用 CK Search 在笔记中发现意义

当搜索看不懂你的意思

在第一篇文章中，我描述了一个时刻——即使组织得再好也不够用。你可以把标签打得完美无缺，但仍然找不到你需要的东西，因为你搜索的是一个概念，而你的笔记用了不同的词。这就是关键词搜索的天花板。

我在三个 Obsidian 库中大约有 1,900 个 markdown 文件。如果你不是 Obsidian 用户，可以简单地把它理解为三个不同文件夹中的 1,900 个文本文件。它们有标签、链接，并且用 frontmatter（或者更简单地说，页面属性）来结构化。组织做得很扎实。但当我搜索"authentication"时，我找不到那篇关于"session token management"的笔记。当我搜索"AI assistant"时，我错过了那篇关于"Claude Desktop"的笔记。信息就在那里。只是搜索看不到它。

Obsidian 的内置搜索，以及大多数扩展它的插件，都基于同一个原理：将你输入的字符与文件中的字符进行匹配。有些会增加一些功能来改善关键词匹配效果，但它们仍然只是在搜索文本，而不是含义。

语义搜索（Semantic Search）的工作方式不同。它不是匹配字符串，而是将你的查询和笔记都转换为数值表示（Numerical Representations），然后衡量它们在含义上的接近程度。"Authentication"和"session token management"在这个数值空间中最终会彼此靠近，因为它们讲的是同一个概念。搜索理解的是你的意思，而不仅仅是你打的字。

---

为什么选择 CK Search

有好几款工具可以为 Obsidian 添加语义搜索。我在评估了几款之后选定了 CK Search。CK Search 并非 Obsidian 专用。它可以搜索任何包含文本文件的目录。

对我来说最重要的两点是：CK Search 无需运行 Obsidian 即可工作，而且它内置了 MCP 服务器。前者意味着我可以从命令行、从脚本、从任何地方进行搜索。后者意味着 Claude Code 可以直接将其作为工具使用，无需额外的依赖、配置或设置。它还是用 Rust 构建的，这是一门以速度著称的语言。

有一点需要提前说明：CK Search 没有图形界面。没有带搜索栏的 Obsidian 插件。它是一个命令行工具，而且这是有意为之——它的设计目的是被 AI 代理和脚本使用，而不是手动点击操作。如果你想要在 Obsidian 中获得可视化的语义搜索体验，Smart Connections 或 Copilot 可能更适合你。如果你正在构建一个 AI 代理以编程方式查询你笔记的系统，CK Search 是更好的工具。

工具对比

	CK Search	Smart Connections	Copilot for Obsidian
搜索类型	语义 + 混合	语义	语义
MCP 支持	内置服务器	插件	无
多库支持	任意目录	单库	单库
需要 Obsidian	否	是	是
本地优先	是	是	视情况而定

---

安装

CK Search 通过 Cargo（Rust 包管理器）安装。如果你还没有安装 Rust，需要先安装它。

# Install Rust (if you don't have it)
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
source ~/.cargo/env

# Install CK Search
cargo install ck-search

# Verify
ck --version

就这样。不需要 Node.js 运行时，不需要 Python 环境，不需要 Docker 容器。一条命令，一个工具。

---

你的第一次语义搜索

在配置其他任何东西之前，先从命令行测试一下：

# Semantic search — finds by meaning
ck --sem "ideas for improving workflow" /path/to/your/vault

第一次运行时，CK Search 会构建索引。它会读取目录中的每个 markdown 文件，并将它们的数值表示存储在一个 .ck/ 文件夹中。之后的每次搜索几乎都是即时的——它只会重新索引发生变化的文件。没有后台进程，没有守护进程，没有文件监视器。CK Search 只在你搜索时运行。其余时间零资源开销。

试几个查询，然后和 Obsidian 内置搜索返回的结果做个比较。这就是你能感受到差异的地方。搜索一个你知道存在于笔记中的概念，但用和你写的时候不同的词。语义搜索会找到它。关键词搜索不会。

CK Search 还支持关键词搜索和混合模式（语义 + 关键词组合），但我主要用它做语义搜索。我的工具栈中已经有关键词工具了：grep、Obsidian 内置搜索、Omnisearch 插件。CK Search 的独特价值在于它理解含义。我的工具栈中没有其他东西能做到这一点。

---

将它连接到 AI 代理

如果你正在使用 Claude Code 或任何其他 AI 代理，CK Search 作为 MCP 服务器会变得更加有用。MCP（Model Context Protocol）是一个将 AI 工具连接到外部数据源和功能的开放标准。Claude Code 原生支持它。

最简单的设置方式是使用一个 .mcp.json 文件：

{
  "mcpServers": {
    "ck-search": {
      "command": "/Users/yourname/.cargo/bin/ck",
      "args": ["--serve"]
    }
  }
}

用 which ck 找到你的实际路径，然后相应替换 command。

连接后，Claude Code 就能访问以下工具：

• semantic_search — 最主要的。基于概念的、含义驱动的搜索。
• hybrid_search — 语义 + 关键词组合搜索。

实际使用中，当我问 Claude Code 关于我笔记的问题时，它会用自然语言查询调用 semantic_search，获取带有文件路径和片段的排序结果，然后阅读排名靠前的匹配内容来综合出一个答案。

---

索引什么（以及不索引什么）

CK Search 会索引你指向的目录中的所有内容，减去你排除的部分。你应该跳过任何不是有意义文本内容的东西。关键原则是：只索引那些你希望按含义搜索的文件。应用配置和媒体文件不属于这类。它们是会稀释索引质量的噪音。

要排除文件，请在你要搜索的目录根目录下创建一个 .ckignore 文件。

CK Search 索引基于文本的文件，如 markdown、代码和纯文本。如果你有 PDF、含文字的图片或 Office 文档，你需要使用其他工具。我使用 Omnisearch Obsidian 插件，它通过文本提取处理 PDF，通过 OCR 处理图片。但那是另一篇文章的内容了。

---

语义搜索不好用的时候

我想对此坦诚相告，因为太多关于 AI 工具的文章过度夸大了它的神奇之处。

语义搜索不擅长的场景：

• 精确字符串。 搜索一个错误信息、一个函数名、一个特定标签？用 grep 或 Obsidian 内置搜索。语义搜索会给你概念上相关的结果，但当你需要找到包含 ERROR_CODE_4032 的那个确切文件时，这不是你想要的。
• 短且常见的查询。 搜索"meeting"会返回所有与会议模糊相关的内容。没什么帮助。
• 歧义消除。 "Apple"公司和"apple"水果在数值表示上是一样的。上下文有所帮助，但并不完美。
• Frontmatter（页面属性）查询。 搜索具有特定标签或日期的笔记？那是结构化数据。用 grep 加正则表达式，而不是语义搜索。
• 最近添加的内容。 如果你刚创建了一个笔记，它在下一次搜索触发变更文件重新索引之前不会出现在索引中。这通常不是问题，但值得了解。

坦诚的看法是：语义搜索是一种工具，而不是唯一的工具。它填补了关键词搜索无法覆盖的特定空白。但关键词搜索也填补了语义搜索无法覆盖的空白。最佳配置是两者兼用。

---

更宏观的视角

CK Search 是我为知识库构建的更大搜索系统中的一部分。

完整的工具栈简要概述：

• CK Search：对 markdown 文件进行语义搜索（本文所介绍的）
• Grep：精确文本和正则表达式匹配（内置工具，零配置）
• Omnisearch：跨所有文件类型的关键词搜索，包括 PDF 和带 OCR 的图片
• Sift：一个自定义的 RAG 和时序知识图谱系统，用于一个外部但相关的知识库（独立于 Obsidian）

当我的 AI 代理处理搜索查询时，它会并行运行所有这些工具，然后综合合并后的结果。但那是后续文章的内容了。就目前而言，仅 CK Search 本身就已经是对纯关键词搜索的一次重大升级。

---

下一步

下一篇文章将介绍我如何使用 Sift 构建一个外部知识库。Sift 是一个开源系统，它结合了向量搜索、RAG 和时序知识图谱，超越了任何单一库内搜索工具的能力。你的知识不全都存在 markdown 文件里。研究论文、网络文章、YouTube 视频、播客、参考文档——那些你从库外收集的资料——也需要一个归处。一旦有了归处，你就可以开始跨所有这些资料提问，并获得带有来源引用的答案。

---

本文是 AI 驱动的知识管理系列的一部分。上一篇：从文件夹到知识库。下一篇：超越 Obsidian —— 用 Sift 构建外部知识库。