先说结论：Immich 智能搜索不是“替代 Google Photos”的按钮

我自己是在群晖 DS920+ 上折腾的，J4125，内存从 4GB 加到 16GB，非官方支持，自己评估稳定性。 照片库约 1.2 万张、86GB 左右，视频另算，外接 USB 3.0 机械盘，局域网原生千兆口。 第一次开智能搜索索引大概跑了 3 小时，资源监控里内存 3GB 上下浮动，CPU 经常 70%-90%，风扇声很明显。 局域网备份大文件能到 105MB/s 左右，但缩略图生成时会掉到 70MB/s 附近，这个数只代表我的机器，不是官方跑分。 我一开始把 machine-learning 的 workers 调高，结果风扇起飞，后来降回 1；搜“海边 狗”能出片，搜“2021年夏天”反而不如按时间翻。

对比别只看“搜得准”：五个维度拆开

隐私维度：Immich 是本地库，照片不经过云；Google Photos 免费 15GB，但默认是云服务；Synology Photos 也在 NAS 上。 成本维度：DS920+ 是已有设备，主要成本是硬盘和电费；Google 订阅、iCloud 是持续月费，照片越多越明显。 搜索维度：Google 的人脸和场景识别很成熟；Immich 靠 CLIP 做自然语言搜索，有惊喜但召回不稳；Synology Photos 人脸强、语义搜索弱。 维护维度：Immich 要自己管 Docker、数据库备份、升级和外网访问；Synology Photos 套件省心，但功能和更新节奏慢。 我的独立观点：家庭照片搜索大约 70% 是“人、时间、地点、事件”，30% 才是“海边狗”这种语义描述，先把 EXIF、相册、人脸整理好，CLIP 是加分项不是地基。

我的部署和索引步骤（DS920+ Docker）

1 备份：先把原库冷备到另一块盘，Immich 导入不是无损整理，元数据写回要谨慎。 2 部署：按官方 docker compose 起 immich-server、immich-machine-learning、redis、database，版本固定住，升级前看 release note。 3 存储：UPLOAD_LOCATION 放 USB 外接盘，DB_DATA_LOCATION 放内置盘，别把数据库放 USB 机械盘。 4 导入：先小批量 500-1000 张试，确认重复检测和 EXIF 时间对不对，再全量导。 5 开智能搜索：machine-learning 容器单独跑，J4125 先设 MACHINE_LEARNING_WORKERS: 1，变量名以你版本为准，最好晚上跑。 6 索引：1.2 万张约 3 小时，期间别同时生成视频缩略图，不然 CPU 和 IO 会互相拖。 7 搜索：先人名、地点、年份，再自然语言；搜不到就换同义词，别只怪模型。 8 去重：用 Immich 重复检测加外部工具校验收，重复文件比模型更耗时间。

避坑和适合谁

最烦的不是模型，是重复照片和 EXIF 缺失；我有一批微信保存图没有拍摄时间，时间线全乱，后来按文件创建时间加手动相册修。 第二坑是外网：别直接把端口怼公网，至少反代加强密码加两步验证；Immich 更新快，升级前看 breaking changes。 第三坑是期望值：本地 CLIP 对中文自然语言不是神，搜“毕业典礼”可能不如搜“学士服”，混合搜索比纯语义稳。 适合谁：有 NAS、照片过万、在意隐私、愿意折腾 Docker 的人；不适合只想无脑备份、不愿维护、还要给老人远程看照片的人。 我的观点是，Immich 智能搜索的价值不是“精准检索”，而是“恢复记忆路径”——你本来忘了那张照片，它给你一个歪打正着的入口。