TOPZNANIE

Цифровая практика без сложностей

Выберите город
MET Norway · CC BY 4.0
← На главную

· Общий обзор

Хватит жечь токены на поиск файлов: как QMD помогает кодинг-агентам экономить до 40%

Я заметил что кодинг агенты перед выполнением задачи запускают «find, rg —files, glob» для поиска файлов и нужных классов и модулей. Потом поиск по содержимому файлов через «rg, grep». И на это сжигается много токенов. И я решил проверить можно ли сэкономить на токенах используя семантический поиск вместо всего выше перечисленного. Если локальный GPU простаивает, почему бы тогда на нем семантический поиск не гонять.

Сам я работаю в компании связанной с безопасностью. И в одном из моих проектов я использую семантический поиск чувствительных документов. И тут мне знакомый присылает ссылку на OpenSource проект который тоже занимается этой задачей. Проект называется «QMD — Query Markup Documents». Работает из командной строки, извлекает текст из всех форматов документов и создает индекс. Поддерживает он несколько вариантов поиска:

# Search across everything qmd search «project timeline» # Fast keyword search qmd vsearch «how to deploy» # Semantic search qmd query «quarterly planning process» # Hybrid + reranking (best quality)

Нас интересует последний вариант. Чтобы он работал требуется 3 вещи:

  • embeddinggemma-300M-Q8_0 Vector embeddings (default) ~300MB

  • qwen3-reranker-0.6b-q8_0 Re-ranking ~640MB

  • qmd-query-expansion-1.7B-q4_k_m Query expansion (fine-tuned) ~1.1GB

Первая модель используется для индекса чтобы вычислить смысловые вектора кусков текста. Вторая используется чтобы сравнить то что было найдено насколько оно близко по смыслу с поисковым запросом. Ну а третья чтобы нагенерить несколько поисковых запросов из исходного запроса чтобы поиск был шире.

Сначала надо добавить свои исходники в qmd (это пример для минималистичный проект где сервер на Rust а фронтенд на Angular):

qmd collection add . —name PROJECT1 —mask «src/**/*.rs, frontend/src/**/*.{ts,html,scss}, README.md, frontend/README.md, Cargo.toml, frontend/package.json, frontend/angular.json, frontend/tsconfig*.json, frontend/proxy.conf.json»

Можно руками не делать этого — покажите пример этого своему кодинг агенту и скажите сделай также только для текущей репы — он сам догадается что в индекс добавить какие папки, расширения — что исключить и тд.

Теперь запустим индексацию (ее надо перезапускать периодически когда у вас кодовая база меняется):

qmd update && qmd embed -c PROJECT1

Чтобы сдружить кодинг агента с этой qmd ему нужно в AGENTS.md добавить следующее:

# QMD — Efficient Code Discovery **Цель:** минимизировать стоимость токенов и время поиска кода без ущерба корректности. ## Выбор инструмента — Известен путь → читай файл напрямую. — Известен идентификатор, ошибка или строка → `rg` / LSP. — Известно только поведение → `qmd query`. — Код найден → изучай необходимые участки через стандартные инструменты. — Информации достаточно → выполняй задачу. **QMD заменяет первоначальный широкий поиск, а не добавляет новый этап.** ## Семантический поиск Используй существующую коллекцию проекта. «»» qmd query «DESCRIPTION» -c PROJECT1 -n 15 —files | grep -E ‘.(EXT1|EXT2|EXT3)$’ | cut -d, -f3- | sed ‘s|^qmd://[^/]*/||’ | head -n 10 «»» — Один конкретный запрос, предпочтительно с английскими техническими терминами. — Выбирай расширения по проекту, включая конфигурационные при необходимости. — Читай сначала 3–5 наиболее релевантных файлов, только нужные участки. — Если реализация не найдена — уточни запрос, при необходимости увеличь `-n` до 60, затем используй `rg` / LSP. — После обнаружения реализации прекрати семантический поиск. ## Экономия токенов — Не сканируй весь репозиторий перед QMD. — Не повторяй поиски без причины и не открывай все результаты. — Не исследуй несвязанный код и зависимости. — Не составляй подробных планов и отчётов о поиске. — Не пересказывай прочитанный код. — Как только информации достаточно — вноси изменения и проверяй результат. **Приоритет: корректность → стоимость токенов → время.**

Тестировал я вот на таком вот репозитории где 1231 исходный файл на Java/Scala/Angular:

C:Usersigumnjcm-server>qmd collection list jcm-server (qmd://jcm-server/) Pattern: server/src/**/*.scala,server/src/**/*.java,server/src/**/*.xml,server/src/**/*.properties,server/src/**/*.js,server/src/**/*.ts,server/src/**/*.css,server/src/**/*.html,server/src/**/*.tmpl,server/src/**/*.txt,server/src/**/*.md,server/pom.xml,server/Dockerfile,server/*.md,server/README.txt,web/src/**/*.ts,web/src/**/*.html,web/src/**/*.scss,web/src/**/*.css,web/package.json,web/angular.json,web/tsconfig*.json,web/karma.conf.js,web/README.md,!server/src/main/resources/templates/**,!server/src/main/resources/messages*,!server/src/main/resources/messages*/**,!web/src/assets/lang/** Files: 1231 Updated: 1h ago

Промпт: «Добавь в полиси шифрования дисков флаг антиквантовое шифрование — по умолчанию оно выключено — т.е. оно должно в редактировании полиси задаваться в веб-интерфейсе — сохраняться в БД и передаваться на агента как полиси шифрования через REST-эндпоинт»

Сравнение стоимости

По тем же тарифам GPT-5.3-Codex: Input $1,75, Cached $0,175, Output $14 за 1 млн токенов.

Метрика

С QMD

Без QMD

Разница

Input

65 006

101 501

-35,96%

Cached input

317 568

1 191 808

-73,35%

Output

13 859

16 348

-15,23%

Reasoning

9 607

11 260

-14,68%

Стоимость

$0,3634

$0,6151

-40,92%

Теперь QMD экономит 40,92% стоимости!

Особенно заметно снижение cached input: почти в 4 раза.

Промпт: «Добавь в полиси стирания поле «dry» — нужно его редактировать в веб-интерфейсе и сохранять в БД — также передавать через /rest эндпоинт на агент который занимается стиранием — по умолчанию значение false»

Расчёт по прежним тарифам GPT-5.3-Codex: Input $1,75, Cached $0,175, Output $14 за миллион токенов.

Сравнение

Метрика

QMD

Без QMD

Разница

Input

77 167

98 042

−21,29%

Cached input

936 832

854 912

+9,58%

Output

17 322

16 259

+6,54%

Reasoning

8 835

10 264

−13,92%

Стоимость

$0,5415

$0,5488

−1,33%

Здесь QMD оказался дешевле на 1,33%. Экономия есть, но небольшая.

Вывод: QMD сократил обычные входные токены на 21,3% и reasoning на 13,9%, но увеличение cached input и output почти полностью съело экономию.

В общем разброс экономии от 40% стоимости до 1%. По-моему неплохой результат. Надо конечно выборку побольше делать. Но я уже спать хочу. Пишите в комментариях кто больше выборку сделал и какие результаты.

PS

Рекомендую проверять не попадает ли хлам в ваш индекс. Попробуйте сами запустить смысловой запрос. Я один раз прошляпил скомпилированные .js файлы и большие lang-файлы — они сильно засоряли результат семантического поиска. Вот пример, как запустить руками поиск:

C:Usersigumnjcm-server>qmd query «disk encryption policy editing form persisted setting sent to endpoint for agent» -c jcm-server -n 15 —files Expanding query… (3.0s) ├─ disk encryption policy editing form persisted setting sent to endpoint for agent ├─ lex: disk encryption configuration ├─ lex: disk encryption policy ├─ vec: disk encryption configuration ├─ vec: disk encryption policy └─ hyde: The topic of disk encryption policy editing form persisted setting se… Searching 6 queries… Embedding 4 queries… (1.5s) Reranking 40 chunks… (3.3s) #d70022,1.00,qmd://jcm-server/server/src/main/java/com/jetico/jcm/server/domain/common/bcvolume/EncryptPolicy.scala #732b09,0.63,qmd://jcm-server/server/src/main/java/com/jetico/jcm/server/service/ajax/common/EncryptSettingsManager.scala #e66494,0.63,qmd://jcm-server/web/src/app/modules/management/components/company/dialogs/add-or-update-policies/add-or-update-policies.component.html #413c5e,0.62,qmd://jcm-server/web/src/app/modules/management/components/group/dialogs/change-policie/change-policies.component.html #413c5e,0.62,qmd://jcm-server/web/src/app/modules/management/components/computer/dialogs/change-policie/change-policies.component.html #758b4d,0.62,qmd://jcm-server/server/src/main/java/com/jetico/jcm/server/service/mcp/McpFacade.scala #4e8973,0.62,qmd://jcm-server/web/src/app/modules/management/components/group/dialogs/change-policie/change-policies.component.ts #bef78e,0.62,qmd://jcm-server/web/src/app/modules/management/components/computer/dialogs/change-policie/change-policies.component.ts #4fcd1c,0.61,qmd://jcm-server/server/src/main/java/com/jetico/jcm/server/service/mcp/McpToolbox.scala

PPS

Пробовал на маленьком проекте из 27 файлов. Наоборот вышло +60% стоимости. Решение оказалось избыточное. В общем пользуйте только на больших кодовых базах.

Только зарегистрированные пользователи могут участвовать в опросе. Войдите, пожалуйста.Имеет ли вообще смысл экономить токены?0%Нет, find, rg —files, glob, rg, grep лучшее решение.0650Да, семантический поиск по смыслу явно лучше, особенно если легаси код с кривыми названиями файлов, функций и переменных10%Да, но лучше использовать структурный анализ кода (AST, граф зависимостей), например GitNexus, вместо семантического поиска0 Проголосовал 1 пользователь. Воздержавшихся нет. Теги:

  • llm
  • qmd
  • coding agent
  • embeddings
  • семантический поиск

Хабы:

  • Программирование
  • Искусственный интеллект
  • Машинное обучение
  • IT-инфраструктура