sese-engine 自架搜尋引擎，原始碼全公開自己爬網建索引

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

想擁有自己的搜尋引擎，市面上常見的路線是 SearxNG 這種聚合器：自己不爬網，把 Google、Bing 等引擎的結果兜在一起再呈現。中國開發者莉沫醬（GitHub 帳號 RimoChan）的 sese-engine 走的是更硬派的一條路：搜尋引擎的每個零件都自己造。爬蟲自己寫、反向索引自己建、反向連結自己統計，整套用 Python 壓在一個不需要資料庫、不需要訊息服務的專案裡，連變數名稱都是中文。這個 2022 年 1 月開工的專案，到 2026 年 8 月累積了 943 個星、82 次 fork。

Pin

先講結論：拿它當日常搜尋引擎並不合格，拿它當搜尋引擎原理的活教材則綽綽有餘。原始碼和設計文件把「按一次搜尋鍵背後發生了什麼」講得非常透明，這種可讀性在同類專案裡少見。真要自架，得先過三關：一份寫明「版權所無」的半開玩笑授權、一個釘死在 Python 3.8 的執行環境，以及官方示範站早就掛掉、維運全靠自己這個事實。這篇把六部件架構和這三關一次攤開。

名字的梗也先說清楚。sese 沿用作者一貫的戲謔命名風格，官方前端倉庫的自我描述，翻成台灣用語就是色色搜尋引擎 UI，名字和內容無關，本體是一套正經的搜尋引擎程式碼。

它把搜尋引擎拆成六個看得懂的部件

打開倉庫第一眼會以為走錯地方：檔名幾乎全用中文詞，原始檔名為簡體，以下以繁體轉寫，核心模組更是一檔一個字。爬蟲叫蟲.py，主流程叫上網.py，反向索引整理叫回.py，另外還有人伺服器.py、收穫伺服器.py、儲存.py、設定.py。啟動腳本做的事情很直白：開一個 tmux 工作階段切成四格，四個行程分頭跑，爬蟲掛掉就自動重開，Windows 和 Linux 各有對應腳本。

設計文件把系統分成六個部件：全天候上網的爬蟲（文件原話形容它是現代大學生的榜樣）、反向索引整理器、反向連結統計器、直接寫入檔案系統的本地儲存、Flask 前端伺服器，最後一個部件是用戶，文件還一本正經地補了一句，它通常是一個人類，但也可以不是。網頁介面沒有算進六部件裡，它住在另一位開發者的獨立倉庫，想接前端的人要另外部署。每個部件的程式碼都短到能一次讀完。

Pin

其中兩個設計最值得細看。一個是爬蟲的記憶體管理：它本質上是無限的廣度優先搜尋，把每個網址當節點、頁面裡的連結當邊，從設定檔指定的入口一路擴散。這種佇列早晚撐爆記憶體，所以每掃完一層就照規則丟掉一部分候選：佇列太長時按權重隨機丟、單一網域塞太多時丟、純 HTTP 的網址太多時丟、沒有人反向連結的網域也丟。丟誰留誰，看的是已造訪次數、語種和反向連結數。另一個是排序用的熱門度估算：反向連結統計器把網址按斜線分層建成一棵樹，好比 github.com/RimoChan 是 github.com 的子節點，靠這棵樹在 4G 等級的記憶體裡估算每個網址的繁榮度，被越多網域引用的網址排序越前面，也越不容易在索引整理時被丟掉。這套取捨等於把 PageRank 的精神壓進平民硬體，讀起來比論文痛快。

搜尋結果的摘要也有巧思：設定檔裡的線上摘要功能預設開啟，第一次查到某個網址時才去造訪它的頁面抓簡介，限時 3 秒，抓到的內容存進磁碟快取重複使用；一時抓不到就先不顯示，背景再慢慢補抓一次。這個設計讓結果的簡介保持新鮮，代價是新結果的第一次查詢會慢一些，速度隨目標網站的回應狀況浮動。

語言辨識也沒有外包給雲端：倉庫裡直接附了一份 fastText 的 lid.176.ftz 模型檔，爬蟲抓到頁面後用它判斷語種，每個網域會累積自己的語種分布紀錄，這份資料正是後面搜尋口味調整的基礎。

示範站掛了一陣子，想試用只能自己架

README 放了官方示範站 sese.yyj.moe，歡迎大家一起去玩。截至 2026 年 8 月，這個站的前端還開得起來，搜尋功能卻是壞的：輸入關鍵字送出，等來的是伺服器錯誤，介面彈出的訊息也很符合這個專案的畫風，大意是伺服器壞了，快去打莉沫醬一頓。

這不是第一次。GitHub issue 的公開紀錄顯示，2024 年 12 月就有使用者回報示範站失效，作者當時的回覆是伺服器沒錢了，後來才想辦法續命重開。README 也自己招了：這台機器是一年 70 元人民幣租來的低階伺服器，第一次查詢卡個幾秒屬於正常，大概是服務行程被系統換到硬碟裡了。一個用興趣支撐的示範站，掛掉是常態而非意外。

對讀者的意義很直接：想體驗 sese-engine，自架是唯一的路。示範站適合當門面參考，不適合當可用性依據。

授權寫著版權所無，法律上要自己把關

多數開源專案的授權條款一行就看懂，這個專案的 LICENSE 是一篇小宣言，名叫莉沫醬革命協議（原文為簡體）0x0，開頭四個字是版權所無。條文大意是：作者認為著作權法愚蠢且應該廢除，因此不覺得自己對這個倉庫擁有什麼權利，自然也沒有權利可以授予任何人；你對副本做任何事的權利與生俱來，但這麼做也許在事實上觸犯了當地法律；作者用良心保證不起訴，其餘請自行依道德判斷行事。

GitHub 的授權偵測也因此顯示為 Other。它確實不是任何經 OSI 認可的開源授權，把它理解成作者客氣地宣告不追究，比理解成開源授權更精確。實務影響分成兩層：自己抓來玩、改來學，風險很低；要把衍生成果商用或再散布，就少了正規授權那層法律保障，後果自負。

環境釘在 Python 3.8，裝依賴是第一道檻

README 的部署說明只有三步：裝一個 Python 3.8、用 pip 裝依賴、跑啟動腳本。輕量化是真的：不用裝資料庫、不用訊息佇列，一個 Python 環境加上檔案系統就能跑，搜尋服務開在本機 80 埠，一份 curl 指令就能測。

但 Python 3.8 這個指定是認真的。README 明說版本太高依賴會裝不上，而 Python 3.8 的官方支援早在 2024 年 10 月就結束了。翻開依賴清單能看到原因：fasttext 0.9.2 和 reppy 0.4.14 這兩個套件在 PyPI 上只有原始碼套件，沒有現成的安裝檔，裝它們就是在本機編譯，新版 Python 搭配新版工具鏈很容易卡在這一步。整份依賴清單有 22 個套件，全部釘死版本，看得出是同一個年代凍結出來的環境，裡面拿得到中文斷詞用的 jieba、當伺服器的 waitress，還有輸出監控指標的 prometheus-client。想在 2026 年的機器上玩它，比較穩的做法是老實開一個 Python 3.8 的虛擬環境，或者改走社群維護的 Docker 路線：xiongnemo 的 sese-engine-docker，以及針對樹莓派 ARM 架構的 mengguyi 版本。

守規矩的爬蟲，和它爬不到的大部分中文網站

爬蟲的禮貌性寫得很扎實。蟲.py 的邏輯是：對每個網域先抓 robots.txt，不允許就直接丟出例外走人；同一網域兩次請求之間固定冷卻 3 秒；只收 HTML，其他格式一律略過；預設的使用者代理名稱叫 loli_spider。

麻煩在於守規矩的代價。很多大型網站的 robots.txt 對不認識的爬蟲一律全域封鎖，用預設名稱出門，等於被大部分門口擋在外面。作者自己在 GitHub issue 裡承認：程式確實尊重 robots 協議，但示範站爬蟲的名字確實不是 loli_spider。換句話說，連官方示範都要換個名字才爬得到東西。把名稱改成大型引擎的白名單身分能大幅提高收錄量，但那就違背了對方 robots 檔的意願，這條線要不要跨，每個自架者得自己判斷。自架搜尋引擎的第一課在這裡：你的引擎有多自由，止於別人網站的大門口。

預設的爬取入口是中文維基百科，這個起點選得聰明：維基媒體的站點對爬蟲相對友善，連結密度又高，天然適合廣度優先搜尋往外擴散。我們先前介紹過維基媒體旗下資源的另一種玩法，Wikimedia Commons 的免費多媒體素材庫，同樣建立在這個開放的生態上。

搜尋結果的口味，是你自己調的

打開配置.py 會發現這個搜尋引擎的價值觀全攤在明面上，參數名稱本身就是中文說明書：入口網址、爬取執行緒數預設 22、單一關鍵詞最多收錄 11000 條網址、同一網域在同一關鍵詞下最多佔 20 條、反向連結權重、連續關鍵詞加成係數，全部可以改。

其中語種權重這條最誠實也最有個性。預設值 0.5，註解寫著增加中文網站的權重、減少我看不懂的語種的權重。也就是說，預設搜尋結果會偏向中文，理由是作者只看得懂中文。這種偏好商業搜尋引擎不會寫出來，它寫了。你想要更接近國際網路原貌的樣本，就自己把數字調低。權重還設了每日 0.996 的衰減率，久未更新的網站會慢慢滑出排名，排序規則沒有任何黑盒子。

想盯著引擎的健康狀態，專案附了一套 Grafana 儀表板，README 用贈送加問號來形容它，搭配 Prometheus 指標，爬蟲速度、佇列積壓、索引佔用的記憶體行數都能畫成即時圖表，對長期養索引的人是實用的窗。

Pin

它和 SearxNG 的差別：真的自己建索引

自架搜尋這幾年比較常見的是 SearxNG 這種後設搜尋：把現有引擎的結果聚合起來，賣點是不把你的查詢紀錄交給大廠。sese-engine 屬於另一個物種，從爬取、索引到排序全部自己來。好處是收錄標準、排序規則、語種偏好完全由你定，索引就放在你的硬碟裡，誰也拿不走；代價是覆蓋規模受你的頻寬、硬碟和時間限制，一台小主機能養出來的索引，和商業引擎有根本上的差距。README 給的建議配置是 2 核心、4G 記憶體、128G 硬碟、5Mbps 頻寬，爬蟲約吃 1 到 2G 記憶體，搜尋服務本身幾乎不吃資源。

順帶釐清需求。如果你的問題其實是找回自己電腦裡的檔案，本機檔案搜尋工具會省事得多；想看第三方自訂搜尋的內容邊界，先前介紹過的飛搜是另一種自己動手搜的樣貌；而只是想集中收自己關注的資訊來源，RSS 聚合器比養一隻爬蟲實際。

誰該架它，誰讀原始碼就好

收斂到判斷。想弄懂搜尋引擎內部怎麼運作的人，這個專案值得整包讀：設計文件加原始碼，一個下午讀得完，比多數教科書具體，六部件架構每個環節都有對應程式可以對照。手上有閒置機器、想長期養一個自己的索引當實驗的人，它也勝任，前提是接受環境限制和沒有活躍維護的現實：倉庫最後一次提交停在 2025 年 5 月，到現在超過一年沒有動靜，8 個 issue 開著沒有下文，裝了就是現狀，別期待更新。

反過來說，想要開箱即用的 Google 替代品的人不用勉強：示範站掛著、安裝有門檻、索引要花時間養，這條路要投入的金錢和時間，對一般使用者來說成本偏高，聚合式自架搜尋會實際得多。

有個耐人尋味的細節是周邊比本體活得健康。官方前端 sese-engine-ui 由雲遊君（YunYouJun）維護，292 個星，2026 年 6 月還有提交紀錄；兩個第三方 Docker 專案也都找得到。引擎核心睡著了，外殼還醒著，這種狀態本身就說明了它的定位：一個被當教材和玩具傳承的極簡實作。

授權與專案狀態

授權採莉沫醬革命協議 0x0，版權所無、作者承諾不起訴，非 OSI 認可的開源授權，商用前請自行評估。專案現況（截至 2026 年 8 月）：943 星、82 fork，最後提交 2025 年 5 月 10 日，8 個開啟 issue，主力語言 Python，僅支援 3.8 版，Windows 與 Linux 都有啟動腳本。前端介面與 Docker 部署的周邊倉庫仍可取得，示範站的搜尋功能則處於失效狀態，動手前建議先到倉庫確認最新狀態。相關資源：GitHub 主倉庫、官方示範站、前端介面倉庫、Docker 部署套件。