42个文件17.5分钟，他让树懒AI全接管

一只三趾树懒的移动速度是每小时0.24公里，每天靠大约110千卡维持生存，原因是它拒绝把代谢能量浪费在多余的动作上。人类则相反：每个月都要花上几个小时，手动打开scan_0042 (1).pdf，判断它是什么、重命名、建文件夹，再从下载目录里拖出去。

开发者 tahaenasraoui-debug 做的 SlothTidy，就是把这套动作交给一只"数字树懒"。它是一个零摩擦、隐私优先的本地文件整理守护进程，面向开发者、学生和数字囤积者——想要干净的文件系统，但不想付出任何手动劳动。

它的工作方式很直接：在后台静默运行，或通过一条 CLI 命令按需触发，监视~/Downloads和~/Desktop，在文件下载完成的瞬间读取内容，用本地运行的轻量开源权重模型（qwen2.5:1.5b或llama3.2:1b）完成四件事：

• 归类文件，类别包括 Finance、Academic、Development、Media、Administration 或 Misc；
• 按文档真实日期和主题生成规范文件名，格式为YYYY-MM-DD-descriptive-slug.ext
• 路由到~/Documents/Organized下的语义子文件夹，例如 Academic/Mathematics/2026-10-21-td3-real-analysis.pdf；
• 把每一次原子移动记录到~/.config/sloth-tidy/history.jsonl，随时用 sloth-tidy undo 回滚任意数量的操作。

作者算过一笔账：手动打开、检查、重命名、建目录、移动一个文件约需25秒，整理42个文件就是17.5分钟的琐碎上下文切换，外加126次微决策——这是什么文件？该叫什么名？该放哪里？

而运行 sloth-tidy scan ~/Downloads，42个文件全部归位，他靠在椅背上喝了杯咖啡：数学和计算机习题集带着干净的日期前缀落进 Academic/Mathematics/；月度水电账单直接进 Finance/Invoices/；压缩的 Linux 配置进 Development/Archives/；终端截图经 OCR 识别后归入 Media/Screenshots/。零点击、零手动重命名、零字节泄露到云端。

工程实现上，它围绕三层本地推理架构和多格式内容提取管线搭建。主引擎通过Ollama的 /api/chat 接口与本地服务通信；结构化输出用 Pydantic v2 做语法约束——不指望 1.5B 参数模型靠提示词写出合法 JSON，而是把 FileClassification.model_json_schema() 直接传进 Ollama 的 format 参数，在推理采样阶段就把 token 限制在 category、suggested_filename、subfolder、confidence、summary 这套 schema 内，再由校验器剥离路径穿越符号（..）并强制 YYYY-MM-DD 短横线命名。

Ollama 守护进程没跑时，回退到llama-cpp-python直接加载本地 .gguf 模型文件，同样带 JSON schema 语法约束；连本地模型都够不着时，还有确定性的关键词加 MIME/扩展名分类器兜底，工作流不会断。图片和截图则用 Pillow 提取 EXIF、Tesseract 做本地 OCR，可选把压缩到 512x512 的 Base64 缩略图交给moondream:latest做本地多模态视觉分类。

内容提取管线遵循"小模型喂高信号、紧边界上下文"的原则：PDF 用 pypdf 读元数据和前两页文本，上限 2KB；代码和纯文本读前 2KB 加尾部 512B，带 UTF-8 启发式检测；二进制和压缩包只看 8 字节魔数头加文件名 token，不把多 GB 的 ISO 或 tar.gz 读进内存。

后台守护模式用非阻塞的 watchdog 观察目录，浏览器未完成的下载（.crdownload、.part、.tmp、.aria2）自动忽略，再用 POSIX 文件锁加字节大小稳定性防抖，等大文件写完才触发推理。冲突处理不覆盖已有文件，自动以 -1、-2 解决，并保留 .tar.gz 这类复合扩展名；低置信度文件送进 Misc/Low_Confidence_Review。

作者给出的理由是隐私：下载和桌面是电脑上最敏感的两个目录，一周之内就可能堆着银行流水、电汇回执、水电发票、身份证与护照扫描件、成绩单和未发表研究、.env 文件、SSH 配置和专有源码。后台文件守护进程调用闭源云 API 是走不通的——没人想让后台进程悄悄把银行流水片段或 .env 文件传到第三方服务器，也不想每下载一个 PDF 就付一次按 token 计费的 API 费用。

全离线意味着每个字节的提取和推理都留在127.0.0.1：拔掉网线或关掉 Wi-Fi，SlothTidy 表现完全一致。边际成本为零，跑上几年 API 费用也是0.00 美元；不需要独立显卡，1B 到 1.5B 的开源量化架构在普通笔记本 CPU 上约1.5秒完成一次结构化分类。测试环境是 6 核笔记本 CPU、16GB 内存、无 GPU，语料为 50 个混合文件，涵盖发票、大学数学习题集、C/Rust/Python 脚本和截图。

还有一个sloth-tidy report的"树懒能量报告卡"，在终端打印仪表盘，统计已整理文件总数、整理的兆字节数、省下的手动劳作分钟数、避免的心理决策次数，以及省下的云 API 美元。

这个项目投稿的是 Hacktoberfest 开源 AI 挑战赛第三周"慢而稳"赛道，主打本地优先、由开源权重模型驱动的节能自动化。作者在开发中把 AI 编程助手当作系统架构的讨论对象，反复打磨那些会让朴素文件整理脚本翻车的边界情况：watchdog 事件不能读到写了一半的浏览器下载或被锁定的文件描述符；冲突解决时要保住复合压缩扩展名；还用 pytest 套件验证路径穿越清洗、dry-run 隔离和原子化多步回滚。