AI 应用大模型本地部署桌面应用【免费下载链接】ai-file-sorterCross-platform desktop application for content-aware file organization and renaming. Supports local and remote LLMs, preview-based workflows, and fully user-controlled changes.项目地址https://gitcode.com/gh_mirrors/ai/ai-file-sorter点击查看免费下载AI File Sorter 是一款跨平台的 AI 文件整理与重命名桌面应用它用本地或远程大模型分析图片、文档和音视频内容给出分类与重命名建议所有改动都经你确认后才生效。本文带你从零开始完整走通 Windows / macOS / Linux 三大平台的源码编译流程并重点拆解 llama.cpp 多后端CPU / CUDA / Vulkan运行时的构建与自动选择机制。一、编译前需要准备什么在动手之前先花两分钟了解整体依赖结构后面每一步都会用到它。整个应用的构建由 app/CMakeLists.txt 驱动核心依赖可以分成三组依赖组包含内容用途GUI 框架Qt 6Core / Gui / Widgets / Network界面与国际化资源基础库curl、OpenSSL、SQLite3、JsonCpp、fmt、spdlog、libmediainfo网络、数据库、日志、媒体元数据AI 运行时llama.cppCPU / CUDA / Vulkan 变体 mtmd 视觉库本地文本/视觉 LLM 推理三个容易踩坑的点提前说明llama.cpp 是 Git 子模块克隆后必须执行git submodule update --init --recursive否则 app/scripts/build_llama_linux.sh 会直接报错退出。MediaInfo 只接受包管理器安装构建系统会主动拒绝仓库内自带的 MediaInfo 副本Linux 装libmediainfo-devmacOS 用brew install mediainfo。x64 Linux 的 ggml 保持 SSE4.2 兼容CMake 中显式关闭了 AVX/AVX2/FMA 等指令集见 app/CMakeLists.txt保证老 CPU 也能跑。二、克隆仓库并初始化子模块三大平台共用同一条初始化流程git clone https://gitcode.com/gh_mirrors/ai/ai-file-sorter cd ai-file-sorter git submodule update --init --recursive小贴士如果你之前手动下载过 llama.cpp 或 Catch2先把app/include/external/llama.cpp和external/Catch2目录移走Git 需要空目录才能填充子模块。三、Linux 源码编译推荐新手入门Linux 的构建链路最清晰适合作为第一次编译的平台。1. 安装依赖Debian / Ubuntusudo apt update sudo apt install -y \ build-essential cmake git qt6-base-dev qt6-base-dev-tools \ qt6-l10n-tools qt6-tools-dev-tools libcurl4-openssl-dev \ libjsoncpp-dev libsqlite3-dev libssl-dev libfmt-dev libspdlog-dev \ libmediainfo-dev zlib1g-dev patchelfFedora/RHEL 用户把对应包换成qt6-qtbase-devel qt6-qttools-devel libmediainfo-devel openblas-devel等Arch/Manjaro 则是pacman -S qt6-base qt6-tools mediainfo ...。2. 编译内嵌 libziplibzip 以源码形式放在 external/libzip/用 CMake 单独构建一次即可生成静态库cmake -S external/libzip -B external/libzip/build \ -DBUILD_SHARED_LIBSOFF -DBUILD_DOCOFF \ -DENABLE_BZIP2OFF -DENABLE_LZMAOFF -DENABLE_ZSTDOFF \ -DENABLE_OPENSSLOFF -DENABLE_GNUTLSOFF -DENABLE_MBEDTLSOFF \ -DENABLE_COMMONCRYPTOOFF -DENABLE_WINDOWS_CRYPTOOFF cmake --build external/libzip/build3. 构建 llama.cpp 运行时变体这是多后端机制的核心。每个后端各跑一次辅助脚本 app/scripts/build_llama_linux.sh# CPU / OpenBLAS 基线必建 ./app/scripts/build_llama_linux.sh cudaoff vulkanoff # 可选NVIDIA CUDA需驱动 完整 CUDA Toolkit ./app/scripts/build_llama_linux.sh cudaon vulkanoff # 可选Vulkan 1.2需 glslc 与可用驱动 ./app/scripts/build_llama_linux.sh cudaoff vulkanon每次运行会把对应产物暂存到app/lib/precompiled/variant并把运行时库复制到app/lib/ggml/wvariant。脚本禁止同时开启 CUDA 和 Vulkan需要分别构建同时携带多个目录可以让启动器在运行时自动择优。4. 编译主程序cd app make -j4 # 产物位于 app/bin/aifilesorter可选项sudo make install系统级安装app/scripts/package_deb.sh 打 Debian 包加--cpu-only可生成更小的纯 CPU 包Fedora 用户可用 app/scripts/create_rpm.sh 出 RPM。四、macOS 源码编译安装 Xcode 命令行工具与 Homebrew然后brew install qt curl jsoncpp sqlite openssl fmt spdlog mediainfo cmake git pkgconfig libffi export PATH$(brew --prefix)/opt/qt/bin:$PATH克隆仓库并初始化子模块同上文按 Linux 步骤 2 构建 libzip。构建 llama 运行时./app/scripts/build_llama_macos.sh # 默认架构 ./app/scripts/build_llama_macos.sh --arm64 # Apple Silicon产物暂存于app/lib/precompiled*应用直接使用它不依赖 Homebrew 的 ggml/llama 库。构建固定MACOSX_DEPLOYMENT_TARGET15.0。编译cd app make -j8。需要按机型出变体包时可用make -j8 MACOS_LLAMA_M1/MACOS_LLAMA_M2产物分别输出到app/bin/m1、app/bin/m2。注意make只生成原生可执行文件本仓库目前不提供自动化的.app/.dmg打包目标发布打包需另作处理。五、Windows 源码编译CMake vcpkg 推荐路线Windows 走原生 MSVC Qt6 路线非 Qt 依赖全部由 app/vcpkg.json 清单自动解析。1. 准备工具链Visual Studio 2022含使用 C 的桌面开发工作负载 CMake 3.21克隆并 bootstrap vcpkgVCPKG_ROOT需指向可写副本Qt 6 MSVC 版本如C:\Qt\6.6.3\msvc2019_64MSYS2 UCRT64 或 MINGW64 OpenBLASpacman -S mingw-w64-ucrt-x86_64-openblas2. 构建 llama.cpp 运行时变体每个后端跑一次 app/scripts/build_llama_windows.ps1app\scripts\build_llama_windows.ps1 cudaoff vulkanoff # CPU 基线 app\scripts\build_llama_windows.ps1 cudaon vulkanoff # CUDA app\scripts\build_llama_windows.ps1 cudaoff vulkanon # Vulkan脚本支持blason|off、vcpkgrootpath、openblasrootpath、cudaarchvalue等参数它会自动探测C:\msys64\ucrt64与C:\msys64\mingw64下的 OpenBLAS。3. CMake 配置并编译在 x64 Native Tools 或 Visual Studio Developer PowerShell 中$env:VCPKG_ROOT D:\path\to\vcpkg $qt C:\Qt\6.6.3\msvc2019_64 $toolchain Join-Path $env:VCPKG_ROOT scripts\buildsystems\vcpkg.cmake cmake -S app -B build -G Ninja -DCMAKE_PREFIX_PATH$qt -DCMAKE_TOOLCHAIN_FILE$toolchain -DVCPKG_MANIFEST_DIRapp -DVCPKG_TARGET_TRIPLETx64-windows cmake --build build --config Release也可以直接跑 app/build_windows.ps1如-Configuration Release -BuildTests -RunTests它会自动串起上述流程-Clean参数用于彻底重编。构建完成后CMake 还会自动把 CPU/CUDA/Vulkan 三套 DLL 分别拷到输出目录的lib/ggml/wocuda、wcuda、wvulkan子目录逻辑见 app/CMakeLists.txt启动器在运行时按优先级选择。六、llama.cpp 多后端运行时是如何工作的编译产物只是弹药库真正的多后端机制在启动阶段自动探测优先级CUDA → Vulkan → CPU。没有任何参数时启动器按此顺序检测可用运行时检测不到 GPU 后端就自动停留在 CPU/OpenBLAS全程无需干预。手动强制指定Linux 启动器app/bin/run_aifilesorter.sh与 Windows 打包版aifilesorter.exe都支持--cuda{on|off}强制启用/禁用 CUDA--vulkan{on|off}强制启用/禁用 Vulkan同时传on会被拒绝--cudaoff可强制走 Vulkan/CPU适合验证新装的 Vulkan 栈。细粒度环境变量AI_FILE_SORTER_GPU_BACKENDauto/cuda/vulkan/cpu、AI_FILE_SORTER_N_GPU_LAYERS-1自动、0强制 CPU、AI_FILE_SORTER_CTX_TOKENS上下文长度默认 2048。完整清单见 docs/configuration-and-environment.md。显存经验法则应用会按可用 VRAM 自动估算n_gpu_layers8 GB 显存下 Vulkan 卸载体验更顺滑4 GB 常出现部分卸载或回退 CPU集显默认按 4 GiB 封顶以保安全。七、验证构建与跑测试编译完成后建议先做两个验证兼容性基准应用内置系统兼容性检查与基准对话框可直观确认当前 CPU/GPU 后端选择是否正常。单元测试构建时加-DAI_FILE_SORTER_BUILD_TESTSON即可注册 Catch2 测试目标见 app/CMakeLists.txtLinux/macOS 上可用 tests/run_all_tests.sh 一键跑全量集成测试测试方法论详见 docs/testing.md。# Linux / macOS 带测试构建 cmake -S app -B build-tests -DAI_FILE_SORTER_BUILD_TESTSON cmake --build build-tests首次实跑建议遵循官方安全首跑原则先拿 20~50 个文件的小测试文件夹试分析确认审阅表无误再对大目录操作改动后可用编辑 → 撤销上次运行回滚。八、常见问题速查现象原因与解法脚本报 Missing llama.cpp submodule未执行git submodule update --init --recursive补跑即可CMake 报找不到 MediaInfoLib必须用包管理器安装apt/dnf/pacman/brew/vcpkg仓库内自带的副本会被构建系统拒绝Windows 配置失败确认在 x64 Native Tools 环境运行且VCPKG_ROOT指向可写 vcpkg 克隆CUDA 变体构建失败先在同一 shell 验证nvidia-smi与nvcc --version必要时export PATH/usr/local/cuda/bin:$PATHVulkan 变体构建失败确认vulkaninfo能正常输出并安装glslc与匹配的驱动如mesa-vulkan-drivers想强制某个后端用--cuda{on|off}/--vulkan{on|off}启动参数或设置AI_FILE_SORTER_GPU_BACKEND九、关键文件索引最后留一份导航图方便日后查源码与文档构建主入口app/CMakeLists.txt平台构建脚本app/scripts/build_llama_linux.sh、app/scripts/build_llama_macos.sh、app/scripts/build_llama_windows.ps1、app/build_windows.ps1打包脚本app/scripts/package_deb.sh、app/scripts/create_rpm.sh运行时与环境变量docs/configuration-and-environment.md架构说明docs/architecture.md测试指南docs/testing.md、tests/run_all_tests.sh按本文流程走下来你就拥有了一台可自由切换 CPU / CUDA / Vulkan 后端的 AI File Sorter 开发版——下一步就是拿它整理自己的下载文件夹了 赞分享AI 应用大模型本地部署桌面应用【免费下载链接】ai-file-sorterCross-platform desktop application for content-aware file organization and renaming. Supports local and remote LLMs, preview-based workflows, and fully user-controlled changes.项目地址https://gitcode.com/gh_mirrors/ai/ai-file-sorter点击查看免费下载相关推荐2025最完整AvaloniaVisualBasic6跨平台编译指南从源码到多端运行2025最完整AvaloniaVisualBasic6跨平台编译指南从源码到多端运行 你还在为VB6项目现代化发愁本文解决这些核心痛点 传统VB6仅支持Wi开发工具IDE桌面应用解释器如何从源码编译LuantiLinux、Windows与Android多平台构建完全指南如何从源码编译LuantiLinux、Windows与Android多平台构建完全指南 Luanti原名 Minetest是一款开源体素游戏创作平台以轻游戏开发图形学如何快速部署Ornith-1.0-9B-GGUF5分钟搭建本地AI编程环境完整指南如何快速部署Ornith 1.0 9B GGUF5分钟搭建本地AI编程环境完整指南 Ornith 1.0 9B GGUF是一款高效的开源AI编程模型专为本地创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
