Veynrel вывел нужные заметки на первое место в 3 из 3 запросов

Обычный поиск по заметкам ломается в самый знакомый момент: мысль помнишь, а точную формулировку и название файла — нет. Запрос «как проверить себя без конспекта» не обязан содержать слова из заметки «Репетиция устного ответа». Поэтому поиск по совпадению строк может вернуть пустоту, хотя нужный материал лежит рядом.

Плагин Veynrel для Obsidian решает эту задачу через семантический поиск. Он заранее превращает фрагменты заметок в числовые представления — эмбеддинги, сохраняет индекс, а затем сравнивает с ним вопрос, заданный обычными словами. В небольшом авторском опыте BGE-M3 поставила нужную заметку на первое место для трёх запросов из трёх. Это полезный результат, но пока не полноценный сравнительный тест.

Как это выглядит на простом примере

Для проверки автор собрал учебное хранилище из 16 вымышленных заметок: экзаменационные билеты, задачи и планы подготовки. Затем задал три вопроса, формулировки которых отличались от текста нужных файлов. Например, запрос про график, который «поднимается и опускается», должен был привести к билету о возрастании и убывании функции.

Встроенный поиск Obsidian не нашёл этот файл по двум выбранным словам. Локальная MiniLM поставила нужную заметку четвёртой, а BGE-M3 — первой. Ещё показательнее запрос о том, почему перестановка меняет пароль: в исходной заметке самого слова «перестановка» не было. Поиск по словам оказался бессилен, а смысловой поиск связал описание изменения порядка символов с вопросом.

Проверялись три конфигурации. MiniLM работала локально через ONNX и поставила правильные файлы на позиции 1, 4 и 1. Облачная BGE-M3 через OpenRouter и локальная BGE-M3 через Ollama дали позиции 1, 1 и 1. Для Ollama был построен отдельный индекс из 19 векторов по 1024 компоненты. Заметки при такой конфигурации не покидали компьютер.

Не только поиск

У Veynrel есть режим Health, который локально проверяет структуру хранилища. В демонстрационной папке он обнаружил специально оставленную ссылку на несуществующую заметку и точную копию другого файла. Для этой проверки не нужны ни языковая модель, ни API-ключ.

Режим Recall собирает карточки для повторения из вопросов и ответов, записанных в Markdown. Пользователь раскрывает ответ, оценивает, насколько хорошо его вспомнил, а плагин назначает следующее повторение. Studio сохраняет сценарии обработки текста, а интеграция Companion позволяет AI-агенту читать синхронизированные копии заметок и предлагать изменения. Запись правок остаётся под контролем пользователя.

Что важно проверить до внедрения

Три запроса и 16 подготовленных заметок не доказывают, что BGE-M3 победит на рабочем хранилище из тысяч разнородных файлов. Автор прямо отмечает, что на другой папке ранжирование может измениться. Сравнивать числовые оценки близости разных моделей напрямую тоже нельзя. Rerank в показанном примере не улучшил первое место: нужная заметка уже находилась наверху.

Есть и вопрос приватности. При работе через OpenRouter фрагменты заметок отправляются внешнему провайдеру. Для конфиденциальных данных разумнее начать с локальной конфигурации: установить Ollama, загрузить bge-m3, указать адрес http://127.0.0.1:11434 и построить новый индекс. Модель занимает около 1,2 ГБ, поэтому заранее стоит проверить диск и память.

Практический вывод простой: семантический поиск полезен там, где человек помнит смысл лучше, чем имя файла. Но выбирать модель по трём красивым попаданиям рано. Сначала соберите 20–50 реальных запросов из собственной истории, отметьте ожидаемые заметки и сравните позиции результатов. Тогда станет видно, окупает ли новый индекс расход памяти, задержку и возможную передачу данных в облако.