用 QMedia 打造你的内容卡片库像刷小红书一样搜索图文短视频素材的实用技巧【免费下载链接】QmediaAn open-source AI content search engine designed specifically for content creators. Supports extraction of text, images, and short videos. Allows full local deployment (web app, RAG server, LLM server). Supports multi-modal RAG content QA.项目地址: https://gitcode.com/gh_mirrors/qm/QmediaQMedia 是一款专为内容创作者设计的开源 AI 内容搜索引擎它能把你的图文、短视频素材拆解成结构化的内容卡片支持像刷小红书一样浏览和搜索还能基于多模态 RAG检索增强生成对私有素材进行离线问答全流程可完全本地化部署。对于想沉淀自己的素材库、找灵感、拆爆款的创作者来说这是一套非常实用的本地工具组合。QMedia 是什么可本地部署的 AI 内容搜索引擎简单来说QMedia 由三组可独立部署的服务组成服务作用目录mm_server多模态模型服务OCR、图片/文本编码、视频转写mm_server/mmrag_server内容卡片查询 多模态 RAG 检索问答mmrag_server/qmedia_web仿小红书风格的网页端仓库 qmedia_web它和市面上搜索工具最大的区别是素材在你自己手里。你只需把图片和视频放进指定目录模型会自动提取图片文案OCR、视频口播文字Whisper 转写、内容标签等信息结构化为卡片节点存入本地数据库之后就能用自然语言搜索和提问了。内容卡片展示像刷小红书一样浏览图文短视频QMedia 的网页端借鉴了小红书 Web 版的信息流设计每张卡片对应一篇笔记包含封面图、标题、作者、点赞收藏数、标签等元信息点开卡片后AI 会把图片里的排版文案、视频里的口播内容逐条拆解展示出来非常适合做爆款内容拆解。项目自带了一批示例素材例如这样一篇 vlog 教程卡片原图见assets/medias/目录卡片背后的数据存放在assets/mm_pseudo_data.json中每条记录由三部分组成image_data图片地址列表图文卡片video_data视频地址视频卡片card_type为videoinfo_data标题、作者、点赞/收藏/评论数、正文描述、标签列表实用技巧你不需要自己手写 OCR 结果和摘要——info_data里只需提供标题、正文和标签剩下的图片文字提取、视频文案转写、内容总结都由模型在启动时自动完成。打造你自己的素材卡片库4 步完成第 1 步获取项目git clone https://gitcode.com/gh_mirrors/qm/Qmedia第 2 步放入自己的素材assets ├── mm_pseudo_data.json # 内容卡片数据标题/标签/作者等 └── medias # 你的图片 / 短视频文件把收集的图片、视频替换到assets/medias/并按照上面介绍的格式填写assets/mm_pseudo_data.json文件名需与 medias 目录中的文件对应。第 3 步清理旧数据库删除之前生成的db存储文件确保新素材被重新提取入库。第 4 步启动服务mm_server模型服务端口 50110mmrag_serverRAG 服务端口 8001qmedia_web网页端启动后浏览器打开网页端即可开始刷你自己的素材卡片流。多模态 RAG 问答直接问如何拍 vlog答案带素材来源这是 QMedia 最好用的场景在搜索框输入一个创作问题AI 会从你的素材库中检索相关内容生成高质量回答并附上内容卡片作为来源每一段结论都能追溯到原始图文/视频。如上图问一句How to vlog右侧就会返回分镜拍摄技巧脚本模板等相关素材卡片。检索能力来自mmrag_server/services/retriever/下的多模态检索器文本走 BGE 向量编码、图片走 CLIP 编码问答由 Ollama 本地大模型如 llama3完成。实用技巧在mmrag_server/config.py.local复制为config.py后生效中把use_google_search设为True可以引入 Google 搜索结果让回答结合你私有素材和全网内容找选题灵感时非常顺手。最快部署方法Docker Compose 一键启动如果你不想手动配置 Python 环境仓库根目录已提供 docker-compose.yml一条命令即可拉起全部三个服务docker compose up -d容器端口约定详见docker-compose.ymlqmedia-mmsever50110模型服务qmedia-mmrag50111RAG 服务挂载./assets目录qmedia-web50112网页端注意网页端环境变量SERVICE_ENDPOINT已指向 RAG 容器无需额外配置RAG 服务依赖mm_serverCompose 会自动按依赖顺序启动。如果只想要 API 能力比如嵌入自己系统的图片 OCR、文本编码、视频转写服务单独启动mm_server后访问http://localhost:50110/docs即可看到完整接口文档进阶实用技巧与常见问题问答相关度不够调整config.py中的similarities_thre默认 0.6调低可召回更多素材调高则更精准。想启用视频素材分析把use_video_service设为True系统会用 faster-whisper 自动转录视频口播并生成内容总结。显存不够mm_server 中的 CLIP、OCR、文本编码模型都支持keep_alive空闲释放默认 60 秒Ollama 模型默认 5 分钟未用自动卸载小显存机器也能跑。换更强的模型只需修改配置中的model_name如 llama3:70b-instruct应用层与模型层完全解耦替换零成本。写在最后QMedia 把素材收集 → 内容拆解 → 卡片化 → 智能检索问答这条内容创作链路完整地在本地跑通用内容卡片管理你的图文短视频素材库用多模态 RAG 把散落各处的灵感变成可检索的知识。无论是自媒体博主找选题、拆爆款还是团队沉淀私有素材资产都值得花一个下午亲手搭一套试试。【免费下载链接】QmediaAn open-source AI content search engine designed specifically for content creators. Supports extraction of text, images, and short videos. Allows full local deployment (web app, RAG server, LLM server). Supports multi-modal RAG content QA.项目地址: https://gitcode.com/gh_mirrors/qm/Qmedia创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 用 QMedia 打造你的内容卡片库：像刷小红书一样搜索图文短视频素材的实用技巧
用 QMedia 打造你的内容卡片库像刷小红书一样搜索图文短视频素材的实用技巧【免费下载链接】QmediaAn open-source AI content search engine designed specifically for content creators. Supports extraction of text, images, and short videos. Allows full local deployment (web app, RAG server, LLM server). Supports multi-modal RAG content QA.项目地址: https://gitcode.com/gh_mirrors/qm/QmediaQMedia 是一款专为内容创作者设计的开源 AI 内容搜索引擎它能把你的图文、短视频素材拆解成结构化的内容卡片支持像刷小红书一样浏览和搜索还能基于多模态 RAG检索增强生成对私有素材进行离线问答全流程可完全本地化部署。对于想沉淀自己的素材库、找灵感、拆爆款的创作者来说这是一套非常实用的本地工具组合。QMedia 是什么可本地部署的 AI 内容搜索引擎简单来说QMedia 由三组可独立部署的服务组成服务作用目录mm_server多模态模型服务OCR、图片/文本编码、视频转写mm_server/mmrag_server内容卡片查询 多模态 RAG 检索问答mmrag_server/qmedia_web仿小红书风格的网页端仓库 qmedia_web它和市面上搜索工具最大的区别是素材在你自己手里。你只需把图片和视频放进指定目录模型会自动提取图片文案OCR、视频口播文字Whisper 转写、内容标签等信息结构化为卡片节点存入本地数据库之后就能用自然语言搜索和提问了。内容卡片展示像刷小红书一样浏览图文短视频QMedia 的网页端借鉴了小红书 Web 版的信息流设计每张卡片对应一篇笔记包含封面图、标题、作者、点赞收藏数、标签等元信息点开卡片后AI 会把图片里的排版文案、视频里的口播内容逐条拆解展示出来非常适合做爆款内容拆解。项目自带了一批示例素材例如这样一篇 vlog 教程卡片原图见assets/medias/目录卡片背后的数据存放在assets/mm_pseudo_data.json中每条记录由三部分组成image_data图片地址列表图文卡片video_data视频地址视频卡片card_type为videoinfo_data标题、作者、点赞/收藏/评论数、正文描述、标签列表实用技巧你不需要自己手写 OCR 结果和摘要——info_data里只需提供标题、正文和标签剩下的图片文字提取、视频文案转写、内容总结都由模型在启动时自动完成。打造你自己的素材卡片库4 步完成第 1 步获取项目git clone https://gitcode.com/gh_mirrors/qm/Qmedia第 2 步放入自己的素材assets ├── mm_pseudo_data.json # 内容卡片数据标题/标签/作者等 └── medias # 你的图片 / 短视频文件把收集的图片、视频替换到assets/medias/并按照上面介绍的格式填写assets/mm_pseudo_data.json文件名需与 medias 目录中的文件对应。第 3 步清理旧数据库删除之前生成的db存储文件确保新素材被重新提取入库。第 4 步启动服务mm_server模型服务端口 50110mmrag_serverRAG 服务端口 8001qmedia_web网页端启动后浏览器打开网页端即可开始刷你自己的素材卡片流。多模态 RAG 问答直接问如何拍 vlog答案带素材来源这是 QMedia 最好用的场景在搜索框输入一个创作问题AI 会从你的素材库中检索相关内容生成高质量回答并附上内容卡片作为来源每一段结论都能追溯到原始图文/视频。如上图问一句How to vlog右侧就会返回分镜拍摄技巧脚本模板等相关素材卡片。检索能力来自mmrag_server/services/retriever/下的多模态检索器文本走 BGE 向量编码、图片走 CLIP 编码问答由 Ollama 本地大模型如 llama3完成。实用技巧在mmrag_server/config.py.local复制为config.py后生效中把use_google_search设为True可以引入 Google 搜索结果让回答结合你私有素材和全网内容找选题灵感时非常顺手。最快部署方法Docker Compose 一键启动如果你不想手动配置 Python 环境仓库根目录已提供 docker-compose.yml一条命令即可拉起全部三个服务docker compose up -d容器端口约定详见docker-compose.ymlqmedia-mmsever50110模型服务qmedia-mmrag50111RAG 服务挂载./assets目录qmedia-web50112网页端注意网页端环境变量SERVICE_ENDPOINT已指向 RAG 容器无需额外配置RAG 服务依赖mm_serverCompose 会自动按依赖顺序启动。如果只想要 API 能力比如嵌入自己系统的图片 OCR、文本编码、视频转写服务单独启动mm_server后访问http://localhost:50110/docs即可看到完整接口文档进阶实用技巧与常见问题问答相关度不够调整config.py中的similarities_thre默认 0.6调低可召回更多素材调高则更精准。想启用视频素材分析把use_video_service设为True系统会用 faster-whisper 自动转录视频口播并生成内容总结。显存不够mm_server 中的 CLIP、OCR、文本编码模型都支持keep_alive空闲释放默认 60 秒Ollama 模型默认 5 分钟未用自动卸载小显存机器也能跑。换更强的模型只需修改配置中的model_name如 llama3:70b-instruct应用层与模型层完全解耦替换零成本。写在最后QMedia 把素材收集 → 内容拆解 → 卡片化 → 智能检索问答这条内容创作链路完整地在本地跑通用内容卡片管理你的图文短视频素材库用多模态 RAG 把散落各处的灵感变成可检索的知识。无论是自媒体博主找选题、拆爆款还是团队沉淀私有素材资产都值得花一个下午亲手搭一套试试。【免费下载链接】QmediaAn open-source AI content search engine designed specifically for content creators. Supports extraction of text, images, and short videos. Allows full local deployment (web app, RAG server, LLM server). Supports multi-modal RAG content QA.项目地址: https://gitcode.com/gh_mirrors/qm/Qmedia创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考