搜『视频里的斑马』会直接跳到斑马出现的那一秒，搜『聊到睡眠的地方』会跳到播客的那一分钟，PDF 也会定位到具体页并标出关键词。这是 DigUp 给出的搜索体验——一款 Mac 端本地搜索软件，基于 Google DeepMind 最近发布的 EmbeddingGemma 2 模型。

它要解决的问题很具体：你记得内容，但不记得文件名。传统搜索靠文件名和关键词，而 DigUp 让你用日常语言描述正在找的东西，系统去匹配文件里的视觉或文本内容。

它到底能搜什么

支持的文件类型覆盖图像、PDF、录音、视频和代码。搜索方式不是关键词命中，而是理解描述。比如『昨天会议的 PPT』『那个有红色图的论文』，都能作为查询输入。

对视频和音频，结果不只是给出文件，还会带上精确时间戳，比如『第 3 分 20 秒』。对 PDF，系统会标出关键词出现的确切页面。这两点直接省掉了打开文件再手动拖进度条、翻页找位置的过程。

索引不出本地

所有计算和索引都在用户本地设备上进行，数据不需要上传到云端。唯一需要联网的场景是首次下载模型，以及日常的更新检查。

这个设计决定了它的适用边界：隐私敏感的文件也能进索引，因为文件本身不离开这台 Mac。代价是模型下载和本地算力由用户自己承担，而不是交给服务器。

从产品逻辑看，DigUp 押的是一个被忽视的缺口——文件越存越多，命名却越来越随意，靠人回忆文件名去检索，效率早就跟不上了。让机器理解『我要找什么内容』，比让用户记住『我当时把它叫什么』更接近真实的使用习惯。

EmbeddingGemma 2 在这里扮演的是理解层：把自然语言描述和文件内容映射到同一个可比较的空间里。用户不需要知道这层怎么运作，只需要把想找的东西说出来。