zg使用 Rust 重写，索引构建耗时减少 65%，峰值内存降低 53%
内容提要
阿里巴巴开源本地检索工具 zg（zvec-grep），整合向量语义检索、BM25 关键词检索与 ripgrep 精确匹配，供人和 AI Agent 共用。0.3.0 版用 Rust 重写核心链路，安装包体积减少 79.5%，CLI 启动耗时减少 82.5%，索引构建耗时减少 64.5%，峰值内存降低 53.2%。评测显示接入后工具调用和 Token 消耗明显下降，准确率提升。
延伸解读
性能提升的根源：从运行时开销到原生执行
文章将 Rust 重写的收益归因于消除 Node.js 运行时启动、减少 JS 数组与 TypedArray 间的数据转换、以及共享分词器与模型数据。这些改动直接作用于高频调用的 CLI 场景，使冷启动从 153ms 降至 27ms，索引构建峰值内存减半。对 Agent 连续调用而言，单次节省会累积成可感知的延迟与资源差异。
评测数据的边界：配对 A/B 与特定语料
性能对比基于 Apple M3 Pro、固定 Embedding 模型与 BEIR 四个公开语料，共 75,128 篇文档；Agent 效果评测采用同一 Agent、模型和 Prompt 的配对 A/B。这些条件控制了变量，但结论仍限于所列语料与本地 CPU 推理路径。读者应将其视为该配置下的参考，而非跨硬件、跨模型的普适承诺。
安装与索引的实操注意点
zg 通过 npm 分发，但运行时是原生程序，安装需加 --allow-scripts 以执行 postinstall 脚本。索引默认存于工作区 .zvec-grep/，文件变更后增量处理；非交互环境不会自动建索引，需显式执行 zg --index。更换 Embedding 模型须用 --rebuild 重建，否则索引与查询模型可能不一致。
检索策略的选择：混合、纯语义与精确匹配
默认检索为向量与 BM25 的 RRF 混合排序，适合自然语言提问；--fts 仅走关键词，--vector 仅走向量，--rg 则无需索引、用于精确或正则核对。文章示例显示，语义检索能命中与查询无共同词汇的段落，但精确符号仍建议用 rg 风格收窄。多查询可用 --fuse 合并排序，范围可用 -t、-g 和 --limit 限定。
Q&A
zg（zvec-grep）是什么工具？它主要解决什么问题？
zg 是阿里巴巴开源的本地检索工具，面向人和 AI Agent，将向量语义检索、BM25 关键词检索和 ripgrep 精确匹配整合到同一个命令行入口。它主要解决 AI Agent 用自然语言检索代码时，纯文本匹配容易漏掉或范围过大的问题，通过语义发现、相关性排序和上下文组织，减少工具调用次数和 Token 消耗。
zg 0.3.0 用 Rust 重写后性能提升了多少？
根据官方评测，Rust 版 0.3.0 相比 Node.js 版 0.2.2：安装包体积减少 79.5%（167.5 MiB → 34.3 MiB），CLI 启动耗时减少 82.5%（153.1 ms → 26.8 ms），索引构建总耗时减少 64.5%（219.13 s → 77.84 s），构建期峰值内存降低 53.2%（4,210.26 MiB → 1,968.61 MiB），平均检索耗时减少 28.9%（20.93 ms → 14.88 ms）。
为什么 zg 要从 Node.js 迁移到 Rust？
主要原因是 Node.js 运行时对高频 CLI 工具带来额外成本：每次调用都要启动 Node.js 并加载 JS 模块，Agent 连续调用时耗时累积；索引路径需要在 JS 普通数组和 TypedArray 之间转换，并在 worker 线程间传数据，造成复制和临时内存分配；安装包需携带整套 JS 依赖和原生插件，体积很大。Rust 重写解决了这些启动、内存和分发问题。
zg 如何安装并接入 Claude Code、Cursor 等 AI Agent？
zg 目前通过 npm 分发，安装命令为：npm install -g @zvec/zvec-grep --allow-scripts=@zvec/zvec-grep，然后运行 zg --version 验证。接入 Agent 可执行 zg --install 自动发现本机已安装的 Agent 并配置 MCP，也可用 zg --install --target claude --yes 或 --target codex --yes 指定目标。支持的目标包括 claude、codex、opencode、cursor、qwen、qoder、copilot、vscode、grok、pi。配置完成后重新连接 Agent 即可。
zg 的检索方式有哪些？如何建立索引？
zg 支持多种检索方式：默认混合检索（向量 + BM25，RRF 融合排序），可用 zg "自然语言查询"；--fts 仅走 BM25；--vector 仅走向量；--rg 做 ripgrep 风格精确/正则匹配（无需索引）；--hybrid 配合 --fuse 可合并多组查询结果。建立索引：在仓库根目录执行 zg --index，默认使用面向代码的本地模型 local/potion-code-16m-v2，索引保存在 .zvec-grep/ 下，支持增量更新。可用 zg --status 查看索引状态，用 zg --index --rebuild --embedding <model> 更换模型重建。
接入 zg 后对 AI Agent 的评测效果如何？
在 SWE-QA-Bench 和 BrowseComp-Plus 的配对 A/B 评测中（同一 Agent、同一模型、同一 Prompt，只比较是否接入 zg）：SWE-QA-Bench 工具调用减少一半以上，输入 Token 减少近一半，评审得分提高 1.50 分；BrowseComp-Plus 准确率从 98.67% 提高到 99.00%，输入 Token 减少 37.56%，工具调用减少 43.52%，Agent 耗时减少 38.58%。
zg 的索引和检索是否在本地运行？数据隐私如何保障？
zg 默认本地运行：文件扫描、Embedding、索引和检索默认都在本机完成。内置多种端侧模型，远程 Embedding 必须经过用户明确授权才会启用。底层使用 Zvec 嵌入式向量数据库同时存放向量索引和 BM25 索引，无需额外部署数据库服务，CLI 和 MCP 读写同一份索引。
