Show HN: Omni – 基于本地文件的、采用物理隔离的 macOS 多模态搜索

一句话看懂：开发者 hanxiao 发布了 Omni，一款专为 Apple Silicon Mac 设计的本地多模态语义搜索应用。它能够将个人电脑中的各类文件（文档、代码、PDF、图片、音频、视频）嵌入统一的向量空间，通过语义而非文件名进行搜索，且整个索引与搜索过程完全离线运行，实现了物理级的数据隔离。

事件核心：发生了什么

Omni 是一个开源 macOS 应用，利用 jina-embeddings-v5-omni 模型的 MLX-Swift 原生移植版本，在 Apple GPU 上运行。它提供 Nano（约 1.9 GB）和 Small（约 3.1 GB）两种模型尺寸。用户首次启动时下载模型，此后所有操作均在本地完成，即使切断网络（Airgap）也能正常工作。

安装后，用户可指定文件夹（如文档、下载、桌面）进行索引。Omni 会增量式地处理文件变化，通过先并发解码、后串行 GPU 嵌入的管道提升吞吐量。搜索时，交互式查询请求优先级高于后台索引任务，确保响应流畅。嵌入向量以 bf16 格式本地存储，并利用 MLX 的优先级门控机制实现多任务调度。

项目代码已开源在 GitHub，并提供了经过公证的 DMG 安装包。开发者在验证报告中披露，其 MLX-Swift 编码器在文本向量上与 Python 参考基准的余弦相似度达到 >=0.999，图像、视频、音频通道也能在相同预处理输入下达到接近 1.0 的准确度。

为什么重要

Omni 的价值在于它提供了一种将多模态大模型（MM-LLM）能力真正“本地化”和“安全化”的实践路径：

第一，它彻底消除了传统云端搜索或 RAG 方案中的数据外泄风险。通过物理断网运行，Omni 满足了企业合规、个人隐私和高敏感场景（如医疗、法律文档）对数据完全不出本地的刚性需求。第二，它展示了 Apple Silicon 生态中本地 AI 推理的性能潜力。Omni 利用 Apple GPU 和 Metal 技术栈（通过 MLX-Swift）而非常见的 Python 或服务器框架，实现了纯客户端的全模态搜索，为 macOS 原生 AI 工具的开发设定了新标杆。第三，它打破了多模态搜索长期依赖云端 API 或复杂本地服务的局面，将“用意思搜索本地文件”这件事从一个实验性功能，变成了一个可安装、可使用的成品工具。

对用户/开发者/创作者的影响

对普通用户：如果你拥有 Apple Silicon Mac 且系统为 macOS 14 或更新版本，可以直接下载使用。它非常适合用于检索本地的大量文件、笔记、截图或录制的音频片段，无需再忍受系统原生“聚焦搜索”对文件内容理解不足的问题。由于完全离线，它也是追求数据隐私的用户的理想选择。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对开发者：该项目最大的学习价值在于其技术架构——从 MLX 模型的 Swift 移植、Metal Shader 编译、增量式文件索引管道，到利用系统 TCC 权限管理文件访问，甚至包括 macOS 应用的签名和公证流程，都为同类本地 AI 应用的开发提供了可复用的参考。开发者可以通过 OmniKit 库将引擎嵌入到自己的 SwiftUI 应用中。

对内容创作者：如果你积累了大量的设计文件、视频片段、音频素材和文档，Omni 的语义搜索可以让你更快速地按“场景”或“主题”而非文件名来定位素材，从而提高工作流效率。

值得关注的后续

1. 生态拓展与竞品跟进：目前公开信息显示，Omni 仅支持 macOS。开发者是否会计划推出 Windows 或 Linux 版本尚未披露。同时，这一模式可能促使其他本地搜索工具（如 Alfred、Raycast 或其插件生态）快速整合类似的多模态语义搜索能力。

2. 索引规模与性能表现：在真实用户场景下，当索引文件夹包含数十万个小文件或超大视频文件时，Omni 的索引速度和搜索延迟如何，将是决定其能否从“酷玩”走向“主力工具”的关键。

3. 模型的持续演进：jina-embeddings-v5-omni 模型本身正在快速发展，后续若推出更大、更优的多模态嵌入模型，Omni 能否平滑升级，以及其本地推理效率是否会受到影响，值得长期观察。

来源：github.com

Show HN: Omni – 基于本地文件的、采用物理隔离的 macOS 多模态搜索