你有没有这种经历：
明明记得 star 过一个很好用的工具，但真正需要用的时候却怎么都找不到。翻了半天收藏夹，全是一年前随手点的项目，名字完全对不上号。
或者更绝一点——打开 GitHub，面对密密麻麻的数千个 star，脑子一片空白。
这不是你的记性不好，而是 GitHub 的 star 功能从来就不是为“找回”设计的。
问题出在哪？
GitHub 的 star 本质上更像一个书签功能，它只能告诉你“我收藏过这个”，却没法帮你回忆“我为什么收藏它”。
官方提供的筛选能力也比较有限：按语言、按时间排序，或者手动加 List 分类。但现实是，谁会在 star 的那一刻认真做归档整理呢？
于是就很容易出现这些场景：
- 想找一个“用 Rust 写的高性能 key-value 存储”，只能靠肉眼扫描
- 想起一个项目“好像是做 React 状态管理的，但不是 Redux”，却完全没有线索
- 翻到两年前 star 的项目时，已经不记得它到底是干什么的了
我做了什么
最近我写了一个叫 starepo 的命令行工具，专门解决这个问题。
它的核心思路很简单：把你所有 star 过的仓库拉到本地做向量化，然后通过语义搜索来检索它们。
换句话说，你可以直接像问一个“记性很好”的朋友一样，用自然语言去找项目：
starepo search "用 Rust 写的高性能 key-value 存储"
starepo search "不需要服务器的 React 状态管理"
starepo search "命令行的 AI 编程助手"
它会综合语义理解和全文检索，把最相关的结果排在前面。
更重要的是，整个过程几乎零配置，也不需要任何 API Key。 不用 OpenAI Embedding API，不用额外接入某个 LLM 服务，向量模型完全本地运行，GitHub 授权完成后就能直接使用。
技术上是怎么做到的
整个方案不依赖云服务，完全在本地运行。
向量嵌入使用的是 Xenova/bge-m3，这是一个支持多语言的开源模型，1024 维，首次运行大约会下载 23MB 的模型文件，后续即可离线使用。
存储使用的是 LanceDB，这是一个专门为向量搜索设计的本地数据库。它的优点之一是无需复杂编译，直接通过 npm 安装即可使用。
搜索策略则分成三层：
- 关键词搜索（FTS）：基于倒排索引，速度最快，适合精确词语匹配
- 向量搜索：把查询语句也转成向量，用余弦相似度找最接近的仓库
- 混合搜索：合并两路结果、去重，并按相关性重新排序
这样一来，无论你记得的是关键词，还是只记得一个大概用途，都能更容易把目标项目找出来。
用起来有多简单
安装只需要一行命令：
npm install -g starepo
# 或者不安装，直接用 npx
npx starepo <命令>
第一次使用主要分三步：
# 1. GitHub 授权（Device Flow，不需要手动填 Token）
starepo auth
# 2. 同步所有 star 并生成向量（一次性操作）
starepo sync
# 3. 开始搜索
starepo search "你想找的东西"
同步完成之后，后续搜索基本就是即时响应。
如何通过 Skill 集成？
如果你正在使用 Claude Code，或者其他支持 skills.sh 的 AI 编程工具，还可以一键安装 starepo skill：
npx skills add yangyang0507/starepo
安装之后，你甚至不需要自己记命令。直接告诉 AI Agent：
帮我在 star 里找一个 XXX
它就可以自动调用 starepo 帮你完成检索。整个过程不需要切窗口，也不需要手动去 GitHub 翻收藏夹。
如何通过 MCP 集成？
starepo 还实现了 MCP 服务器，可以接入 Claude Desktop、Cursor 这类 AI 工具。
配置也非常简单，几行 JSON 就够了：
{
"mcpServers": {
"starepo": {
"command": "npx",
"args": ["starepo", "serve"]
}
}
}
完成配置后，你可以直接在对话框里问 Claude：
帮我找一下我 star 过的、和 LLM 推理加速相关的项目
Claude 会调用 starepo 提供的工具，直接把结果返回给你。这样一来，GitHub star 不再只是一个静态收藏夹，而是变成了一个可搜索、可对话的知识库。
最后
数年的 star，不应该就这样沉在收藏夹里吃灰。
项目已经开源，感兴趣的话可以看看：
如果你觉得它有用，也欢迎顺手点个 star——这一次，你应该不会再忘记它放在哪了。
本文涉及的所有代码和数据均在本地运行，不会上传任何个人数据。
