iOS-Weekly 项目推荐:Swift 实现的 macOS 命令行工具 rmtrash
在 macOS 系统中,rm 命令是一个常用的文件删除工具,但它有一个明显的缺点:删除的文件会直接从系统中消失,无法恢复。为了解决这个问题,开发者们通常会寻找替代方案,将文件移动到废纸篓而不是永久删除。今天我们要介绍的就是一个基于 Swift 实现的 rm 命令替代工具——rmtrash。
rmtrash 是一个开源的命令行工具,它的主要功能是将文件移动到 macOS 的废纸篓而不是直接删除。这个工具特别适合那些希望在删除文件时保留恢复可能性的用户。与系统自带的 rm 命令相比,rmtrash 提供了更安全、更人性化的文件删除方式。
目前 Homebrew 上有两个类似的工具:一个是 Objective-C 版本的 trash,另一个是 Swift 版本的 macos-trash。然而,这两个项目分别已经有 6 年和 2 年没有更新了,而且都存在一些不足之处。trash 没有采用最新的废纸篓 API,而 macos-trash 的实现又过于简单,缺乏对 rm 命令标志位的完整支持。
rmtrash 的优势在于它完全兼容 Linux 和 macOS 版本的 rm 命令标志位。这意味着用户可以像使用原生 rm 命令一样使用 rmtrash,而无需改变原有的使用习惯。无论是递归删除目录、强制删除文件,还是交互式删除等操作,rmtrash 都能完美支持。
对于开发者来说,rmtrash 的另一个亮点是它采用了 Swift 语言实现。Swift 作为苹果官方推荐的开发语言,在 macOS 平台上有着天然的优势。使用 Swift 实现不仅保证了工具的性能,也使得代码更易于维护和扩展。
从技术实现角度来看,rmtrash 充分利用了 macOS 系统提供的废纸篓 API,确保文件移动操作的可靠性和兼容性。同时,它还对命令行参数进行了精心设计,确保与标准 rm 命令的参数格式保持一致,降低了用户的学习成本。
对于经常需要在命令行下操作文件的 macOS 用户来说,rmtrash 是一个非常实用的工具。它既保留了 rm 命令的灵活性,又增加了文件恢复的可能性,可以说是两全其美的解决方案。特别是对于那些经常误删重要文件的用户,使用 rmtrash 可以大大降低数据丢失的风险。
值得一提的是,rmtrash 的作者正在努力将其发布到 Homebrew 的核心仓库中。这不仅能方便更多用户安装使用,也代表着这个工具的质量得到了社区的认可。对于关注 macOS 命令行工具开发的开发者来说,rmtrash 的代码也值得研究,可以学习到如何在 Swift 中实现命令行工具以及与系统 API 的交互。
总的来说,rmtrash 是一个设计精良、实用性强的 macOS 命令行工具,它完美地填补了系统 rm 命令在安全性方面的不足,是每个注重数据安全的 macOS 用户都应该考虑使用的工具。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00