<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>SnapByFace 指南</title>
    <link>https://snapbyface.com/zh/guides/</link>
    <description>在照片与视频里找人的实用指南 —— 全程本地，不上传任何内容。</description>
    <language>zh-CN</language>
    <lastBuildDate>Mon, 05 Oct 2026 15:33:20 GMT</lastBuildDate>
    <atom:link href="https://snapbyface.com/zh/rss.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>本地人脸检索 vs 云端人脸 API：什么时候离线更值得</title>
      <link>https://snapbyface.com/zh/guides/local-vs-cloud-face-search/</link>
      <guid isPermaLink="true">https://snapbyface.com/zh/guides/local-vs-cloud-face-search/</guid>
      <pubDate>Mon, 28 Sep 2026 00:00:00 GMT</pubDate>
      <description>云端 API 赢在规模，输在隐私；本地桌面索引正好相反。这篇把成本、准确率、速度，以及你的照片到底会去哪儿，摊开来对比一次。</description>
    </item>
    <item>
      <title>不上传照片的 Google Photos 替代品</title>
      <link>https://snapbyface.com/zh/guides/google-photos-alternative-no-upload/</link>
      <guid isPermaLink="true">https://snapbyface.com/zh/guides/google-photos-alternative-no-upload/</guid>
      <pubDate>Mon, 28 Sep 2026 00:00:00 GMT</pubDate>
      <description>Google Photos 的人物分组做得很好 —— 前提是它留着你整个素材库。这篇讲清楚转本地到底要放弃什么、能拿回什么，以及两边的人脸检索差在哪。</description>
    </item>
    <item>
      <title>PhotoPrism、immich 与 SnapByFace：自托管 vs 本地桌面索引</title>
      <link>https://snapbyface.com/zh/guides/self-hosted-vs-local-face-search/</link>
      <guid isPermaLink="true">https://snapbyface.com/zh/guides/self-hosted-vs-local-face-search/</guid>
      <pubDate>Mon, 28 Sep 2026 00:00:00 GMT</pubDate>
      <description>自托管把照片留在自己的硬件上，桌面索引也是 —— 但其中一个需要一台服务器。这篇对比 PhotoPrism、immich 与 SnapByFace，说清楚各自适合什么形态。</description>
    </item>
    <item>
      <title>digiKam 与 SnapByFace：全能照片管理 vs 只做人脸检索</title>
      <link>https://snapbyface.com/zh/guides/digikam-vs-snapbyface/</link>
      <guid isPermaLink="true">https://snapbyface.com/zh/guides/digikam-vs-snapbyface/</guid>
      <pubDate>Mon, 28 Sep 2026 00:00:00 GMT</pubDate>
      <description>digiKam 是免费开源的照片管理器，顺带能处理人脸；SnapByFace 只做人脸。选哪个，取决于你要的是一套 DAM，还是一个答案。</description>
    </item>
    <item>
      <title>Apple Photos 与 SnapByFace：自带人物相册什么时候不够用</title>
      <link>https://snapbyface.com/zh/guides/apple-photos-vs-snapbyface/</link>
      <guid isPermaLink="true">https://snapbyface.com/zh/guides/apple-photos-vs-snapbyface/</guid>
      <pubDate>Mon, 28 Sep 2026 00:00:00 GMT</pubDate>
      <description>Apple Photos 免费给你建好人物相册，而且不上传人脸。这篇讲它到底停在哪里，以及再加一份本地索引真正换来的是什么。</description>
    </item>
    <item>
      <title>Excire Foto 与 SnapByFace：两个买断制桌面工具，做的不是同一件事</title>
      <link>https://snapbyface.com/zh/guides/excire-foto-vs-snapbyface/</link>
      <guid isPermaLink="true">https://snapbyface.com/zh/guides/excire-foto-vs-snapbyface/</guid>
      <pubDate>Mon, 28 Sep 2026 00:00:00 GMT</pubDate>
      <description>两边都是一次性买断的桌面软件，都在本地索引、不上传素材。区别是一个是照片管理器（人脸只是其中一种检索），另一个只做找人 —— 包括视频。</description>
    </item>
    <item>
      <title>按人物整理照片库 —— 不用给每张照片重新打标签</title>
      <link>https://snapbyface.com/zh/guides/organise-photos-by-person/</link>
      <guid isPermaLink="true">https://snapbyface.com/zh/guides/organise-photos-by-person/</guid>
      <pubDate>Sat, 26 Sep 2026 00:00:00 GMT</pubDate>
      <description>按人物整理几万张照片，一旦依赖手动打标签就必然半途而废。给每个人留一张参照照，让索引去做归类，才是划算的做法。</description>
    </item>
    <item>
      <title>不上传视频，怎么找到某个人的那一秒</title>
      <link>https://snapbyface.com/zh/guides/find-a-person-in-video/</link>
      <guid isPermaLink="true">https://snapbyface.com/zh/guides/find-a-person-in-video/</guid>
      <pubDate>Thu, 24 Sep 2026 00:00:00 GMT</pubDate>
      <description>视频人脸检索的原理是抽帧、比对参照照、再把命中合并成时间区间。这篇讲清楚怎么定位某人出现在第几秒 —— 全程不离开你自己的电脑。</description>
    </item>
    <item>
      <title>怎么在几万张照片里找出某个人的所有照片</title>
      <link>https://snapbyface.com/zh/guides/find-all-photos-of-one-person/</link>
      <guid isPermaLink="true">https://snapbyface.com/zh/guides/find-all-photos-of-one-person/</guid>
      <pubDate>Tue, 22 Sep 2026 00:00:00 GMT</pubDate>
      <description>要在大量照片里找出某个人，靠的是三件事：一张好的参照照、一次全库索引、以及看得懂相似度分数。这篇讲清楚在几万张照片的规模下真正跑得通的流程。</description>
    </item>
  </channel>
</rss>
