个人截图库自建：砍掉60%索引的实战踩坑

搞了300多天、几百G的本地截图，想做成自己的搜索引擎？我试了一圈发现，核心痛点根本不是向量库怎么搭，而是数据清洗和查询理解。今天把踩过的坑拆给你看。

一、OCR别只信一个库

很多人以为接个大模型或OCR库就能直接识别，结果处理中文截图里的英文报错、路径代码时，纯中文库直接“全军覆没”。我的解法是多模型互补：先用通用OCR打底，对低置信度的文字块再丢给视觉模型重读。注意，务必保留坐标信息，不然后续没法高亮定位。

二、索引体积失控？先砍掉60%

全量向量化是个坑，索引体积往往比原图还大。两个关键动作：

• 切分粒度优化：别按整图切，按文字块切。用正则、长度、位置规则过滤掉时间戳、水印等无效UI文字，这一步能直接砍掉60%的无用索引。
• 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、用户搜“那个502”，你怎么懂他？

查询理解决定检索上限。用户口语“那个502”，系统根本不知道要找啥。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，比如将“报错”扩写为 error/failed/错误。同时，把时间限定词单独解析为过滤条件，别让它污染向量语义。

这套组合拳下来，300+天截图实现1秒内响应，准确率八成以上。记住，最大的工程难点不在检索引擎，而在前期的数据清洗和语义理解。

来源 · V2EX-创业：阅读原文 →