原理很简单，用 CLIP 模型计算图片的 embedding ，然后和搜索语句的 embedding 进行比较。因为用的是 MLX 来推理模型，所以只有 M 芯片的 mac 能用 GPU 加速，其他平台会很慢。代码全部由 Node.js 实现，embedding 计算用的是自己写的 node-mlx ，没有用第三方的推理引擎和数据库。 本来是处于学习目的写的程序，但实用性非常强，过来分享一下。 https://github.com/frost-beta/sisi
