---
title: "iPhone 照片留在本機，讓 Comma 幫你找 · Comma 部落格"
description: "模型也在本機執行。你用自然語言提問，Comma 從本機索引裡把照片找出來。"
url: https://comma.surf/zh-tw/blog/local-iphone-photo-search
language: zh-TW
---

[返回部落格](https://comma.surf/zh-tw/blog)

Comma Team · 2026 年 10 月 28 日 · 閱讀約 6 分鐘

# iPhone 照片留在本機，讓 Comma 幫你找

模型也在本機執行。你用自然語言提問，Comma 從本機索引裡把照片找出來。

[開始使用](https://app.comma.surf/) [閱讀文件](https://comma.surf/zh-tw/docs/salix/devices)

在網路上預訂租車，表單要填駕照號碼和到期日，駕照卻不在手邊。你記得去年換新駕照時拍過照片，正反兩面，可是它們混在 iPhone 裡幾萬張照片中間。你想用自然語言問 [Comma](https://comma.surf/zh-tw/)，把這兩張照片找出來。

這篇指南介紹一種做法：先用本機模型替照片建立一份索引，再讓 Comma 去搜尋它。這是在一台 Mac 上的示例設定，不是 Comma 的內建功能。

## 圖庫留在本機

Comma 不需要你照片的副本。最費力的工作，也就是讀出每張圖裡的文字、把每張照片轉成向量，都由本機模型完成。AI 代理拿到的是一次搜尋的結果：幾個照片 ID、它們的日期、圖裡辨識出的文字，以及需要你挑選時的一張縮圖拼圖。只有你最後挑中的照片，才會傳到對話裡。

照片同步本身走 iCloud；這裡說的本機，指的是匯出之後的辨識、向量和索引。如果 Comma 用的是雲端模型，這些搜尋結果，以及你讓它查看的圖片，會傳給你選擇的模型供應商；像駕照這樣的證件，辨識出的文字裡就有號碼和住址。索引本身不會傳到任何地方。Comma 本身是開源的，也可以[部署在你自己的機器上](https://comma.surf/zh-tw/self-host)。

## 建立照片索引

索引接在照片原本就會走的路徑後面，iPhone 上什麼都不用改。

匯出之後的步驟都在 Mac 上執行。

設定分三步：

1. **把照片匯到本機。** 用 iCloud 照片把 iPhone 上的照片同步到 Mac，每天把新照片匯出到一個資料夾。
2. **用本機模型處理。** 辨識圖裡的文字，再用 [Chinese-CLIP](https://huggingface.co/OFA-Sys/chinese-clip-vit-base-patch16) 和 [Qwen3-VL-Embedding](https://huggingface.co/Qwen/Qwen3-VL-Embedding-2B) 把畫面轉成向量。
3. **存進本機索引。** 結果存進本機資料庫，再配一條搜尋指令。範例裡這個指令叫 `lpa`。

## 搜尋會傳回什麼

在本機，一次搜尋就是一條指令。一次呼叫可以放進幾種說法，模型只載入一次；AI 代理會把「去年」這樣的說法換成一段日期範圍。

sh

```
lpa search "driver license" "driver's license" "驾照" \
  --from 2025-01-01 --to 2026-01-01 --prefer text --json -n 9
```

每筆結果都會標出它背後是哪種依據：

| 標記 | 含義 |
| --- | --- |
| 文字命中 | 每個詞都在圖裡的文字中找到了。 |
| 可能 | 畫面看起來相似。相似的東西容易混淆。 |
| 低信心度 | 只在沒有更好的結果時才顯示。 |

`--prefer text` 把文字命中排在前面，適合找證件、卡片和螢幕截圖。`--prefer picture` 把畫面相似的排在前面，適合找貓或海灘。幾分鐘內拍下、幾乎一樣的照片在清單裡只佔一個位置，其餘的附在它下面。

文字命中：網路名稱和密碼來自照片裡卡片上的字。這張照片是為本例產生的。

畫面命中：這些照片裡沒有任何字寫著「貓」或「窗台」，是畫面向量找到了它們。

排在最前面的結果不確定時，AI 代理不會去猜。它會把候選的縮圖拼成一張帶編號的圖，最多九張，請你來挑。

拼圖示意，駕照為示例證件。1、2 是文字命中的駕照正反面，3、4 畫面像卡片，其餘是低信心度的候選。回覆「1 和 2」，AI 代理就傳送駕照的正反兩面。

兩組向量的用法，是在約 5 萬張照片的完整圖庫上校準後定下的。單用 Qwen3-VL-Embedding 時，人工挑出的正確答案反而比單用 Chinese-CLIP 排得靠後；兩份排名合併後，檢查過的每一項都不比單用任何一個模型差。「可能」也要兩個模型的相似度都過門檻才會標上，在一次測試查詢裡，標成「可能」的照片從 4,970 張降到 4 張。代價是一次搜尋從約 3 秒變成 3.5–6 秒。

這套範例在一台 16 GB 記憶體的 MacBook Air 上執行，Qwen3-VL-Embedding 用的是 2B。機器更好的話，可以換更大的 Qwen 模型：

- **更大的向量模型。** 把 Qwen3-VL-Embedding-2B 換成 [Qwen3-VL-Embedding-8B](https://huggingface.co/Qwen/Qwen3-VL-Embedding-8B)。換了以後，所有照片的向量都要用新模型重算一遍。
- **替照片寫描述和標籤。** 另外執行 [Qwen3-VL-4B-Instruct](https://huggingface.co/Qwen/Qwen3-VL-4B-Instruct) 或 [Qwen3-VL-8B-Instruct](https://huggingface.co/Qwen/Qwen3-VL-8B-Instruct)，替每張照片寫一句描述、列幾個標籤，存進文字索引。例如在一台 24 GB 記憶體的 MacBook Pro 上，8B（8-bit 量化）就能執行。產生的標籤適合粗篩，不保證準確。

**英文怎麼辦？** Chinese-CLIP 主要用中文圖文訓練，英文查詢它不可靠。另外兩項不受影響：文字辨識中英文都認得，Qwen3-VL-Embedding 也支援多種語言。所以搜尋時中英文說法一起放，就像前面那條指令，這一點可以寫進 Skill。圖庫和提問以英文為主的話，也可以把 Chinese-CLIP 換成原版的 [CLIP](https://huggingface.co/openai/clip-vit-base-patch16)，換了同樣要重算向量。

## 找家人和朋友

「照片」本來就會把同一個人的臉歸在一起。索引直接用這份分組，自己不做人臉辨識。

1. **先認人。** 第一次使用時，AI 代理從這些分組裡挑出幾批照片，編上號問你這是誰。你回一句「3 號是媽媽」，它才記下。沒確認過的分組，不會被當成任何人。
2. **按人找。** 之後提到名字，搜尋只在這個人出現的照片裡找。名字可以疊加：說兩個人，就只傳回兩個人都在的照片，也就是你們的合照。
3. **和其他條件一起用。** 人名可以和畫面、時間一起搜尋，例如「去年我和媽媽在海邊的合照」：

sh

```
lpa search "beach" --person Me --person Mom \
  --from 2025-01-01 --to 2026-01-01 --prefer picture --json -n 9
```

名字沒確認過，或者有兩個人同名，搜尋會直接說明，不會猜。認錯了可以改，每次修改都能復原。

## 影片怎麼找

影片和照片分開搜尋。預設的搜尋只查照片；例如你想找孩子生日吹蠟燭的那段影片，跟 Comma 說清楚要找影片，它會在搜尋裡加上 `--source video`：

sh

```
lpa search "blowing out candles" "birthday cake" --source video --json -n 9
```

背後分三步：

1. **擷取畫面。** 影片本身不進模型。索引程式每 5 秒從影片裡擷取一格，每段最多 12 格。
2. **按畫面搜尋。** 擷取下來的畫面和照片走同樣的處理：辨識文字、算兩組向量。搜尋比對的是這些畫面，哪一格對上了，整段影片就算找到，在結果裡只佔一筆。
3. **傳送影片。** 你選定以後，AI 代理用 `lpa video` 把影片傳過來。

找影片：對上的畫面都屬於同一段影片，所以這段影片只算一筆結果。

目前只看畫面，不聽聲音，影片裡說過的話還搜不到，影片裡的人也還認不出來。擷取的格數有上限，長影片裡一閃而過的畫面可能找不到。

## LocalPhotoAgent 的結構

文中的 `lpa` 來自我們自己寫的索引程式 LocalPhotoAgent，之後會開源。建立索引的部分前面已經講過，這裡補充兩點：

- **可以隨時停下。** 每張照片的每一步都單獨記錄，執行到一半停下，下次接著做；改了某項設定，只重跑受影響的那一步。處理時會盯著記憶體、溫度和磁碟空間，超過就先停下。
- **給 AI 代理幾條指令。** `lpa search` 搜尋，`lpa sheet` 產生拼圖，`lpa preview` 傳照片，`lpa video` 傳影片。AI 代理查照片時按這個順序呼叫：

## 連接 Comma

前提是 LocalPhotoAgent 已經在 Mac 上順利執行。連接分四步：

1. **新增裝置。** 在 Comma 的 **Settings > Devices** 裡點 **Add device**，取得一條安裝指令。
2. **執行指令。** 在放圖庫的那台 Mac 的「終端機」裡執行它，裝上 Comma Connector。
3. **開啟權限。** 新裝置預設是 **Off**，改成 **Full**，AI 代理才能執行 `lpa`。
4. **寫一個 Skill。** 告訴 AI 代理先搜尋、不確定時傳拼圖、你挑完再傳照片。可以直接請 Comma「建立一個 Skill」。

之後就和平常聊天一樣，直接問：「找一下我去年拍的駕照，正反兩面都要。」

開頭那個問題，找到了答案。駕照為示例證件。

## 信任與限制

索引只讀取原圖，從不移動、編輯或刪除它們。搜尋完全不碰外接硬碟；只有產生拼圖或傳送照片時才會讀它。移動或刪除照片不在這套設定的範圍內；不過設成 Full 權限後，AI 代理能在這台 Mac 上執行的指令不只限於 `lpa`。

文字命中只說明找到了這些字，不代表就是你想要的那張照片。「可能」只是候選。Comma 把請求標為已完成時，請檢查它傳來的照片。

第一次試的時候，你可以這樣說：「找出我去年拍的駕照照片。先給我看拼圖，不要傳送、移動或刪除任何東西。」

指南

[返回部落格](https://comma.surf/zh-tw/blog)

分享

## 相關文章

2026 年 10 月 28 日

### [什麼是始終在線的 AI 代理？](https://comma.surf/zh-tw/blog/what-is-an-always-on-ai-agent)

2026 年 10 月 27 日

### [個人 AI 代理與 AI 助手：區別在哪裡？](https://comma.surf/zh-tw/blog/personal-agent-vs-ai-assistant)

2026 年 10 月 26 日

### [什麼是個人 AI 代理？一個會持續工作的 AI](https://comma.surf/zh-tw/blog/what-is-a-personal-agent)

## Try Comma, Now.

[開始使用](https://app.comma.surf/)