引言：把 AI 装进自己的电脑，夺回数据控制权

在之前的文章中，我们探讨了如何通过 API 调用云端大模型来构建企业级应用。但对于很多极客、IT运维人员或对隐私要求极高的开发者来说，把电脑里的文件、系统日志发给云端 AI 是

。同时，频繁调用 API 产生的 Token 费用也是一笔不小的开销。

“能不能在我的破旧笔记本上，不联网、不花钱，用 AI 来自动管理电脑？”

  随着端侧 AI（Edge AI）和模型量化技术的爆发，如今在普通消费级电脑（甚至没有独立显卡的 Mac 和轻薄本）上流畅运行百亿参数的大模型已经成为现实。

电脑底层技术（文件系统与系统监控）与本地 AI 技术

“全离线、零延迟、绝对隐私”的 AI 电脑管家

。它能听懂你的人话，自动帮你整理混乱的文件夹，并实时诊断电脑的健康状态。

一、 核心技术栈：Ollama + 本地工具链

二、 实战演练：构建 AI 电脑管家

我们的 AI 管家将具备两大核心技能：

第一步：安装 Ollama 并下载模型

 下载客户端并安装。然后打开终端（Terminal/CMD），拉取一个轻量且聪明的模型（推荐阿里开源的 Qwen2.5，对中文和指令遵循极好）：

# 下载 7B 版本（约 4.5GB，适合 8GB 以上内存的电脑）
ollama pull qwen2.5:7b
# 如果你的电脑配置较低（8G内存以下），请使用 1.5B 版本：
# ollama pull qwen2.5:1.5b


import os
import json
import shutil
import psutil
import ollama

# ==========================================
# 1. 定义 AI 可以调用的“系统工具” (Tools)
# ==========================================

def organize_folder(target_path):
    """工具1：智能整理文件夹"""
    if not os.path.exists(target_path):
        return f"错误：找不到路径 {target_path}"
        
    files = [f for f in os.listdir(target_path) if os.path.isfile(os.path.join(target_path, f))]
    if not files:
        return "该文件夹是空的，无需整理。"

    # 让 AI 对文件进行分类
    prompt = f"""
    你是一个文件管理专家。请将以下文件列表分类到这几个类别中：['文档', '图片', '代码', '压缩包', '其他']。
    请严格输出一个 JSON 对象，key 是类别，value 是文件名列表。不要输出任何其他废话。
    文件列表：{files}
    """
    
    response = ollama.chat(model='qwen2.5:7b', messages=[{'role': 'user', 'content': prompt}], format='json')
    classification = json.loads(response['message']['content'])
    
    # 执行物理移动
    moved_count = 0
    for category, file_list in classification.items():
        if not file_list: continue
        cat_dir = os.path.join(target_path, category)
        os.makedirs(cat_dir, exist_ok=True)
        for file in file_list:
            src = os.path.join(target_path, file)
            dst = os.path.join(cat_dir, file)
            if os.path.exists(src):
                shutil.move(src, dst)
                moved_count += 1
                
    return f"整理完成！共移动了 {moved_count} 个文件。分类详情：{json.dumps(classification, ensure_ascii=False)}"

def get_system_health():
    """工具2：获取电脑底层硬件状态"""
    cpu_usage = psutil.cpu_percent(interval=1)
    memory = psutil.virtual_memory()
    disk = psutil.disk_usage('/') # Windows 用户可改为 'C:\\'
    
    health_data = {
        "CPU使用率(%)": cpu_usage,
        "内存使用率(%)": memory.percent,
        "内存剩余(GB)": round(memory.available / (1024**3), 2),
        "磁盘使用率(%)": disk.percent,
        "磁盘剩余(GB)": round(disk.free / (1024**3), 2)
    }
    return json.dumps(health_data, ensure_ascii=False)

# ==========================================
# 2. 构建 AI 路由中枢 (Agent Core)
# ==========================================

def ai_manager_brain(user_command):
    """AI 大脑：理解意图并调用合适的工具"""
    
    # 定义工具描述 (Function Calling 的 Prompt 化)
    tools_desc = """
    你可以使用以下两个工具来帮助用户管理电脑。请根据用户的指令，判断需要调用哪个工具。
    1. organize_folder(target_path): 整理指定路径下的文件。参数 target_path 为绝对路径。
    2. get_system_health(): 检查电脑的 CPU、内存和磁盘状态。无需参数。
    
    请严格输出一个 JSON 对象，包含 "tool" (工具名) 和 "args" (参数对象)。
    如果用户的指令与这两个工具无关，请输出 {"tool": "chat", "args": {"reply": "你的直接回复"}}。
    """
    
    prompt = f"{tools_desc}\n\n用户指令：{user_command}"
    
    # 强制 Ollama 输出 JSON 格式
    response = ollama.chat(
        model='qwen2.5:7b', 
        messages=[{'role': 'user', 'content': prompt}], 
        format='json'
    )
    
    action = json.loads(response['message']['content'])
    return action

# ==========================================
# 3. 主程序运行
# ==========================================
if __name__ == "__main__":
    print("🤖 AI 电脑管家已启动 (全离线运行中...)\n")
    
    # 模拟测试指令
    test_commands = [
        "帮我看看电脑现在卡不卡，C盘还剩多少空间？",
        f"帮我把 {os.path.expanduser('~/Downloads/Test_AI_Folder')} 这个文件夹里的文件分类整理一下",
        "今天天气真不错啊" # 测试闲聊拦截
    ]
    
    # 为了演示文件整理，我们先自动创建一个测试文件夹并塞入一些假文件
    test_dir = os.path.expanduser('~/Downloads/Test_AI_Folder')
    os.makedirs(test_dir, exist_ok=True)
    for f in ['report.pdf', 'vacation.jpg', 'main.py', 'backup.zip', 'readme.txt']:
        open(os.path.join(test_dir, f), 'a').close()
    print(f"📁 已在 {test_dir} 生成测试文件。\n")

    for cmd in test_commands:
        print(f"👤 主人: {cmd}")
        
        # 1. AI 思考并决策
        action = ai_manager_brain(cmd)
        tool_name = action.get("tool")
        args = action.get("args", {})
        otterly.cn
        
        # 2. 执行工具
        if tool_name == "get_system_health":
            print("⚙️ [AI 动作] 正在读取系统底层硬件数据...")
            data = get_system_health()
            # 让 AI 把冷冰冰的数据翻译成大白话
            summary_prompt = f"系统数据如下：{data}。请用幽默、通俗的口语向用户汇报电脑健康状况。"
            summary = ollama.chat(model='qwen2.5:7b', messages=[{'role': 'user', 'content': summary_prompt}])
            print(f"🤖 管家: {summary['message']['content']}\n")
            
        elif tool_name == "organize_folder":
            path = args.get("target_path", test_dir)
            print(f"⚙️ [AI 动作] 正在扫描并整理路径: {path} ...")
            result = organize_folder(path)
            print(f"🤖 管家: {result}\n")
            
        elif tool_name == "chat":
            print(f"🤖 管家: {args.get('reply', '抱歉，我目前只会整理文件和修电脑。')}\n")
            
        print("-" * 50)


当你运行这段代码时，你的电脑会在

的情况下，发生以下神奇的交互：

👤 主人: 帮我看看电脑现在卡不卡，C盘还剩多少空间？
⚙️ [AI 动作] 正在读取系统底层硬件数据...
🤖 管家: 报告老板，您的电脑现在非常健康！CPU 使用率只有 12%，内存还剩 5.4GB，完全可以多开几个网页。不过您的 C 盘只剩 45.2GB 了，大概还能装半个 3A 大作，建议清理一下垃圾哦！

--------------------------------------------------
👤 主人: 帮我把 /Users/xxx/Downloads/Test_AI_Folder 这个文件夹里的文件分类整理一下
⚙️ [AI 动作] 正在扫描并整理路径...
🤖 管家: 整理完成！共移动了 5 个文件。分类详情：{"文档": ["report.pdf", "readme.txt"], "图片": ["vacation.jpg"], "代码": ["main.py"], "压缩包": ["backup.zip"]}

--------------------------------------------------
👤 主人: 今天天气真不错啊
🤖 管家: 抱歉，我目前只会整理文件和修电脑。如果您需要查询天气，请连接网络并使用天气插件。


三、 从“玩具”到“极客生产力”的进阶指南

上面的代码展示了本地 AI 控制电脑的最小闭环。如果你想把它变成真正的生产力工具，可以尝试以下高阶玩法：

目前的代码只能操作文件系统和读取数据。如果想让 AI 

：让 AI 输出鼠标坐标和点击动作。例如指令：“帮我打开浏览器，登录 Github 并给第一个仓库点 Star”，AI 生成 

Ollama 现在完美支持多模态模型（如 

：用 Python 每隔 5 秒截取一次屏幕（

），将图片喂给本地的 LLaVA 模型，让 AI “看着”你的屏幕进行指导。比如：“我当前屏幕上报错了，帮我看看怎么解决”，AI 会直接读取屏幕上的 Error Log 并给出修复方案。

将 Python 脚本打包成后台服务（Windows 下用 

：让 AI 管家在后台静默运行，监控特定文件夹。一旦你往“待处理”文件夹里扔入一张发票图片，AI 自动调用本地 OCR 模型识别金额，并重命名文件、录入本地的 Excel 表格中。

4. 解决本地模型的“JSON 崩溃”问题

小参数模型（如 1.5B/7B）在输出复杂 JSON 时偶尔会格式错误（比如多输出了一个 Markdown 的 

：在 Python 端加入正则表达式清洗，或者使用 Ollama 的 

 参数（代码中已使用）强制约束底层采样器，确保 100% 的 JSON 解析成功率。

结语：AI 的尽头是“操作系统”

当我们把大模型从“云端的对话框”拉回到“本地的操作系统”中时，AI 才真正具备了改变我们日常工作流的潜力。

 的组合，不仅彻底解决了数据隐私和 API 成本的焦虑，更让每一个懂点 Python 的开发者，都能拥有属于自己的、绝对忠诚的“贾维斯（J.A.R.V.I.S）”。

，开始编写属于你的本地 AI 脚本吧！你的电脑，远比你想象的更聪明。

在之前的文章中，我们探讨了如何通过 API 调用云端大模型来构建企业级应用。但对于很多极客、IT运维人员或对隐私要求极高的开发者来说，把电脑里的文件、系统日志发给云端 AI 是绝对不可接受的。同时，频繁调用 API 产生的 Token 费用也是一笔不小的开销。

极客实战：用 Ollama + Python 打造“全离线”的 AI 电脑管家（附源码）

人工智能

编程语言

运维

打造全离线AI电脑管家，无需联网即可智能整理文件、诊断系统状态。使用Ollama框架运行本地大模型，结合Python实现文件分类、硬件监控等功能，确保数据隐私安全。支持中文指令，适合极客和IT运维人员，让老旧笔记本也能变身智能助手。

数据隐私

文件系统

Windows

路由

Python

JSON

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

极客实战：用 Ollama + Python 打造“全离线”的 AI 电脑管家（附源码）

极客实战：用 Ollama + Python 打造“全离线”的 AI 电脑管家（附源码）

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐