你刚从搜索引擎里扫出一堆链接，十来条结果密密麻麻堆在眼前，像待办的邮件收件箱。没有一个结果能直接回答你的问题——你得自己点开五六个页面，在脑子里拼图，把相关的网页归到同一组，再反复横跳对比。这就是用搜索引擎的日常，搜得越快，脑子越累。
一个独立开发者看不下去了，决定把这种“用户自己分拣”的活儿交给AI。他捣鼓出了一个叫 OneSearch 的桌面工具，不满足于列出十行蓝色链接，而是把搜索结果直接整理成语义文件夹，让每次搜索都像已经有人帮你把资料理好等着你看。更关键的是，做分类的AI就运行在你自己电脑上，不用把搜索记录发给第三方的云端服务。
搜索不再是一张扁平清单
OneSearch 的思路很直给：用户输完搜索词之后，程序抓取搜索引擎返回的每一页结果，然后在本地做三件事——把网页文本变成能计算距离的向量，用这些向量把内容相近的页面聚成簇，再让一个本地模型给每个簇起个名字，最终拼出一摞按主题归类的文件夹。你看到的，就是一个整理好的工作区，而不是一个需要你手动点来点去、自行脑补关系的链接列表。
整个管线分成四个步骤：第一步，触发搜索引擎拿结果，这一步和其他搜索工具没区别。第二步，用 Ollama 在本地为每个结果生成嵌入向量（embedding），也就是把网页的核心文本转成一串数字，数字接近代表内容相关。第三步，用这些向量做聚类，相关的网页自然被拢到一起。第四步，让一个专门负责标注的模型给每一组网页取一个语义明确的文件夹名，再把整个层级展示出来。
重点在于，它没有用生成式摘要替代原始网页。每个页面的原始链接完好地保留在对应的文件夹里，点击后会在桌面应用内独立的标签页里打开，你可以在文件夹导航和源页面之间快速切来切去，对比信源，不用担心看完了摘要就找不到原文。
为什么非要让AI跑在本地
一提到“AI分类”，条件反射就会想到把数据传上云端让大模型处理。但这个开发者选的路径很拧巴——分类和嵌入手工全部本地化。免费配置使用的是一个 4B 参数的标注模型，体量小到能在多数人的个人机器上跑起来；如果肯花钱解锁 Pro 选项，就可以换效果更好的 8B 或 14B 模型去产出更精准的文件夹标签。
不过，“本地AI”不代表整个软件可以离线使用。搜索环节依然要联网、要确认你指定的搜索服务商能正常工作。真正本地化的是嵌入和标注这两个把搜索文本变成结构化知识的过程，这两步全部走本地 Ollama 运行时，不会把搜索结果
热门跟贴