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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00