个人截图知识库：OCR+向量检索实战踩坑指南

AI 总结 · 连续创业者视角（以下内容由 AI 提炼，观点归原作者；读完可不看原文）

针对数百G本地截图自建内容搜索引擎，核心痛点不在向量库而在数据清洗与查询理解。通过规则过滤（正则/长度）砍掉60%无用索引，并增加口语转专业术语的查询改写，实现300天数据秒级检索。

• 建立索引前先按文字块切分，并用正则过滤时间戳和水印…
• 采用SQLite FTS5关键词粗筛+向量精排的分层架构…
• 针对报错类截图需混合通用OCR与视觉模型…
• 查询层需做语义改写（如“报错”扩写为error/failed），提升模糊搜索命中率

一、核心痛点：OCR并非简单的“接库调用”

很多人以为有了大模型或OCR库就能直接识别，但在处理中文截图里的英文报错、路径代码时，纯中文库往往全军覆没。解决方案是多模型互补：用通用OCR打底，对低置信度文字块再由视觉模型重读，同时务必保留坐标信息以便后续高亮定位。

二、索引体积失控的破局方案

全量向量化会导致索引比原图还大。这里有两个关键动作：

• 切分粒度优化：不要按整图切，要按文字块切。先用正则、长度、位置规则过滤掉时间戳、水印等无效UI文字，能直接砍掉60%的索引量。
• 分层检索架构：先过SQLite FTS5做关键词粗筛，命中候选后再走向量精排，避免全库ANN搜索带来的高延迟。

三、查询理解决定检索上限

用户搜“那个502”，系统不知道你要找什么。必须在查询层做改写：把口语转化为截图里可能出现的形态（如将“报错”扩写为 error/failed/错误），并将时间限定词单独解析为过滤条件，避免污染向量语义。

这套组合拳下来，300+天的截图可实现1秒内响应，准确率八成以上。最大的工程难点不在于检索引擎本身，而在于前期的数据清洗和查询语义理解。

原文 · V2EX-创业：阅读原文 →