【AI技术_工具】用 Python + 本地 LLM 自动整理桌面文件，告别杂乱无章

前言

每天下班前看一眼桌面，上百个文件、截图、PDF、Word、压缩包堆成一锅粥，找一份合同要翻上三分钟。手动分类不仅浪费时间，还容易分错。其实用 Python 搭配本地部署的大模型，完全可以做到"拖进来就自动归位"，而且全程离线运行，文件内容不会泄露到云端。

本文从零开始，手把手带你搭建一套本地 AI 文件整理工具。不需要 GPU，没有代码基础也能跟着跑通。

主题介绍

文件整理的核心难点是"判断文件属于哪个类别"。传统方法靠扩展名或关键词匹配，但一个 PDF 可能既是发票又是合同，规则写死就错了。大模型能理解文件名、文件内容和上下文，做出接近人类的分类决策。

我们的方案是：

1. 扫描桌面文件，提取文件名和基础元数据

2. 把文件信息喂给本地 LLM，让它决定归入哪个文件夹

3. 自动移动文件并生成整理报告

全程在本地跑，用 Ollama + 一个 7B 模型，消费级笔记本就能带动。

环境准备

1. 安装 Python 依赖

pip install pymupdf python-docx openpyxl

• pymupdf：提取 PDF 文本

• python-docx：读取 Word 文档

• openpyxl：读取 Excel 文件

2. 安装 Ollama 并拉取模型

# 安装 Ollama（Linux / macOS）
curl -fsSL https://ollama.ai/install.sh | sh

# 拉取轻量模型（约 4GB，CPU 也能跑）
ollama pull qwen2.5:7b

qwen2.5:7b 中文理解能力优秀，分类任务表现稳定，比 GPT-3.5 还流畅，关键是完全免费。

3. 确定分类规则

提前准备好一套文件夹结构，放在桌面一个固定位置：

~/Desktop/files_organizer/
├── 工作文件/
│   ├── 合同协议/
│   ├── 报表数据/
│   └── 邮件往来/
├── 个人文档/
│   ├── 发票收据/
│   ├── 证件扫描件/
│   └── 学习笔记/
└── 媒体资源/
    ├── 图片截图/
    └── 视频音频/

实操步骤

步骤一：编写文件信息提取器

大模型看不见本地文件，需要先把可读信息"翻译"出来。对不同格式提取不同内容：

import fitz
from docx import Document
from openpyxl import load_workbook
import os

def extract_info(filepath: str) -> str:
    """提取文件的关键信息，供 LLM 分类使用。"""
    filename = os.path.basename(filepath)
    ext = os.path.splitext(filename)[1].lower()

    info = f"文件名: {filename}\n"

    # 文本类文件提取前 500 字
    if ext in ['.pdf']:
        try:
            doc = fitz.open(filepath)
            text = '\n'.join(page.get_text() for page in doc)
            info += f"内容摘要(前500字): {text[:500]}\n"
        except Exception as e:
            info += f"读取失败: {e}\n"

    elif ext in ['.docx']:
        try:
            doc = Document(filepath)
            text = '\n'.join(p.text for p in doc.paragraphs)
            info += f"内容摘要(前500字): {text[:500]}\n"
        except Exception as e:
            info += f"读取失败: {e}\n"

    elif ext in ['.xlsx', '.xls']:
        try:
            wb = load_workbook(filepath, read_only=True)
            sheet = wb.active
            rows = [str(row) for row in sheet.iter_rows(max_row=5, values_only=True)]
            info += f"前5行数据: {rows}\n"
        except Exception as e:
            info += f"读取失败: {e}\n"

    elif ext in ['.txt', '.csv', '.json', '.md']:
        try:
            with open(filepath, 'r', encoding='utf-8') as f:
                content = f.read()
            info += f"内容摘要(前500字): {content[:500]}\n"
        except Exception as e:
            info += f"读取失败: {e}\n"

    elif ext in ['.jpg', '.jpeg', '.png', '.gif', '.bmp']:
        info += "类型: 图片文件\n"

    elif ext in ['.mp4', '.avi', '.mkv', '.mov']:
        info += "类型: 视频文件\n"

    elif ext in ['.mp3', '.wav', '.flac', '.aac']:
        info += "类型: 音频文件\n"

    elif ext in ['.zip', '.rar', '.7z', '.tar.gz']:
        info += "类型: 压缩包\n"

    else:
        info += "类型: 其他\n"

    return info

这段代码针对常见文件类型做内容提取，图片/视频/压缩包则直接识别类型。提取的文本控制在 500 字以内，足够 LLM 做分类，同时控制 token 消耗。

步骤二：调用本地 LLM 做分类

使用 Ollama 的 Python API 发送分类请求：

from ollama import chat

def classify_file(file_info: str, target_dir: str) -> str:
    """让 LLM 判断文件应该放进哪个子文件夹。"""

    # 列出目标目录下的所有子文件夹名称
    categories = os.listdir(target_dir)
    category_str = '、'.join(categories)

    prompt = f"""你是一个文件整理助手。请根据文件信息，从以下分类中选择最合适的一个：

可用分类：{category_str}

文件信息：
{file_info}

请只回复分类名称，不要加任何解释。"""

    response = chat(model='qwen2.5:7b', messages=[
        {'role': 'user', 'content': prompt}
    ])

    category = response['message']['content'].strip()

    # 如果 LLM 返回的分类不在列表中，默认放"其他"
    if category not in categories:
        category = '其他'
        if '其他' not in categories:
            category = categories[0]  # 兜底用第一个

    return category

步骤三：完整整理流程

import shutil
from datetime import datetime

def organize_desktop(desktop_path: str, target_dir: str):
    """扫描桌面文件并自动整理。"""
    moved = []
    skipped = []

    for item in os.listdir(desktop_path):
        item_path = os.path.join(desktop_path, item)

        # 跳过文件夹和整理工具自身目录
        if os.path.isdir(item_path) or 'files_organizer' in item:
            continue

        # 提取文件信息
        file_info = extract_info(item_path)

        # 调用 LLM 分类
        category = classify_file(file_info, target_dir)

        # 移动文件
        dest = os.path.join(target_dir, category)
        os.makedirs(dest, exist_ok=True)
        dest_path = os.path.join(dest, item)

        # 处理重名文件
        if os.path.exists(dest_path):
            name, ext = os.path.splitext(item)
            timestamp = datetime.now().strftime('%Y%m%d_%H%M%S')
            dest_path = os.path.join(dest, f"{name}_{timestamp}{ext}")

        try:
            shutil.move(item_path, dest_path)
            moved.append(f"✅ {item} → {category}/")
        except Exception as e:
            skipped.append(f"❌ {item} → {e}")

    return moved, skipped

# 执行
if __name__ == '__main__':
    desktop = os.path.expanduser('~/Desktop')
    organizer_dir = os.path.join(desktop, 'files_organizer')

    moved, skipped = organize_desktop(desktop, organizer_dir)

    print(f"\n整理完成！共处理 {len(moved)} 个文件\n")
    for msg in moved:
        print(msg)
    if skipped:
        print("\n以下文件处理失败：")
        for msg in skipped:
            print(msg)

步骤四：效果验证与对比

从实际测试看，AI 方案在处理模糊分类（如一张截图既有工作内容又有个人标记）时比传统脚本准确率高出一大截，处理速度也基本可以接受。

步骤五：进阶优化

跑通基础版后，可以继续加强：

1. 添加 OCR：用 pytesseract 识别图片类文件（如截图、扫描件）中的文字，再交给 LLM 分类，覆盖更多文件类型。

2. 增量处理：加时间戳判断，只整理今天新出现的文件，避免重复移动已归档的文件。

3. 定时执行：用 crontab 设置每天下班前自动运行一次，打开电脑桌面就清清爽爽。

4. 更换模型：如果有 GPU，换 qwen2.5:14b 或 deepseek-v3，分类准确率可再提升 5-10%。

总结

这套本地 AI 文件整理工具的核心价值不在于技术有多复杂，而在于用最小的成本解决了一个高频痛点。7B 模型在消费级电脑上就能跑，不需要云服务，文件隐私安全可控。

关键经验：

• 提取信息比分类算法更重要。把文件名和前几百字喂给 LLM 已经足够，不需要提取全文。

• 分类规则要简单。文件夹层级控制在两级以内，LLM 判断更准确，人也更容易找回文件。

• 先跑通再优化。第一天能自动分就满意，OCR、增量处理这些锦上添花。

把这段代码保存为 organize.py，在桌面放 50 个文件试试，你会回来感谢自己的。

如果你有任何问题或改进想法，欢迎留言讨论。