SCM: 本地化AI搜索每张照片和视频帧
Show HN: AI search for every photo and every frame of video on macOS

SCM是一款专为macOS打造的本地优先AI搜索工具,能深入索引文件夹中的每张照片和视频的每一帧。无需联网、无需账户,所有推理均在本地运行。它支持自然语言描述搜索记忆,精准定位视频片段,识别画面文字(OCR)及提取对话内容(Whisper)。用户可保存搜索标签,享受自动去重和后台模型切换的无感体验,真正让数据隐私掌握在自己手中。
像思考一样搜索——用自然语言描述一段记忆,本地视觉模型便会完成其余工作。
HN 评论区
73- postalcoder
既然是为 Mac 开发的,你真该用 Apple 的 Vision Framework 来做 OCR。无论在速度还是准确率上,它都完爆 Tesseract。
编辑:我很好奇生成这段代码用的是哪个 LLM。我把你的帖子标题喂给了 Claude/DeepSeek/Qwen/Codex,让它们为这个项目推荐技术栈,本以为会皱眉看到它们依然推荐 Tesseract。结果发现它们全推荐 Apple 的 Vision Framework。事实上,最新还在推荐 Tesseract 的模型是 GPT-4.1。
- alt227
稍微有点跑题,但让我想到一个问题。
既然 LLM 已经存在,这类东西现在能申请版权了吗?我的意思是,在此之前,如果一家小初创公司有个好点子,会被大科技公司收购,然后对方会整合(或直接扼杀)他们的技术。但现在有了 LLM,像 OpenAI 这样的公司是不是可以直接让模型做出类似 X(比如这个项目)的东西,从而绕过抄袭法律,避免落后于人?
编辑:更正了 copyright 的拼写。
- lucideer
可能有点跑题,但对于任何想在更跨平台/整体层面上实现这一功能的人,Immich 可以做到这一点。
(这里的“这一点”指的是对照片和视频进行近似的 AI 搜索——我无法保证“每一帧”的覆盖,也无法保证搜索质量的对比效果)
- yt1998
为什么选 CLIP 来做这个?你试过像 Qwen-VL 这样的小型 VLM 吗?我相信这些模型拥有视频编码器,能更好地应对这种场景。
- hn3ufz62f7
我在 M1 上用 CLIP 做过类似的东西,帧采样率才是关键。12k 的视频如果每秒采样一帧,处理时间要几天;只采样关键帧的话,也跑了一整夜。