一句话总结：
这不是一篇“技术炫技”的文章，而是一篇“普通开发者，如何把 AI 当成外包团队，用有限精力做出一款像样的 Mac 清理工具”的实战复盘。
首先，先放几张目前最新版 CleanDiskGo 的截图，大家有什么建议都可以在评论区留言告诉我。
起心动念：为什么要做一款对标 CleanMyMac 的工具？
如果你和我一样，是重度 Mac 用户，大概都经历过这几个时刻：
- 硬盘又红了，系统提示“存储空间不足”
- Xcode、Docker、各种 SDK 把
/Library和~/Library占得满满当当 - CleanMyMac 虽然好用，但订阅价格不算便宜，而且很多功能是“买了也用不太上”
我当时的想法很简单：
- 我只想要一款专注清理和体检的小工具
- 界面干净、操作简单，别那么多营销弹窗
- 能看得懂它在清什么、为什么能删、删了会有什么影响
于是就有了一个念头：
能不能做一款“轻量版 CleanMyMac”，我自己和身边朋友都能长期用？
这就是 CleanDiskGo 的起点。
关键问题来了：
我是一个有十年左右经验的 iOS 开发者，已经转型做全栈一段时间，但依然是独立开发者，没有大团队、没有专职 UI、也不是专门做系统工具出身。
如果靠传统方式，一点点调研、一点点设计，可能一年都上线不了。
所以我选择了另一条路：把 AI 当成“外包团队”，从 0 到 1 帮我一起做。
整体思路：把 AI 当成“虚拟合伙人”而不是“代码自动机”
很多人用 AI 写代码的方式，是直接一句：
“帮我写一个 Mac 清理软件”
然后看着模型开始胡乱输出。
我这次刻意换了一个思路——
不让 AI 直接“写代码”，而是先让它帮我做“产品和技术决策”。
整体流程我拆成了 5 个阶段：
- 产品定位 & 功能边界：和 AI 一起确定“我到底要做成什么样”
- 技术选型 & 架构草图：让 AI 帮我快速比较各种技术路线
- 清理规则 & 安全边界：AI 帮我梳理“哪些能删，哪些坚决不能碰”
- 交互与文案：借助 AI 写懂人话的提示和确认文案
- 迭代与优化：把用户反馈和日志丢给 AI，辅助做版本规划
下面我就按时间线拆开讲，每一步我是具体怎么用 AI 的。
第一步：用 AI 做“产品经理”——先把 CleanDiskGo 讲清楚
1.1 用对话敲定目标用户和核心场景
我给 AI 的第一个任务不是“写代码”，而是这样一句话：
“假设我要做一款对标 CleanMyMac 的 Mac 清理工具，名字叫 CleanDiskGo。目标用户是：磁盘经常告急的普通用户 + 做开发、装了很多工具的程序员。请帮我列出他们最真实的 5 个痛点，并按优先级排序。”
AI 给了一个很长的列表，我只做了两件事：
- 让它每个痛点都配一个具体场景，比如“Xcode 占了 50G，不知道从哪删”
- 让它限制在 5 条以内，强迫它做取舍
最后我保留下来的 3 个核心场景是：
- 一键扫描，看到“大头”到底在哪里（缓存、日志、大文件、旧应用）
- 对于每一类清理项，都能看到“删不删的后果”，而不是黑盒操作
- reserved：给开发者一些“深度清理选项”（比如派生数据、Pods 缓存）
这一步做完，CleanDiskGo 的产品方向就有了：
- 不做“全能助手”，只做“磁盘瘦身 + 健康体检”
- 重视“可解释性”，任何清理项都要让用户看得懂
1.2 让 AI 帮我“反向拆解” CleanMyMac
接下来，我让 AI 扮演“竞品分析师”。
提示词大概是这样的（简化版）：
“以资深 Mac 工具产品经理的身份，帮我从‘功能模块’、‘使用门槛’、‘价格和授权方式’三个维度，拆解 CleanMyMac。最后给一个‘我这种个人开发者可以优先对标的模块’列表，按性价比排序。”
AI 给出的建议非常关键：
- 不要碰杀毒、防护这些高风险模块
- 先聚焦：垃圾清理、应用卸载、大文件查找、启动项管理
- 可以加一个“小而美”的加分项，比如：磁盘体检报告
这一步结束，我基本锁定了 CleanDiskGo 的 1.0 功能清单。
第二步：用 AI 做“技术顾问”——选对技术栈比什么都重要
有了产品大方向，第二个问题就是：用什么技术栈来实现？
2.1 技术路线博弈：Flutter / 原生 / Electron？
我把自己真实的约束告诉 AI：
- 希望桌面端体验尽量贴近原生，不要太“网页感”
- 个人开发者，开发和维护成本不能太高，最好能一套代码多端复用
- 清理逻辑要能准确访问和操作文件系统
再结合我自己的履历——我写 iOS 大概十年左右，同时做 Flutter 已经三四年了，对 Flutter 全家桶比较熟——我们一起把技术路线梳理成了几种可能：
- 路线 A：完全走 macOS 原生，Swift / SwiftUI 一套打到底
- 路线 B：Electron + Node.js，前端技术栈做跨平台
- 路线 C：以 Flutter 为主，用 Flutter Desktop 做 UI，底层通过插件或原生桥接访问系统能力
AI 帮我把每条路线的优劣势都列了一遍，包括：
- 开发效率：UI 迭代速度、组件复用度
- 体验：窗口渲染性能、系统感、字体和动效风格
- 复杂度：权限、打包、签名、更新机制
结合我的经验和诉求，最后我们得出的结论是：
- 如果已经有成熟 Flutter 经验，又希望未来可以顺手支持其他平台（比如 Windows），Flutter Desktop 是一个性价比很高的选择
- 真正需要和系统深度集成的地方，再用原生能力或插件补足就好
于是 CleanDiskGo 首版我选择了：
- 主 UI：Flutter（桌面端）
- 清理逻辑：Flutter + 平台通道调用原生能力，外加少量可复用的脚本工具
AI 在这里帮了我两件事：
- 帮我系统性地对比了 Flutter Desktop 和纯原生、Electron 的差异，让我更确定自己的选择不是“拍脑袋”
- 帮我列了一个“用 Flutter 做桌面系统工具时需要注意的坑点清单”，包括窗口管理、文件权限、插件选型等，我就按那份清单逐项排雷
2.2 让 AI 直接画出架构草图
当技术路线确定后，我让 AI 帮我画了一个“文字版架构图”，包括：
- UI 层：扫描状态展示、结果列表、详情页、确认弹窗
- 核心服务：扫描引擎、规则引擎、任务队列、日志记录
- 系统交互：文件系统访问、权限请求、系统信息获取
然后我根据这个架构，把代码仓库拆成了几个模块——
这一点特别重要：有了清晰的模块，后面再让 AI 写代码，就不会乱套。
第三步：最关键的一步——用 AI 设计“安全的清理规则”
做清理软件，最怕两件事：
- 删得不干净，用户觉得这软件“没用”
- 删错了东西，用户系统出问题，直接把软件卸载拉黑
所以，在真正写扫描逻辑之前，我先花了不少时间，专门和 AI 做了一轮“清理规则设计”。
3.1 让 AI 帮我分级：哪些是“安全垃圾”，哪些是“高风险”
我给了 AI 这样一个任务：
“列出 macOS 和常见应用（如 Xcode、Chrome、VS Code、各类聊天工具）产生的垃圾文件路径和类型。按‘几乎可以放心删除’、‘一般建议删除前询问’、‘高风险，默认不要勾选’三个等级分类。”
AI 给出的分类思路非常符合直觉，例如：
- 几乎可以放心删：
- 浏览器缓存
- 应用自身的临时文件
- Xcode 的 DerivedData（前提是标注会触发重新编译）
- 建议确认后删除：
- 旧版本应用残留
- 大体积日志文件
- 高风险：
- 系统目录下的未知文件
- 任意可执行文件
我做的事情，就是：
- 让 AI 给出具体路径 + 文件匹配规则
- 把这些规则固化成结构化配置，例如 JSON / Plist
- 再在程序里解析这些配置，构造扫描任务
3.2 用 AI 自动生成“解释文案”
用户点开某个清理项时，最关心的是一个问题：
“你删的是啥？删了会怎样？”
于是我又给 AI 布置了一个任务：
“针对每一类清理项（例如：Xcode 派生数据、浏览器缓存、应用日志），请帮我写一段不超过 60 字的解释说明，包括：这是什么、删了会有什么影响、适合什么场景删除。语气尽量口语化。”
这些文案基本直接贴进了 CleanDiskGo，只做了一点微调。
效果很好——
- 用户看到解释后，敢不敢勾选心里有数
- 我也省去了大量“绞尽脑汁写说明”的时间
第四步：让 AI 帮我“写界面”和“写提示”
很多人以为用 AI 写 UI，就是一句：“帮我写一个 Flutter 的界面代码”。
我这次的做法更偏“结对编程”：
4.1 用自然语言描述交互，再让 AI 生成 Flutter 代码
比如我给的提示大致是：
“做一个 Mac 工具的主界面，上半部分是一个圆形进度和总可清理空间，下半部分是一个列表，每一行显示清理类型（比如 系统垃圾 / 应用缓存 / 日志文件）+ 可清理大小 + 一个开关。风格尽量简洁，配色偏系统原生。请用 Flutter 写出 widget 结构和基本布局。”
AI 生成的代码，我会做几件事情：
- 先通读一遍，看有没有明显违背 Apple 人机规范的地方
- 本地跑起来，看看整体布局和交互是否顺手
- 不满意的地方，再用自然语言补充：“把这个改成……”，“这个间距再大一点”
这一步的感觉就像是：
- AI 帮你快速打一个“80 分的草稿”
- 你只需要花精力把它从 80 分打磨到 90 分
4.2 所有弹窗文案，全部交给 AI 打底
比如：
- 扫描完成后的总结提示
- 删除前的确认弹窗
- 遇到权限不足、磁盘只读等异常时的错误提示
我给 AI 的统一要求是：
- 不要吓人，但要说清风险
- 不要出现“技术控行话”
- 每句尽量短，手机端看也要一目了然（虽然现在是 Mac）
最后的效果是——
整个 App 的“说话风格”相对统一，而且偏“人味儿”，而不是工具感。
第五步：上线后的迭代，我也把 AI 拉进了“复盘会”
CleanDiskGo 内测一段时间后，我收集了三类数据：
- 用户反馈（微信群、私聊、邮件）
- 应用日志（比如某些路径访问失败、清理耗时异常）
- 自己日常使用的体验
以往我可能会自己一个个看，这次我直接拉着 AI 一起复盘。
5.1 让 AI 帮我做“问题聚类”
比如我会把一堆用户反馈丢进去，然后说：
“请帮我从这些反馈里，整理出用户最常提到的 5 类问题或期待的功能，并按优先级排序。优先级评估时，请考虑影响范围（多少人会遇到）和严重程度（是否影响正常使用）。最后用一句话给出‘下一版优先要做什么’的建议。”
AI 很擅长做这种“文本聚类 + 排序”的工作。
通过这一步，我很快就确定了几个要优先跟进的方向：
- 提升扫描速度
- 增加“按目录查看大文件”的功能
- 增加“模拟清理 / 预估节省空间”的模式
5.2 让 AI 帮我 review 自己的代码
这一步有点像“找资深同事帮你过一遍 PR”。
我会选一些核心模块的代码，丢给 AI，让它帮我看：
- 有没有明显的性能问题（比如不必要的文件遍历）
- 有没有潜在的崩溃点（比如没有处理空路径、权限异常）
- 有没有可以提取成公共方法、减少重复的地方
当然，AI 的建议我不会“全盘照收”，而是：
- 把它看成一种“启发”
- 有价值的就采纳，没价值的就忽略
但整体感受是：
有 AI 帮忙 review，至少帮我捡出了几处“细节 bug”和“不够优雅的实现”。
这次实战，我对“AI 助力开发”的几个新认识
做到这里，CleanDiskGo 的 1.0 基本成型。
回头复盘，我对“借助 AI 做产品”有了几个比较深的感受：
1. AI 更适合做“决策和结构”，而不是“无脑写代码”
如果你把 AI 当成一个“会写代码的搜索引擎”，它的价值大概只有 30%。
但如果你把它当成：
- 产品讨论对象
- 技术路线顾问
- 架构搭建助手
- 文案与交互的合作者
它的价值会瞬间放大很多。
2. 做系统工具这类“有风险的东西”，AI 的角色要更“保守”
在清理规则、安全边界这些地方，我给 AI 的指令都是偏保守的：
- 默认不要推荐删除任何“系统关键文件”
- 只要判断不确定，就归类为“高风险，默认不勾选”
- 任何清理项都要配解释文案
这让 CleanDiskGo 虽然在清理力度上不算“激进”，但稳定性和安全感更高——
这也是我个人更看重的。
3. AI 对独立开发者最大的价值：降低“启动成本”和“心智负担”
如果没有 AI，我大概率不会在这么短的时间里，把 CleanDiskGo 从想法推进到可用版本。
原因很简单：
- 竞品调研、规则梳理、文案打磨，这些都太耗时间
- 很多地方你“知道大概该怎么做”，但不确定是不是最佳实践
而现在，只要我愿意开个对话框，就等于随时有一个“虚拟合伙人”在旁边：
- 我提方向，它帮我补细节
- 我给约束，它帮我找最优解
- 我写完代码，它帮我挑毛病
如果你也想做一个自己的“小工具”，可以从哪里开始？
最后，留一点“行动建议”给你：
- 不要一上来就让 AI “帮我写一个 XXX 应用”
- 先问它：“在这个方向上，一个独立开发者，最适合做的 3 类小工具是什么？”
- 然后选一个你自己也有刚需、而且范围相对可控的，慢慢做起来
在 CleanDiskGo 这次实战之后，我越来越相信一句话：
AI 不会替代认真的开发者，
它只会帮认真的人，把想做的事情，做得更快、更完整一点。
如果你也在做自己的工具，或者对 CleanDiskGo 的实现细节好奇，
欢迎来聊，我们可以一起让 AI 当好这个“新队友”。
