启用语义搜索

Notarium 的全文搜索（FTS）始终可用，无需任何配置。语义（向量）搜索则是一项可选能力：它带来按语义的混合排序，但会引入一套沉重的原生栈（onnxruntime + sqlite-vec，磁盘占用约 660 MB），以及首次启用时下载的本地嵌入模型（磁盘占用约 600 MB，还要吃掉数百 MB 内存）。正因如此，它默认关闭，需刻意开启。想了解搜索底层如何运作，参见概念：搜索。

两个相互独立的开关

把两个层面分清楚很有帮助——安装与运行时：

安装——原生向量栈是否存在于 node_modules 中。Docker 镜像始终自带它，因此在容器内开启无需重新构建。从源码运行时，默认的 make deps 不会安装它（本地 node_modules 因此轻约 660 MB）——若要在本地做向量相关工作，你需要 make deps-vector。
运行时——VECTOR_SEARCH 变量。在发布的镜像中，它默认为 off。

在 Docker 中启用语义搜索，只需拨动运行时开关即可——原生栈早已就位。

开启

docker run -d --name notarium \
  -p 3000:3000 \
  -v notarium-data:/data \
  -e VECTOR_SEARCH=on \
  docouno/notarium:latest

（单个 /data 数据卷承载全部状态——元数据库、索引、你的笔记、导出产物；与普通运行时相同，参见安装。这里只是多加了一个 VECTOR_SEARCH=on。）

首次启用时，默认模型（bge-m3）会下载（磁盘占用约 600 MB）并占用数百 MB 内存。索引在后台构建：全文搜索立即可用，向量随后追上。

模型档位

模型由 EMBED_MODEL + EMBED_DIMENSIONS 这一对参数决定（维度必须与模型匹配）——它是同一镜像上的运行时设置，而非另行构建：

档位	变量	内存	何时使用
off	`VECTOR_SEARCH=off`	0	低配机器，或关键词搜索已够用。镜像的默认值。
compact	`VECTOR_SEARCH=on`、`EMBED_MODEL=Xenova/multilingual-e5-small`、`EMBED_DIMENSIONS=384`	约 120 MB	Homelab、小型 VPS。
full	`VECTOR_SEARCH=on`（默认：bge-m3，1024）	约 600 MB	高性能机器；100+ 种语言、长上下文。

非对称的 e5 模型

compact 档位（e5）需要前缀 EMBED_QUERY_PREFIX="query: " 和 EMBED_PASSAGE_PREFIX="passage: "——遗漏它们会悄无声息地拉低搜索质量。而对于对称的 bge-m3 则恰恰相反：你不应设置这些前缀。

资源紧张的机器上

在没有 swap、约 6 GB 内存的主机上，bge-m3 的首次索引可能触顶内存。有两个手段：改用 compact 档位（e5-small），或设置 EMBED_CPU_MEM_ARENA=off——这会把消耗控制在约 1.9 GB，代价是略微变慢。嵌入参数的完整清单，见参考。

回退到全文搜索

若 VECTOR_SEARCH=off，或原生栈因任何原因加载失败，搜索仍会基于全文继续工作——不报错，结果看上去也一样。语义搜索是叠加在始终可用的 FTS 之上的一路额外排序通道，而非硬性依赖。没有向量的实例，同样是一个完全可用的实例。