- 楼主 编辑于
【dsh-gitea-search】发布了 1.2.0 支持了 macos 和零起步（不依赖 gitea）
https://github.com/offzen/dsh-gitea-search
下面的功能还没加入，有点复杂。
准备先朝其他方向演进，向量化就先自用了
有兴趣的可以看 这里 跟火山的对比
昨天炫了一把速度 😄 https://sb.sb/t/12731/✅ embedding 已于 2026-10-24 全量部署并上线
组件 状态 Embedding 模型 ✅ bge-small-zh-v1.5（ONNX，512 维，183MB），TEI cpu-1.5 容器运行推理服务 ✅ pack 常驻容器 tei-query，另有 gate2/gate1/dev2/ams2 四台 worker 兜底向量库 ✅ Qdrant gitorca_docs_v1，93,050 chunks，覆盖 16,123 篇文档MCP 工具 ✅ search_gitorca_semantic+search_gitorca_hybrid（FTS5 + 向量 + RRF 融合）已上线刚才那次实测调用正常返回了带 score 的语义命中结果，证明整条链路（查询→TEI 向量化→Qdrant 相似度检索）是活着的。
它同时承担两种角色，这是标准 RAG 双链路架构：
语料侧（离线批处理，非实时）：文档向量是预先算好的。由
fleet-embed-index.py分布式批量生成（4 worker 并行，全量 16.3 分钟），之后靠 cron（每小时 20 分）做增量——用 chunk 内容 sha1 比对，只重算新增 / 变更部分，无变化时 12.7 秒即跳过。查询侧（实时处理）：每次您发起语义检索时，查询文本会实时向量化——走 pack 本机常驻的
tei-query容器，实测延迟 114–143ms（比早期 ssh worker 方案的 2483ms 快 17 倍）；本机 TEI 挂掉时自动兜底切到远程 worker。语义检索速度 经 21 条真实 query 实测：单 FTS5 命中 95.2%、单向量 90.5%、RRF 融合 100%
收藏支持反对打赏
为了跑语义小模型，把小鸡们都交出来干活了😄
实际不用这么多，2-3C 的 epyc milan 就够在 2 小时内跑完。我准备了 24 核心以上搞这个架构，以后还可以跑别的。
