Command Palette

Search for a command to run...

ImageTidy.V2

ImageTidy.V2
pythonaiimage

imageTidy.v2

一个智能化的复杂文件结构整理工具，专门用于整理CAD图纸、照片和文档。通过AI智能分析项目名称、时间段和文件类型，自动生成整理计划并执行迁移。

image banana

核心功能

🤖 AI智能分析

  • 使用Google Gemini 2.5 Flash模型进行智能项目识别
  • 自动发现项目别名和变体名称
  • 支持中英文文件夹名称识别
  • 基于目录权重智能分类

📁 智能分类

  • 项目分类：自动识别和合并相似的项目名称
  • 时间分类：基于文件修改时间自动生成时间区间
  • 文件类型分类：支持CAD、照片、文档等文件类型

🔒 安全保障

  • 支持dry-run预览模式
  • 完整的操作日志记录
  • 冲突自动解决机制
  • 支持回滚恢复

📊 完整追踪

  • 生成详细的迁移计划CSV
  • 保留原始文件信息
  • 提供执行摘要和统计

工作流程

第一步：收集元数据

使用 collect_metadata.py 扫描 settings.py 中的 SOURCE_FOLDER，收集每个文件的路径、扩展名和修改时间。

第二步：生成迁移计划

通过 generate_plan.py（可接入 LLM）生成项目/时间段/类别配置并输出 move_plan.csv，用于人工审核。

第三步：执行迁移

审核完后再用 execute_plan.py 按照计划移动文件，所有操作都会写入 output/ 下的日志。

环境配置

所有 Python 依赖由 pyproject.toml 定义，请使用 uv 统一管理：

uv install      # 创建/更新虚拟环境并安装依赖
uv run collect_metadata.py

重要：不要直接用 pip install，避免在不同环境中产生版本不一致。

实际执行顺序

1. 收集元数据

uv run collect_metadata.py

产出以下文件：

  • output/metadata.json（每个文件的原始记录）
  • output/folder_summary.json（内部统计）
  • output/tag_summary.json（关键词标签及其原始链路/映射）
  • output/tag_input.json（供 AI 的 tag list，只有关键字）
  • output/folder_overview.json（概览说明：总文件数、目录数量与 ascii tree，每个节点带文件数，帮 AI 判断目录权重）

2. 生成迁移计划

export OPENAI_API_KEY=...
uv run generate_plan.py

覆盖缺失标签： 如果想把当前 tag_input.json 中还没被 AI 覆盖的关键词下一轮再问一遍，可加 --cover-missing，脚本会以那些缺失 tag 作为第二轮输入。

该脚本会把 output/tag_input.json 与 output/folder_overview.json 作为 AI 输入，让模型以关键词和权重为主导，再生成项目别名/别称映射（时间段由本地 metadata 计算）。完成后会生成：

  • output/plan_config.json（项目/时间/类别配置，包含本地计算出的时间区间）
  • output/move_plan.csv（详细迁移计划，供你审核）
  • move_plan.csv 也会被拷贝一份到目标目录（<source>-organized/move_plan.csv），方便在整理好的结构下回顾
  • 日志和摘要在 output/generate_plan.log / output/plan_summary.json

3. 审核迁移计划

打开 output/move_plan.csv，确认 new_path 字段里新的目录结构（<time-range>-<project-name>/<category>）没问题。计划表格确保每一次移动都有记录。

4. 执行迁移（可先 dry run）

uv run execute_plan.py --dry-run  # 只记录不移动
uv run execute_plan.py             # 执行移动

执行时日志会写入 output/execute_plan.log，会自动处理目标冲突（会在文件名后追加 _dupN）。

回滚功能： 需要回滚整理结果？用 uv run execute_plan.py --revert 会先校验目标目录下的 move_plan.csv 是否存在，若缺失则退出。恢复时，它会根据目标文件夹里的那份计划把文件移回原始路径。

输出目录结构

整理后的目录结构遵循模式：<time-range>-<project-name>/<category>

例如：

2020-2021-龙湖固定家具/cad/
2020-2021-龙湖固定家具/photos/
2020-2021-龙湖固定家具/docs/
2022-龙湖地产项目/cad/

模块说明

  • collect_metadata.py：遍历 SOURCE_FOLDER，生成各类元数据文件
  • generate_plan.py：用目录摘要询问 LLM 得到项目/类别建议，再用 metadata 自行计算时间区间，最终输出迁移计划
  • execute_plan.py：根据计划移动文件，支持 dry-run 和冲突解决
  • imagetidy/planning.py：核心规划逻辑，包含项目匹配、时间范围推导等算法
  • output/：所有中间文件与日志都在这里，默认被 .gitignore 忽略

配置文件

在 settings.py 中可以配置：

  • SOURCE_FOLDER：要整理的源文件夹路径
  • MODEL_NAME：使用的AI模型（默认为 google/gemini-2.5-flash）
  • AI_PROMPT：AI分析的提示词

注意事项

⚠️ 安全提醒：整理历史文件是一个复杂且风险较高的任务，务必多加小心。建议先在小范围内测试脚本和流程，确认无误后再大规模执行。

在每一步务必先 review output/ 下的 CSV/JSON，再进入下一个阶段，确保不会误删或错移老文件。

版本信息

  • 当前版本：v1.0.1
  • Python要求：>=3.12
  • 主要依赖：openai>=2, python-dotenv>=1.2.1

祝你整理顺利！

Comments