项目地址： ChaseToDream/cleanai: 一款基于AI辅助的Windows桌面端垃圾文件清理软件
案例环境：
- 软件：TRAE IDE国内版(v3.3.53)
- 模型：GLM-5.1
耗时WakaTime：
技术栈：
| 层级 | 技术 | 说明 |
|---|---|---|
| 前端框架 | React 19 + TypeScript | 用户界面构建 |
| UI 组件 | Shadcn/ui + Tailwind CSS v4 | 组件库与样式方案 |
| 状态管理 | Zustand | 轻量级全局状态管理 |
| 桌面框架 | Tauri v2 | 跨平台桌面应用框架 |
| 后端语言 | Rust 2021 Edition | 高性能系统扫描引擎 |
| 文件遍历 | walkdir | 高效递归目录遍历 |
| 网络请求 | reqwest | 云端 AI API 调用 |
| 异步运行时 | tokio | 后台扫描任务调度 |
| 序列化 | serde + serde_json | 数据结构与 JSON 互转 |
这个项目需求源自于我的实际需求，目前我的C盘可用空间每日都在减少，使用专业的扫描工具看了一下，基本都是以往软件的卸载残留，虽然可以人工删除，但是我实在不想每个文件夹都去研究是哪个软件的残留文件，目前市场上的垃圾清理软件也并不深度，所以衍生了这个软件。
从需求出现到实际产品落地总共三个半小时，整体的开发流程与思路如下：
SOLO3.0 MTC输出调研及PRD文档
首先将想法输入MTC模式，让它去根据我的需求调研现在整体垃圾清理软件的现状和AI辅助清理软件的开发思路，并且输出PRD文档辅助AI开发。
PRD文档移至TRAE
这里并没有选择使用SOLO Code继续开发主要是因为本次项目我想全程监督并且使用GLM-5.1开发这个涉及系统底层的软件，也可以利用Pencil等插件进行UI设计，全程对我透明化，SOLO Code虽然也可以全程完成项目开发，但综合利弊我选择了后者。
开发提示词：
spec基于当前项目框架，使用Tauri、Rust、React 18、TypeScript、Shadcn/ui、Tailwind CSS、Zustand、walkdir和reqwest等技术栈，开发一款功能完善的AI辅助清理Windows垃圾文件软件。该软件应包含以下核心功能模块：
- 系统扫描模块：使用walkdir库实现对Windows系统指定路径（包括临时文件目录、回收站、浏览器缓存等）的高效文件扫描，结合Rust的性能优势确保扫描过程不影响系统正常运行。
- AI分析模块：集成AI模型对扫描到的文件进行智能分析，识别可安全删除的垃圾文件类型，区分系统关键文件与可清理文件，降低误删风险。
- 用户界面模块：基于React 18和TypeScript，使用Shadcn/ui组件库和Tailwind CSS构建直观友好的用户界面，包含扫描进度展示、垃圾文件分类统计、清理建议和操作确认等功能。
- 状态管理模块：使用Zustand管理应用全局状态，包括扫描状态、文件列表、清理进度和用户设置等。
- 网络请求模块：通过reqwest库实现必要的网络功能，如AI模型调用（若采用云端模型）、软件版本检查和更新等。
- 文件操作模块：利用Tauri提供的系统API实现安全的文件删除操作，支持文件移动到回收站和彻底删除两种模式，并提供操作日志记录。
软件开发需遵循以下技术要求：
- 确保Rust后端与React前端的高效通信，使用Tauri的IPC机制实现数据交互
- 实现完善的错误处理和异常捕获机制，确保软件稳定性
- 遵循Windows系统安全规范，避免对系统关键文件和目录进行操作
- 优化扫描算法，减少系统资源占用，提供扫描暂停/继续功能
- 支持中文界面，提供清晰的操作指引和帮助文档
- 实现软件配置保存功能，记录用户偏好设置
最终交付物应包括完整的源代码、可执行安装程序、详细的开发文档和用户手册，确保软件能够在Windows 10及以上版本系统稳定运行。
开发过程
GLM-5.1完美的执行了这次开发的全部要求，全流程不间断开发3小时，并多次准确调用Agent团队进行并发开发，最终交付产物正常，但仍有瑕疵(后续展示)
GLM-5.1根据需求列举10项Task
Task 1: 前端工程化搭建（Tailwind CSS + Shadcn/ui + Zustand）
Task 2: Rust后端基础架构（依赖、数据模型、命令骨架）
Task 3: 系统扫描模块实现（walkdir扫描引擎）
Task 4: AI分析模块实现（本地规则+云端API）
Task 5: 文件操作模块实现（删除/回收站/日志）
Task 7: 前端页面和组件实现（中文UI）
Task 8: Zustand状态管理集成（前后端数据流）
Task 6: 配置管理模块实现（用户偏好持久化）
Task 9: Tauri权限和配置更新
Task 10: 集成测试和错误处理完善
Agent团队调用情况(但是我想吐槽内存占用，我的电脑一下子被吃掉大量内存)
成品交付
优点：
- 界面逻辑清晰，使用逻辑正常
- 操作简单，并且隐藏危险操作，专业人士可以解锁
- 实现AI API配置，可以主动调用大模型分析电脑垃圾文件
缺点： - UI界面并不美观
- 部分操作存在卡顿
- 部分设置仍然无实装功能
后续开发
目前基础框架已经成型，后续打算借助SOLO Code对当前问题进行修复，TRAE + Pencil插件设计UI界面等操作
