msgvault离线检索和 AI 查询你的全部消息记录

翻聊天记录这事，几乎每个人都经历过。想找某年某月的一句话，得在微信、邮件、Slack 之间来回折腾，搜索还经常不认关键词。更别提那些已经停用的账号，数据说没就没。msgvault 这个开源项目，思路很简单：把一辈子的邮件和聊天记录收拢到本地，然后用 SQLite 和 DuckDB 建索引，让你能离线搜索、做统计分析，甚至通过 AI 查询直接问它“去年我和张三聊过哪些关于预算的事”。

它不是云端服务，不要求你上传任何东西。所有数据处理都发生在你自己的机器上，这对于在意隐私的人来说，是个很务实的方案。

为什么需要本地消息归档

现在的消息平台，搜索功能普遍做得一般。邮件还好，历史聊天记录基本是“能存但难找”。而且云端搜索意味着平台能读取你的内容，对于很多涉及工作、法律、医疗的交流，这本身就让人不放心。msgvault 把数据主权拿回来，你把数据导出、放进本地数据库，之后就完全由自己掌控。

另一个好处是“可分析”。本地结构化数据意味着你可以写 SQL 来统计，比如一天里什么时候消息最多，或者某个联系人占用了多少交流时间。DuckDB 这种嵌入式分析引擎让这类查询异常顺手。

msgvault 怎么工作

项目用 Go 编写，核心是把来自不同平台的消息统一转换成一种中间格式，然后存入 SQLite。原始消息保留，同时转换成 DuckDB 可读的分析视图。官方描述的“离线搜索、分析、AI 查询”就建立在这两层之上。

• 离线搜索：不联网，本地全文索引，响应速度很快
• 统计分析：按联系人、时间、渠道等维度聚合数据
• AI 查询：接入模型后，用自然语言提问，模型可以读取本地数据来作答

需要说明的是，AI 查询的具体实现目前还没有一个“开箱即用”的傻瓜方案。你需要自己配置模型入口，可能是本地跑的 llama.cpp，也可能是一般云 API。好在项目是开放的，技术用户可以根据自己的需求定制。

典型使用场景

假如你是一个自由职业者，跟客户沟通全靠邮件和即时消息，几年下来积累了几万条记录。某天想核对某项目的历史报价，直接问 msgvault“2023 年我们给 XX 公司报过多少钱”，比手动翻找高效得多。

另一个场景是做个人时间复盘。把微信、邮件、Telegram 的导出数据都倒进来，看看自己时间花在哪儿。虽然这需要一点折腾，但数据完全留在本地，心理负担小很多。

局限性也要说清楚

首先是门槛。目前它没有图形界面，安装和导入基本靠命令行，对普通用户不太友好。其次，导入器的覆盖范围有限，不同的聊天软件导出的格式千差万别，你可能需要自己写转换脚本。最后，AI 查询的效果依赖数据质量和模型能力，如果消息里全是口语和碎片，回答的准确率也会打折扣。

即便如此，msgvault 代表了一种值得关注的趋势：把 AI 用在个人数据上，而且是在本地。对于愿意花点时间的人，它确实能变成一个好用的人生记忆检索器。