Mango Finder：用問句找本機檔案，把內容記憶變成搜尋結果

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

你應該有過這種經驗：明明記得上個月寫過一份關於年度預算的文件，卻怎麼也想不起檔名叫什麼。在資料夾裡翻半天，最後發現檔名被命名成《2025_Q4_v3_最終版.docx》。Windows 內建搜尋與 Everything 這類工具擅長用檔名與路徑快速定位，但對「檔案裡到底寫了什麼」的語意理解相當有限。Mango Finder 把這個問題反過來處理：讓你用一句話描述還記得的內容，由工具自己去比對檔案本體。

Mango Finder 是一款用自然語言搜尋本機檔案的桌面應用，前身名稱是 Mango Desk，目前在 GitHub 上以 PolyForm Noncommercial 1.0.0 授權公開原始碼，由開發者 moyangzhan 維護。它最大的定位差異是「以語意為核心的本地搜尋」：所有檔案會先在本地被向量化，之後你輸入的查詢句會透過同一套模型轉成向量，再與檔案向量比對相似度。換句話說，你不必為了方便搜尋而重新整理檔名，只要還記得內容輪廓，就有機會把檔案挖出來。

Pin

Mango Finder 在解決什麼樣的痛點

傳統檔案搜尋工具的核心邏輯是「字串比對」。如果你搜「年終獎金」，但文件裡的用詞是「年度績效激勵」，字串比對就會錯過這份檔案。這對已經把檔名整理得很乾淨的人通常不是問題，但對文件量大、主題又互相交疊的人（例如研究筆記、會議紀錄、程式碼片段、合約掃描檔）就很吃力：你很難預先知道未來會用什麼角度回頭找這份資料。

Mango Finder 把這個流程換成「描述你還記得的內容」。例如輸入「上次提到離職員工交接那段會議紀錄」、「那張拍下白板架構圖的照片」或「半年前錄的那段訪談音檔」，工具會透過語意向量比對，把對應的文件、圖片與音訊一次列出來，並標示相似度排序。對於把大量內容累積在本地、又長期依賴「印象」而非「檔名」找資料的人，這個切入角度的價值會隨檔案量增加而放大。

Mango Finder 怎麼讀懂你的檔案

Pin

官方 README 把處理流程拆成索引與搜尋兩階段。索引階段，Mango Finder 會掃描指定資料夾，依副檔名把檔案交給對應的解析器：PDF、Word、Excel、PowerPoint 與純文字交給統一的 anytomd 載入器並轉成 Markdown；圖片交給 vision.onnx（視覺模型）做特徵抽取；音訊交給 whisper-small-q8_0.bin（透過 whisper.cpp）轉成文字；中文與英文 OCR 在 v0.12.0 之後改用 PaddleOCR PP-OCRv4，取代早期版本使用的 ocrs，對中文文件辨識的準確度明顯改善。所有抽出來的內容會再過一次 embedding.onnx 轉成語意向量，連同檔案路徑、修改時間、內容摘要寫進本機資料庫。

搜尋階段，你輸入的查詢句會走同一個 embedding 模型，產生的查詢向量會和資料庫裡每筆檔案向量比對餘弦相似度，再混合關鍵字與路徑精確匹配的結果一起排序。除了「按意思找」，Mango Finder 也提供「相似檔案」功能：對圖片走感知雜湊（perceptual hashing），對文件走語意相似，對音訊比對音紋，可以從一個檔案出發，把內容或形式相近的其他檔案一次展開。

整套模型清單在 README 的 FAQ 裡有齊全交代。預設全程跑在本機：embedding.onnx、vision.onnx、whisper-small-q8_0.bin 與 PaddleOCR 模型都放在 src-tauri/assets/model，可從 GitHub Release 的 model.zip 或 Hugging Face 上的 moyangzhan/mango-finder 下載。這也是 Mango Finder 第一次啟動會比較吃頻寬的原因：模型檔案加起來將近 1 GB。

隱私與三種處理模式

Mango Finder 的 README 明確列出三種處理模式：本地模式（完全離線，預設值）、自托管模式（Ollama 或 vLLM 在內網跑私有模型服務）、雲端模式（遠端 AI 服務）。預設完全不上傳資料，這一點屬實；但「雲端模式」這個選項確實存在，使用前必須理解它的邊界。

遠端模型目前包括 gpt-5-mini 與 gpt-4o-mini-transcribe，分別用於圖片與音訊解析。兩者皆預設關閉，必須由使用者主動開啟，且會把對應的檔案內容送往外部服務。官方在 FAQ 裡也標註「計畫之後用本地模型取代這些遠端選項」，目前還沒有完全實作。換句話說，把 Mango Finder 當作「100% 不會對外連線」是簡化說法：預設路徑確實如此，但功能設定裡保留了雲端選項，企業或團隊也可以透過自托管模式把模型限制在內網。

程式碼內另外保留了一些尚未啟用的模型名稱：qwen-turbo、deepseek-chat、deepseek-reasoner。README 說明這些是為未來的知識圖譜與進階文件分析預留的位置，目前不會被任何功能主動呼叫，但對「想自己改接其他 LLM 的人」來說是可以預期的擴充點。

跨設備搜尋與多設備情境

跨設備搜尋是 ahhhhfs 原文幾乎沒提到、但 README 把它列為核心特色之一的功能。只要同一個區域網路內的多台機器都開著 Mango Finder 並啟用多設備功能，工具就會透過 mDNS 協議自動發現彼此，預設走 port 15678 溝通。你可以從 Mac 上直接搜尋放在 NAS、Linux 或另一台 Windows 裡的檔案，不必先把檔案同步過來。

這個功能的實際表現高度依賴網路環境。README 的 FAQ 直接點出三個常見失敗情境：路由器開啟了 AP 隔離／用戶端隔離、Windows 防火牆或第三方安全軟體擋了連入連線、裝置分屬不同子網路（例如 2.4GHz 與 5GHz 頻段被切成兩個子網路）。如果 port 15678 已被其他程式佔用，也可以在設定裡改走其他連接埠。對家庭網路或開放辦公室通常沒問題，對企業內網就需要先確認網管政策。

Mango Finder 與既有搜尋工具的差異

需要特別說明的是：Mango Finder 並不是要取代 Everything 這類極快速的檔名搜尋工具，兩者互補。當你記得精確檔名或副檔名時，Everything 的回應速度仍然無可取代；當你只記得「那段內容大概講了什麼」，Mango Finder 才派得上用場。如果你已經把工作流程收攏在 Obsidian 或 Notion 裡，那些工具自帶的搜尋對「自己生態系內的筆記」已經夠用，Mango Finder 的價值在於它涵蓋散落在桌面、文件資料夾與 NAS 上的非結構化檔案。

誰會用得上，誰先觀望

這個工具目前最適合的使用情境，是「長期把大量非結構化檔案累積在本機、又習慣用印象而非檔名找資料」的人。研究人員、內容創作者、開發者（要在舊 repo 裡找一段實作過的程式碼）、團隊管理者（要在會議紀錄與企劃案之間反覆查證數字）都是相對應的受眾。如果你會用到跨設備功能，把舊檔案集中放在 NAS、再從筆電跨網段搜尋，這個工具提供的 mDNS 路徑比雲端同步更省事。

以下幾種情境建議先觀望。檔案量很少、且已經有齊全資料夾結構的人，傳統搜尋就夠用。對模型下載與首次索引時間敏感的人也要留意：Mango Finder 第一次跑會下載將近 1 GB 的模型檔案，索引大量檔案時也會耗用一段 CPU 與磁碟資源。最後是把這套工具直接用在商業產品裡的人，PolyForm Noncommercial 明確禁止商業使用，企業內部評估或個人研究沒問題，但要做成對外販售的服務就得另談授權。

限制與風險

語意搜尋的「準確度」是工具最容易被質疑的點。GitHub issue #12 反映過早期版本「匹配度太差、幾乎沒辦法用」的狀況（後續已關閉），v0.12.0 改用 PaddleOCR PP-OCRv4 之後，中文與英文文件的 OCR 品質明顯改善，但語意搜尋本身的特性就是「召回廣、精確度依賴模型與查詢方式」。它不會給你唯一正確答案，而是列出「最可能相關的 N 筆」，需要你再看一眼結果決定要點開哪一份。

多模型架構也帶來維護成本。Mango Finder 同時使用 ONNX Runtime、whisper.cpp、PaddleOCR、Tauri Webview 與 Rust 後端，每一層都有自己的平台相依性。Windows 編譯需要 CMake 與 LLVM 18（README 明確指出 LLVM 19／20／22 有相容性問題），Apple Silicon 需要 -U__ARM_FEATURE_MATMUL_INT8 旗標避免 whisper.cpp 編譯錯誤。對只想用預編譯安裝包的一般使用者影響不大，但想從原始碼編譯的人會踩到不少環境門檻。

專案維護節奏屬於「個人開發者穩定推進」的類型：截至 2026 年 7 月，累積 245 顆星、13 個 fork、21 個 release、22 個 issue（僅 1 個 open），v0.12.0 在 2026 年 5 月釋出，最後一次原始碼推送落在 2026-05-28。作者同時提供 GitHub Releases 與百度網盤兩個下載管道，後者暗示了主要受眾包含中國大陸使用者，這點對台灣讀者沒有實際阻礙，但代表未來更新與文件修訂會以那個市場的回饋為主。

與其他本機優先工具的關係

Mango Finder 並不是 TechMoon 寫過的唯一一個「把模型搬進本機」的桌面工具。如果你對語音相關的處理流程有興趣，Auto-Subs 走的是同一條 whisper.cpp 路線，把語音轉字幕的功能收進 DaVinci Resolve；如果你關注 BYOK 的雲端邊界議題，BrowserOS 示範了把 11+ 家模型供應商接到同一個本機 Agent 的架構，剛好對照 Mango Finder 的「遠端模型可選但預設關閉」設計。Tauri 桌面工具的實作典範則可以參考 Youwee，Everywhere 則示範了另一種「桌面 AI 助手」的取徑。這幾個工具共同構成的圖像是：本機優先並不等於「絕對離線」，而是「預設離線、需要時才外送」。

常見問題

Mango Finder 和原本的 Mango Desk 是同一個專案嗎

是。作者在 README 開頭就寫明 Mango Finder 前身名稱為 MangoDesk，舊的 GitHub repo moyangzhan/mango-desk 已自動轉址到 moyangzhan/mango-finder。功能定位也從原本的「單機檔案搜尋」擴充到跨設備搜尋與多模式處理。

預設真的完全不會把檔案上傳出去嗎

預設路徑是的。所有索引、向量比對、OCR、語音轉文字都在本機跑，模型檔案放在 src-tauri/assets/model。會把內容送往外部的只有兩種情況：你主動啟用 gpt-5-mini 處理圖片、或啟用 gpt-4o-mini-transcribe 處理音訊；或是你選擇自托管模式但把模型服務架到外部主機。兩者都是 opt-in，不安裝也不啟用就不會發生。

可以把 Mango Finder 用在商業產品裡嗎

不行。Mango Finder 採用 PolyForm Noncommercial 1.0.0，這份授權明確禁止商業使用，並不是 OSI 認可的開源授權（GitHub 上標示為 NOASSERTION）。個人研究、團隊內部知識管理、學術用途沒問題；要做成對外收費的服務或包進商業產品，必須另行與作者洽談授權。

第一次安裝要準備多少空間

模型檔案加起來接近 1 GB（包含 embedding.onnx、vision.onnx、PaddleOCR 模型與 whisper-small-q8_0.bin），這是預設下載量。除此之外，索引階段會在本機資料庫寫入每個檔案的向量與抽出的內容，檔案量大時資料庫也會跟著變大，建議預留幾 GB 的緩衝空間。

授權與專案狀態

Mango Finder 的原始碼公開在 moyangzhan/mango-finder，採 PolyForm Noncommercial 1.0.0 授權，禁商業使用。技術棧為 Rust 加 Tauri Core（後端）、WebView 加 PNPM 與 Node.js（前端），支援 Windows、macOS 10.15 以上與 Linux。截至 2026 年 7 月，專案累積 245 顆星、13 個 fork、21 個正式 release，最新版 v0.12.0 於 2026 年 5 月 6 日釋出，最後一次原始碼推送落在 2026 年 5 月 28 日。安裝檔可從 GitHub Releases 或作者提供的百度網盤下載。這是一個仍在積極推進、但個人維運的專案，建議在正式倚賴它之前先確認你的使用情境允許「工具作者隨時可能調整維護節奏」這個前提。