5.4 KiB
5.4 KiB
Cursor 索引 vs 本地索引 · 方案说明
版本：1.0 | 更新：2026-02-22 问题：Cursor 的 Codebase Indexing 会把 embeddings 上传到云端，能否完全在本地操作？
一、Cursor 官方现状
1.1 当前行为（根据 Cursor Settings → Indexing & Docs）
| 数据类型 | 存储位置 | 说明 |
|---|---|---|
| 代码文件本身 | 本地 | 代码始终留在本机 |
| Embeddings | 云端 | 用于语义理解的向量 |
| Metadata | 云端 | 文件路径、行号等 |
结论：Cursor 目前不支持纯本地索引。没有「禁用云上传」选项，只能关闭索引或接受云端存储。
1.2 社区诉求
- Cursor Forum 有 Feature Request：It's possible to embedding codes entirely at local?
- 用户期望：像 chat 可以自托管 Ollama 一样，embedding 也能用本地 API
- 截至 2025：官方尚未实现该能力
二、可选方案对比
| 方案 | 数据位置 | 与 Cursor 集成 | 实现难度 |
|---|---|---|---|
| 关闭 Cursor 索引 | 无 | 原生 | 极低 |
| 卡若AI 本地代码库索引 | 完全本地 | 通过 Skill 调用 | 中 |
三、卡若AI 本地索引方案（推荐）
3.1 能力基础
卡若AI 已有：
- nomic-embed-text：Ollama 本地 embedding 模型（274MB）
- local_llm_sdk：
embed()、semantic_search()、batch_embed() - 运营中枢/local_llm：统一调用入口
3.2 方案架构
本地磁盘
├── 代码/文档（.md、.py、.js 等）
├── Ollama nomic-embed-text（本地 embedding）
├── 向量数据库 / JSON 存储（本地）
└── 检索脚本（index + search）
流程：
- 建索引：扫描卡若AI 目录 → 分块 → 本地 embed → 存本地
- 检索：用户提问 → 本地 embed 查询 → 相似度检索 → 返回结果
- Cursor 使用：在对话中通过「本地索引搜索」Skill 或
@本地索引触发
3.3 与 Cursor 的配合方式
| 步骤 | 操作 |
|---|---|
| ① | 在 Cursor Settings → Indexing & Docs 中 Pause Indexing 或 Delete Index |
| ② | 运行卡若AI 本地索引 Skill 的 index 命令，对本项目做本地索引 |
| ③ | 对话时：说「用本地索引查 XXX」「@本地索引 搜索 YYY」 |
| ④ | AI 调用 scripts/local_codebase_index.py search "XXX"，获取本地检索结果后回答 |
注意：Cursor 的 AI 仍会用其内置的 codebase 理解能力（基于 @ 文件、打开文件等），但不会再把 embeddings 传云端。本地索引作为补充，用于你希望「完全本地」的语义搜索场景。
四、何时使用
- ✅ 敏感项目、不希望任何 embedding 上传
- ✅ 离线环境、无法连接 Cursor 云端
- ✅ 需要语义搜索但接受「先建索引、再检索」的流程
- ❌ 不适用于：必须和 Cursor 原生索引深度绑定的功能（如实时 @ 整个 repo 的智能补全）
五、耗时与对比
5.1 索引耗时（估算）
| 方案 | 卡若AI 代码库（约 500～2000 可索引块） | 说明 |
|---|---|---|
| Cursor 云端 | 约 1～5 分钟 | 云端并行，依赖网络 |
| 卡若AI 本地 | 约 15～45 分钟 | 逐块本地 embed，每块约 0.5～1 秒 |
5.2 与 Cursor 云端索引的区别
| 维度 | Cursor 云端索引 | 卡若AI 本地索引 |
|---|---|---|
| 数据位置 | 代码本地，embedding+元数据云端 | 全在本地 |
| 首次索引 | 较快（1～5 分钟） | 较慢（15～45 分钟） |
| 检索延迟 | 低（云端向量库） | 低（本地 JSON 加载） |
| 增量更新 | 自动 | 需手动重跑 index |
| Cursor 集成 | 原生 @ Codebase | 通过 Skill 或 MCP 调用 |
| 隐私/离线 | ❌ 依赖云端 | ✅ 完全本地 |
六、GitHub 同类方案（可选替代）
| 项目 | Stars | 特点 | 与卡若AI 本地索引对比 |
|---|---|---|---|
| cursor-local-indexing | 34 | ChromaDB + MCP，Docker 部署，提供 @search_code |
需 Docker；卡若AI 零容器、纯 Python |
| autodev-codebase | 111 | TypeScript，Qdrant + Ollama，MCP，调用图、outline | 功能更全；需 Qdrant Docker；卡若AI 无额外服务 |
| linggen | 104 | Rust，LanceDB，Design Anchors，系统依赖图 | 偏架构记忆；需安装 CLI；卡若AI 更轻量 |
推荐选择：
- 要零额外依赖、和卡若AI 深度整合 → 用卡若AI 本地索引
- 要调用图、AI rerank、多模型 → 考虑
autodev-codebase - 要Docker 化、MCP 即用 → 考虑
cursor-local-indexing
七、参考
- Cursor Forum: It's possible to embedding codes entirely at local?
- 本地模型 SKILL：
04_卡火（火）/火种_知识模型/本地模型/SKILL.md - 本地代码库索引 SKILL：
04_卡火（火）/火种_知识模型/本地代码库索引/SKILL.md