AI File Sorter 缓存与本地学习机制揭秘：让 AI 越用越懂你的分类偏好

• AI 应用
• 大模型
• 本地部署
• 桌面应用

AI File Sorter 是一款跨平台的 AI 文件整理与重命名工具，除了把文档、图片自动归入合适的文件夹，它还有一个少有人注意的"隐藏技能"——本地缓存 + 学习机制：你每一次在审核界面确认的分类决定，都会被记入本地学习数据库，下次分析时 AI 会优先推荐你熟悉的分类体系，真正做到越用越懂你📂。

本文带你彻底搞懂 AI File Sorter 的缓存与本地学习机制：它们分别存在哪里、如何记录你的偏好、如何清理缓存，以及"清缓存"和"重置学习"到底有什么区别。

一、先认识 AI File Sorter：AI 驱动的文件分类神器

AI File Sorter 是一款基于 Qt/C++ 的跨平台桌面应用，支持本地与远程 LLM（大语言模型），工作流程是：扫描 → AI 分类 → 人工审核 → 预览 → 安全移动/重命名。所有改动都由你最终确认，预览式工作流让你对每一次变更保持完全掌控 ✅。

它的核心卖点不只是"把文件分好"，而是记住你的分类习惯。官方文档明确区分了两类本地记忆：缓存（cache）与习得行为（learned behavior），二者存储位置与生命周期完全不同。详见 docs/categorization-behavior.md。

整理前后的文件夹对比，效果一目了然：

二、两层本地记忆：分类缓存 vs 用户学习数据库

这是理解本文的关键 👇 AI File Sorter 把"记忆"拆成了两个独立的部分：

2.1 分类缓存：重复分析又快又稳

缓存库会记录过去分析过的文件及其结果，作用有两个：

• 提速：同一个文件再次扫描时直接复用历史结果，不必重复调用 LLM；
• 保持一致：在"更一致（More consistent）"模式下，缓存中的近期相似结果会作为"一致性提示"参与本次判断，避免同类文件被分到不同文件夹。

缓存文件名的解析逻辑可以查看 CacheMaintenanceService.cpp。缓存只是本地记忆，它不会训练或修改底层模型——这一点很重要，意味着你的数据始终留在本地。

2.2 用户学习库：真正"越用越懂你"的关键

user_learning.db是独立于缓存的 SQLite 数据库，专门存放你亲自批准过的分类决定。核心结构定义在 UserLearningStore.hpp：

• ApprovedMapping：一次审核确认的"文件名 + 目录 + 分类 + 子分类 + 建议新名"记录；
• TaxonomyEntry：从多次批准中沉淀出的"习得分类体系"，并统计每个分类下有多少个已批准示例；
• RetrievedCandidate：检索时带相关性得分（词汇匹配分 + 可选的向量相似度）返回的候选分类。

三、偏好是怎么被"学"到的：审核确认一步写入学习库

学习发生在审核对话框中。当你在审核界面修改或确认某个文件的分类，并点击应用时，程序会把这条"批准的映射"写入学习数据库：

关键代码在 CategorizationDialog.cpp：只有learn_approved_mappings为真（即非 dry-run）且文件被选中处理时，才会调用record_approved_mapping落库。

这里有个新手常问的细节：Dry-run（试运行/预览）不会写入学习库。预览只是看看效果，不产生任何学习副作用：

此外，你在设置里配置的分类白名单也会被导入学习库（来源标记为whitelist:），让你在限定分类范围内依然能享受检索增强的效果。

四、学到的东西如何用：提示词注入 + 智能优先

学习数据不是摆设，AI File Sorter 在下一轮分析中会以两种方式主动利用它 🚀

4.1 把习得分类注入提示词

在 CategorizationService.cpp 中，build_learned_candidate_context会以"文件名 + 路径"为查询，从学习库检索最多 5 个最相关的习得分类（相关性低于阈值的会被过滤），然后生成一段提示词上下文：

"User-learned category candidates from approved behavior"（来自你已确认行为的用户习得分类候选），并建议模型"当合适时优先选择其中之一"。

4.2 通用结果的智能校正

prefer_learned_candidate_for_generic_result（同文件 #L1010-L1032）还做了一步更激进的事：当模型给出的是比较笼统的分类时，如果学习库中有得分足够高（≥12 分）的相关候选，程序会直接用你习得的分类去替换它——你的偏好最终"盖过"模型的泛泛之谈。

最终效果：用 AI File Sorter 一段时间后，文件夹结构会越来越贴合你个人的组织习惯，而不是模型的"标准答案"。

五、三步清理分类缓存：空间管理与隐私控制

用得久了，缓存也会变占空间。AI File Sorter 在设置里提供了专门的缓存维护对话框（CacheMaintenanceDialog.hpp），支持三类目标：

操作只需三步：

1. 打开设置 → 缓存维护对话框，每个目标都显示路径与占用大小；
2. 点击对应目标的清除按钮（内部实现见 CacheMaintenanceService.cpp）；
3. 界面即时刷新，SQLite 型缓存还会检查数据表是否为空，避免"看似能清、实际没用"的误导。

⚠️重点提醒：清除分类缓存不会删除user_learning.db中你的学习数据。想彻底"重置 AI 对你的了解"，需要单独调用学习库的clear_all（见 UserLearningStore.hpp）。缓存是可再生的，学习库是你用时间换来的，请按需管理。

六、新手常见问题 FAQ

Q1：清理缓存会让 AI 变"傻"吗？不会立刻变傻。缓存丢了只是下次分析更慢一点，而学习库里的偏好完全保留。

Q2：学习机制会上传我的文件内容吗？不会。缓存与学习库都存储在本地应用配置目录中，属于纯本地数据；文档也强调缓存"只作为本地一致性记忆，不训练、不修改模型"。

Q3：白名单和学习机制会冲突吗？不会。学习库检索到的候选会先经过白名单过滤（CategorizationService.cpp），超出白名单范围的习得分类不会进入提示词。

Q4：换电脑后"学习"还在吗？学习库是本地文件，随配置目录走；复制user_learning.db即可把偏好带到新环境。

写在最后

AI File Sorter 的"聪明"来自两个简单而优雅的本地机制：缓存负责快，学习库负责懂你。前者让重复分析省时省力，后者让每一次审核确认都成为 AI 理解你分类偏好的养料。下次打开审核对话框时，记住：你确认的每一个分类，都在悄悄塑造未来 AI 的推荐 👍

更多架构细节可参考 docs/architecture.md 中的持久化与设置层说明。

• AI 应用
• 大模型
• 本地部署
• 桌面应用