Mac用户终于能搜文件内容了：DigUp凭EmbeddingGemma 2做了一次反向突围
本地、纯端侧、不上传云端——DigUp用Google DeepMind的EmbeddingGemma 2，给Mac做了一款按内容搜索文件的菜单栏工具。一周1893颗星的热度背后，是搜索方式的一次底层切换。
适合：Mac用户，尤其是文件里装满截图、PDF、录音和录屏的内容工作者。
先说结论
DigUp是一款值得Mac用户认真看一眼的菜单栏搜索工具。它的核心不是“更快地搜文件名”，而是直接搜索文件里装的是什么：照片里的画面、PDF里的段落、录音转写后的文字、视频的关键帧、代码里的注释。只要索引过，关键词就能落到具体的段落和画面上。这一切都在本机完成，不依赖云端API。
它凭这个能力在GitHub上一周拿下近2000颗星，本身就是本地化语义搜索重新被关注的信号。
真正的问题
Spotlight很强，但有边界。它主要搜文件名、元数据和纯文本。
遇到这些情况就会卡壳：一张PNG截图里写着“退款流程v2”，文件名是IMG_9384.png；一份扫描版合同，文字都在图里；一段会议录音，没做转写根本搜不出来；一段录屏，重要画面一闪而过。这些内容在Spotlight里基本是“隐形”的。
传统解决思路是上云：把文件传过去做向量化、再传回结果。代价很明显——隐私门槛、网络依赖、按次计费。EmbeddingGemma 2是Google DeepMind开源的多语言嵌入模型，参数规模小到能在本机跑，这给“端侧做语义索引”留出了一条真正可走的路。DigUp吃到的就是这波模型红利。
怎么做更省力
第一步，先把工具拉下来跑起来。DigUp是开源项目，GitHub Releases里直接下编译好的.app即可，Swift写的，对Mac的菜单栏生态天然友好。
第二步，确认机型。M系列芯片是首选，EmbeddingGemma 2的量化版在M1及以后机型上能跑得比较顺；Intel Mac也能用，但首次索引速度会慢很多，建议先小批量试。
第三步，分类建索引。DigUp会扫描选中的文件夹做向量化，照片、PDF、音视频、代码各走不同通道。建议先把最痛的那批扔进去：合同PDF、会议录音、截图库、代码仓库。索引建完后，菜单栏里敲关键词就能直接定位到具体的句子或画面，不用再开一堆App翻来翻去。
| 场景 | 传统方式 | DigUp的做法 |
|---|---|---|
| 截图里的文字 | 肉眼翻图库 | 关键词命中具体画面 |
| 录音内容 | 手动转写再搜 | 索引阶段自动转写并切片 |
| 扫描PDF | 复制粘贴到OCR工具 | 直接搜到原段落 |
这种“搜到段落”的颗粒度，是它和Spotlight拉开距离的关键。
哪些坑要避开
第一，隐私预期要对齐。DigUp是local-first，但“本机”不等于“零权限”。首次索引需要读取你选中的文件夹，这一步在系统权限弹窗里要老老实实授权，别图省事直接给整盘权限。
第二，索引是吃存储的。每张图片、每段音视频都会生成向量缓存，几十GB的资料库可能会多出几个G的索引文件。建议建在容量相对宽裕的盘上，并定期清理已经删除源文件的孤儿索引。
第三，召回率不是100%。语义搜索本质是“近似匹配”，关键词写得太短、太口语，召回会偏。长一点的、带上下文的描述命中率会高很多。
第四，Apple Silicon体验明显优于Intel Mac。如果还在用老款Intel机型，可以先评估一下再决定要不要重度依赖。
第五，注意备份策略。本地索引丢了重建即可，但如果你的工作流完全建立在“我能搜到任意段落”上，建议同时保留一份传统文件夹结构，别把鸡蛋全放一个篮子里。
现在就能动手
打开GitHub Releases，下载对应你系统版本的安装包，先用一个小一点的测试目录跑通索引，感受一下召回效果再决定要不要全量铺开。如果觉得“搜段落”这个能力对你有用，又恰好用的是Mac，DigUp是目前为数不多把EmbeddingGemma 2落到菜单栏里的现成方案，值得花半小时亲手试一试。