下载目录堆成垃圾场？用本地AI脚本两秒自动归档

下载目录里堆了几百个文件，想整理又懒得动手——这大概是很多人的日常。最近B站上有创作者分享了一套极简方案：不装任何第三方软件，直接用本地大模型写一个Python脚本，两百多个混乱文件两秒钟就能分类整齐。

核心思路：脚本 + 规则，零第三方依赖

这套工具只有两部分：一个Python脚本，一段自动分类规则。脚本的核心逻辑非常轻量——只依赖系统自带的 os 和 shutil 库，不引入任何第三方包。它做的事情也很直接：按文件后缀名创建对应目录，再把文件移过去。图片归图片、文档归文档、安装包和压缩包各回各家，一步分流到位。

因为逻辑足够简单，脚本几乎不存在环境配置的麻烦，复制粘贴就能跑。对于不想为了整理文件而安装臃肿软件的人来说，这个门槛已经低到可以忽略。

os 和 shutil 都是 Python 标准库自带的模块，无需 pip 安装即可使用。os 主要负责与操作系统交互，例如遍历目录（os.listdir）、判断路径是否存在（os.path.exists）、创建目录（os.makedirs）以及拆分文件名与后缀（os.path.splitext）。shutil 则是更高层的文件操作工具，常用函数包括 shutil.move（跨目录移动文件，必要时可跨磁盘）和 shutil.copy2（复制并保留元数据）。两者配合，就能完成「读取目录 → 识别后缀 → 建目录 → 移动文件」这一整套归档流程，这也是该脚本能做到零第三方依赖的原因。

让大模型替你改脚本，而不是自己动手

这套方案真正的价值不在于脚本本身，而在于它和大模型的配合方式。创作者强调，脚本的规则可以随时让本地大模型根据你的要求调整——想多分一类、想改文件夹命名、想调整归类顺序，对本地助手说一句就行，不用自己去翻代码。

换句话说，脚本只是执行层，大模型承担的是「理解需求并修改规则」的角色。这种分工让非程序员也能用自然语言驱动本地自动化，而不用被Python语法卡住。

本地大模型指通过 Ollama、LM Studio 等工具在个人电脑上离线运行的模型（如 Llama、Qwen 等系列）。与调用云端 API 相比，它的优势是数据不出本机、无网络也能用、没有按次计费；代价是模型规模通常更小，复杂推理能力弱于顶级云端模型。在本方案中，任务只是「按自然语言修改一段简单的 Python 规则」，对模型能力要求不高，本地小模型完全够用，这也是该模式能落地的关键前提。

两秒 vs 手动拖放：差距在哪

创作者给出的对比很直观：两百多个混乱文件，脚本两秒钟全部分类整齐，桌面瞬间干净；手动一个个拖动则费时费力，还容易半途放弃。

这种差距的本质不是速度快慢，而是「愿意不愿意开始」。手动整理的成本高到让人拖延，而自动化把成本压到几乎为零，下载目录才不会反复变成垃圾场。

一点冷静的提醒

按后缀分类是够用的起点，但不是万能的。同名文件、无后缀文件、需要按内容而非格式归类的场景，纯后缀规则会力不从心，实际使用前最好先备份或小范围试跑。另外，原视频把脚本放在了简介第一行，想复现的话需要自己去取。创作者也预告了下一期内容——打造本地监控报警助手，思路同样是本地模型加轻量脚本的组合。

对本地AI感兴趣的读者，这类「大模型写脚本、脚本干脏活」的模式值得关注：它不追求复杂的Agent框架，而是把模型当成一个随时待命的代码助手，解决手边具体的小问题。