无
模糊与邻近操作符	有，在查询语法中	词项与短语
自动索引更新	有，应用运行期间	重新运行 xerj autoindex
格式检测	文件扩展名，带正则选项	按族进行内容嗅探
HTTP 查询 API	免费应用中没有	有，Elasticsearch REST API
供 Agent 使用的 MCP 服务器	无	有，xerj mcp，多工具
被拒绝文件的清单	GUI 中的索引报告	autoindex-catalog，每个文件一个原因
引擎内的 Agent 记忆	无	有，/_memory/{namespace}
许可证	Eclipse Public License	Apache-2.0

什么时候应该选 DocFetcher

当执行搜索的是"人"时。 DocFetcher 的 GUI 经过多年打磨，带结果窗口和预览窗格，对人类读者来说比一个 API 友好得多。

在 Windows 工作站上。 它作为桌面应用安装，不需要终端、不需要节点进程、不需要 HTTP 调用。

当索引必须"随身携带"时。 portable 版本把索引放在应用文件夹内，整个文件夹可以放在 U 盘、加密卷或云盘上随行。

当数据在 Outlook PST 文件中时。 XERJ 能读 mbox 与 .eml，但没有 PST、OST 或 Maildir 的读取器——仍留在 Outlook 自有存储中的邮件永远进不了 XERJ 索引。这一限制与源码一致：engine/crates/xerj-autoindex/src/extract/ 下的邮件解析器只有 eml.rs 与 mbox.rs。

当需要处理归档文件时。 DocFetcher 能遍历 zip、7z、rar、tar 且嵌套无上限；XERJ 目前没有归档处理器。

当查询需要模糊或邻近操作符时。 XERJ 匹配词项和短语。

什么时候应该选 Recoll 或 ripgrep-all 替代

选 Recoll：当你要桌面 GUI、邮件索引、OCR 钩子和"打开到页面"能力时。这一权衡详见 Recoll 对比文章。

选 ripgrep-all：当你只需要回答"一个问题、今天就要、完全不要索引"时。它包装 ripgrep，为 PDF、Office 文档、归档和 SQLite 提供适配器。这一权衡详见 ripgrep-all 对比文章。

选 Elasticsearch：当文档必须分布在多台主机上时。XERJ 没有复制和故障转移，它只在单节点上说同一种 REST API。

什么时候 XERJ 是更合适的方案

当调用方是程序时。 免费的 DocFetcher 应用有窗口而没有 API；会讲 HTTP 或 MCP 的 Agent 可以直接调用 XERJ，无需任何包装层。

当搜索必须跑在无桌面环境时。 二进制是一个服务器进程，可以在无头主机上运行并通过网络应答。

当文件夹是混合类型时。 格式检测读的是内容而不是扩展名——一个扩展名写错的 CSV 文件照样落进带类型的数据集。

当答案必须携带出处（provenance）时。 每份文档都带有 ax_path、ax_file、ax_format 等关键字字段，Agent 可以据此引用源文件。

当同一个节点还想承载 Agent 记忆时。 /_memory/{namespace} 把持久化的 Agent 记忆放在文档旁边。

实战：用 XERJ 索引一个文档文件夹并回答短语问题

以下命令来自本文档的原始操作清单，可在 Windows 或 Linux 工作站的文档文件夹上原样执行。

第 1 步：索引文件夹。 一条命令完成全部工作，不需要配置文件、不需要 mapping：

xerj autoindex ./Documents --url http://127.0.0.1:9200 --prefix docs --progress plain

从 engine/crates/xerj-autoindex/src/cli.rs 的参数结构看，--url 指向已启动的节点，--prefix 决定生成的索引名前缀，--progress plain 让进度以纯文本输出；对于大文件夹，还可以先加 --dry-run 只打印任务规模与计划数据集而不写入任何内容，再决定是否真正执行。

第 2 步：读取数据地图。 让下一条查询能写出真实存在的索引名和字段名：

xerj autoindex map --url http://127.0.0.1:9200

第 3 步：用短语查询回答问题。 通过 HTTP 发送 match_phrase 查询，并从每条命中里读出文件路径：

curl -s -XPOST http://127.0.0.1:9200/docs-*/_search -H 'content-type: application/json' \
  -d '{"query":{"match_phrase":{"body":"purchase order"}},"size":10,"_source":["ax_path","ax_format","title"]}'

第 4 步：把同一个节点开放给 Agent。 作为 stdio MCP 服务器启动：

xerj mcp --url http://127.0.0.1:9200

MCP 服务器的实现细节可继续阅读 engine/crates/xerj-mcp/src/lib.rs：它通过 stdio 传输讲换行分隔的 JSON-RPC 2.0，所有工具都是"薄代理"——构造引擎本来就接受的请求并转发到可配置的 base URL，自身不增加任何能力；诊断信息走 stderr，stdout 只保留给 JSON-RPC 流。如果目标地址是回环地址且未显式提供认证，服务器会回退到本地节点为自身写入的管理员密钥（<data_dir>/admin.key），这与 xerj autoindex 的本地密钥发现逻辑一致，也是"零配置启动"能直接工作的原因。

XERJ 没有的东西

XERJ 没有 GUI：没有结果窗口、没有预览窗格、没有词条高亮。

XERJ 没有 OCR，也没有归档处理器。邮件读取覆盖 mbox 与 .eml，不覆盖 PST、OST 或 Maildir。它没有基于角色的访问控制，也没有单点登录。

XERJ 运行在单个节点上，没有故障转移。请为"从副本恢复"做好规划。

更完整的检索场景参考

• 如何一次性搜索文件夹里的 PDF、Word 与 Markdown：完整演示一次 6 文件运行如何把混合格式变成 2 个索引、51 条记录，以及 match_phrase 如何在 HTML、JSON、Markdown 三种格式中同时命中同一短语；
• 如何搜索 Word 文档文件夹：文档类格式的专项说明；
• 给 ChatGPT / Claude 本地文件访问权：通过 MCP 把同一节点暴露给外部 Agent；
• 用 autoindex map 记录被拒绝的文件：autoindex-catalog 中每个被拒文件都带 status=junk 与原因字符串；
• XERJ 如何自动索引一个文件夹：底层检测与推断流程的逐步讲解。

如何阅读本文

这是一份基于两个工具各自官方文档的能力对比，不是基准测试，也不是对你文件的断言。诚实的总结很短：DocFetcher 是给 Windows 上的"人"用的更好的桌面应用；XERJ 是替你做搜索的"程序"所用的搜索引擎。 完整的 XERJ 侧实战走查见文件夹搜索教程。