电脑空间去哪了？我开源了 MangoDisk

harryliuwx888@gmail.com (Harry) — Wed, 05 Aug 2026 16:05:20 +0800

最近几年，我经常遇到一个很熟悉的提醒：磁盘空间不足。

刚换电脑时，总觉得几百 GB 已经足够。可随开发工具越来越多，项目越做越多，再加上本地运行的 AI 模型，剩余空间还是会一点点变少。

真正开始清理时，却很难说清这些空间到底去了哪里。

空间不是突然消失的

有时是一个很久没有打开的视频，有时是重复下载的安装包，有时是已经结束的项目留下了几 GB 构建文件。浏览器、开发工具和各种应用也在持续产生缓存，但它们分散在系统的不同位置，平时几乎感觉不到。

这些东西单独看都不算大，积累起来却很可观。

我试过手动查找，也写过一些清理脚本。它们偶尔很有效，但用久了就会遇到另一个问题：我不确定删掉的到底是什么。

脚本中的路径可能已经过时，网上找到的命令也未必适合自己的电脑。面对一个几十 GB 的目录，最难做的不是按下删除键，而是判断里面有没有仍然重要的内容。

我想要的工具并不复杂

我找过不少磁盘清理软件。有些功能很多，但每次打开都会推荐各种不需要的服务；有些直接告诉我可以释放几十 GB，却没有把这些文件解释清楚；还有一些需要登录账号，或者把简单的清理功能放进订阅中。

我真正需要的其实很简单：

告诉我空间主要用在了哪里；
把可能不再需要的内容整理出来；
在删除之前，让我能看清位置、大小和风险；
不上传文件，也不要求注册账号。

既然一直没有找到完全符合自己习惯的工具，我就开始做 MangoDisk。

把杂乱的磁盘重新看清楚

MangoDisk 最早只是用来处理我自己的开发缓存，后来逐渐加入了大文件查找、重复文件清理、应用卸载和磁盘空间分析。

现在，我会先用空间分析看看哪些目录占用最多，再检查大文件和已经不用的项目。如果某个应用准备卸载，也可以顺便确认它留下了哪些缓存和数据，不需要再去网上查每一个目录的位置。

对开发者来说，MangoDisk 也能找到常见的项目构建产物和工具缓存。node_modules、Rust 的 target、IDE 索引以及包管理器缓存，往往就是磁盘空间缓慢减少的原因。

但 MangoDisk 不会扫描结束后直接替你删除。它会先把内容分类，显示大小、位置和风险，再由你决定哪些应该保留。智能推荐可以减少逐项判断的时间，但最终的选择仍然属于用户。

有些大文件，本来就不应该被随便清理

做这个工具以后，我越来越觉得，磁盘清理并不是“删得越多越好”。

比如本地 AI 模型经常占用几十 GB，但重新下载同样需要大量时间和流量。照片、代码、文档和云同步文件更不用说，它们不能仅仅因为体积大，就被当作垃圾。

所以 MangoDisk 对这些内容会更保守。普通清理不会把个人文件或用户管理的模型当成缓存；遇到可能影响使用的数据，也会把风险和位置展示出来，而不是默认选中。

我希望它给人的感觉不是“帮我做决定”，而是“帮我把决定需要的信息整理好”。这也是我自己愿意长期使用它的前提。

为什么把它开源

清理工具需要读取很多文件信息，也拥有删除文件的能力。与其只告诉用户“可以放心使用”，我更希望大家能够直接看到它扫描了什么、如何判断，以及一次清理最终会做什么。

因此，我决定将 MangoDisk 以 GPLv3 许可证开源。它支持 macOS 和 Windows，扫描与清理都在本地完成，不需要登录，也不会上传文件或扫描结果。

开源也意味着，一个人不熟悉的软件和系统，可以由真正使用它的人补充。不同开发工具、不同版本的缓存位置，都可以通过社区一起完善。

写在最后

MangoDisk 不是一个追求“每次都清出几十 GB”的工具。有时候扫描以后，会发现真正适合清理的内容并没有想象中那么多，我觉得这反而是正常的。

它更像是我为自己做的一次磁盘整理：先看清空间去了哪里，再决定什么可以离开。

目前 MangoDisk 已经可以在 macOS 和 Windows 上使用。如果你也经常被磁盘空间不足困扰，可以前往 MangoDisk 官网下载体验，也可以在 GitHub 查看源码和参与改进。

如何利用本地模型，将音视频整理成一份结构化的Markdown笔记

harryliuwx888@gmail.com (Harry) — Fri, 19 Jul 2024 15:16:01 +0800

项目地址：https://github.com/harry0703/AudioNotes

基于 FunASR 和 Qwen2 构建的音视频转结构化笔记系统

能够快速提取音视频的内容，并且调用大模型进行整理，成为一份结构化的markdown笔记，方便快速阅读

FunASR: https://github.com/modelscope/FunASR

Qwen2: https://ollama.com/library/qwen2

效果展示

音视频识别和整理

与音视频内容对话

使用方法

① 安装 Ollama

下载对应系统的 Ollama 安装包进行安装

https://ollama.com/download

② 拉取模型

我以 阿里的千问2 7b 为例 https://ollama.com/library/qwen2

`1`	`ollama pull qwen2:7b`

Docker部署（推荐）🐳

1
2

curl -fsSL https://harryai.cc/audio-notes/docker-compose.yml -o docker-compose.yml
docker-compose up

docker 启动后，访问 http://localhost:15433/

登录账号为 admin，密码为 admin （可以在 docker-compose.yml 文件里面修改）

本地部署 📦

需要有可访问的 postgresql 数据库

conda create -n AudioNotes python=3.10 -y
conda activate AudioNotes
git clone https://github.com/harry0703/AudioNotes.git
cd AudioNotes
pip install -r requirements.txt

将 .env.example 重命名为 .env，修改相关配置信息

`1`	`chainlit run main.py`

服务启动后，访问 http://localhost:8000/