Dev-Janitor

GitHub
827 55 非常简单 1 次阅读 昨天MIT其他
AI 解读 由 AI 自动生成,仅供参考

Dev-Janitor 是一款跨平台桌面应用,旨在帮助开发者轻松维护本地开发环境的整洁与高效。随着日常编码工作的积累,项目中往往会堆积大量构建产物、缓存文件、日志以及各类配置漂移,不仅占用磁盘空间,还可能引发环境冲突。Dev-Janitor 能智能扫描并清理这些冗余文件,特别针对 AI 编程工具留下的临时数据和聊天记录进行了优化,在清理垃圾的同时巧妙保留关键配置文件,避免误删。

除了清理功能,它还集成了强大的工具管理与安全扫描能力。用户可以在统一界面中查看和管理 Node、Python、Rust、Go 等生态下的开发工具版本,甚至直接管控 Codex、Claude Code、Cursor 等主流 AI CLI 工具。其内置的安全检查机制能敏锐发现本地配置风险,如暴露在公网的端口、硬编码的 API 密钥或存在隐患的 MCP 服务器配置,为开发环境筑牢安全防线。此外,它还能协助排查端口占用、长运行进程及环境变量问题。

这款工具非常适合软件工程师、全栈开发者及经常使用 AI 辅助编程的技术人员。基于 Tauri 2、React 19 和 Rust 构建,Dev-Janitor 兼具轻量级性能与现代交互体验,是让混乱的开发工作台重归井然有序的理想助手。

使用场景

资深全栈工程师李明在维护一个包含 Node.js、Python 和 Rust 微服务的复杂项目时,面临本地开发环境日益臃肿和安全配置漂移的挑战。

没有 Dev-Janitor 时

  • 磁盘空间告急:手动清理 node_modules、构建缓存及各类日志文件耗时费力,经常因遗漏导致数百 GB 空间被无用 artifacts 占用。
  • AI 工具残留混乱:多个 AI 编程助手(如 Cursor、Claude Code)产生的临时对话记录和调试文件散落在各项目中,难以区分哪些是需保留的配置,哪些是可删除的垃圾。
  • 环境安全隐患:无法快速扫描出误写在配置文件中的 API Key,也難以察觉某些开发服务错误地监听在公网 IP 而非 localhost,存在数据泄露风险。
  • 端口冲突排查困难:当服务启动失败时,需要逐个输入命令行指令查询端口占用情况,效率极低且容易出错。

使用 Dev-Janitor 后

  • 一键深度清理:利用清理功能自动扫描并安全移除所有语言的构建产物和缓存,同时智能识别并保留 .codex/config.toml 等关键配置文件,瞬间释放大量磁盘空间。
  • 精细化 AI 垃圾管理:通过专属视图按项目审查并清除 AI 工具的聊天历史和临时文件,既保持了工作区整洁,又避免了误删重要设置。
  • 主动安全防御:安全扫描模块自动标记出暴露在外的敏感端口和硬编码的 API 密钥,并检查 MCP 服务器配置,将潜在的安全漏洞扼杀在萌芽状态。
  • 可视化进程管控:在服务面板中直观查看长期运行的开发进程及端口占用详情,点击即可定位并处理冲突,大幅缩短故障排查时间。

Dev-Janitor 将原本碎片化、高风险的环境维护工作转化为可视化的自动化流程,让开发者能专注于核心代码而非琐碎的运维杂务。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

未说明

内存

未说明

依赖
notes该工具为跨平台桌面应用,主要用于清理开发产物和管理本地工具。开发环境需安装 Rust、Node.js (24 LTS+) 和 pnpm。macOS 用户首次启动可能因 Gatekeeper 限制需右键选择“打开”。支持多种安装包格式(Windows: .msi/zip, macOS: .dmg, Linux: AppImage/.deb/.rpm)。
python未说明
Tauri 2
React 19
Rust 1.94.0
Node.js 24 LTS+
pnpm 10.30.3+
Dev-Janitor hero image

快速开始

开发清洁工

Dev Janitor Banner

构建状态 发布版本 下载量 许可证:MIT

跨平台桌面应用程序,用于清理开发产物、管理本地开发者工具以及检查常见的环境问题。

下载功能截图开发贡献简体中文


概述

Dev Janitor 帮助您掌控本地开发环境。它专注于日常工作中积累的文件、缓存、服务以及配置漂移等问题。

功能

清理

  • 扫描项目目录,查找常见的开发产物,如 node_modulestarget、日志、缓存和临时文件。
  • 检测 AI 编码工具留下的临时文件,同时不会误将活跃的项目配置文件(如 .codex/config.toml.claude/settings.json)标记为垃圾。
  • 按项目分别审查并删除 AI 对话历史、缓存和调试文件。

工具管理

  • 检查 Node.js、Python、Rust、Go 等生态中已安装的工具。
  • 核对版本并更新常用的全局包。
  • 从一个界面管理当前使用的 AI CLI 工具,如 Codex、Claude Code、Cursor、Gemini CLI、Aider、Continue、Kiro、iFlow 和 OpenCode。

安全扫描

  • 检查是否存在风险的本地工具配置及已知的脆弱设置。
  • 标记通常应仅监听 localhost 的端口。
  • 检测存储在常见配置文件中的 API 密钥。
  • 检查 MCP 服务器配置中可能导致凭据泄露或 SSRF 的模式。

系统工具

  • 检查长期运行的开发进程。
  • 查找占用特定端口的进程。
  • 审查 PATH 和 shell 配置问题。

截图

工具视图

在一个地方管理开发工具


AI 清理视图

按项目审查并清理 AI 工具残留


缓存视图

释放包管理器缓存占用的空间


服务视图

检查开发进程和端口使用情况

安装

Windows

Releases 下载最新文件:

  • 安装程序:.msi
  • 便携版:*_portable.zip

macOS

Releases 下载 .dmg 文件。首次启动时,可能需要右键点击后选择“打开”,以绕过 Gatekeeper 限制。

Linux

AppImage、.deb.rpm 包已在 Releases 页面发布。

开发

Dev Janitor 使用 Tauri 2、React 19 和 Rust 构建。

开发环境搭建

先决条件

  • Node.js 24 LTS+
  • pnpm 10.30.3+
  • Rust 1.94.0

搭建步骤

git clone https://github.com/cocojojo5213/Dev-Janitor.git
cd Dev-Janitor
corepack enable pnpm
pnpm install
pnpm tauri dev

验证

pnpm lint
pnpm build
cargo test

贡献

请在提交拉取请求前阅读 CONTRIBUTING.md

  • 保持拉取请求的专注性。
  • 当行为或设置发生变化时,及时更新文档。
  • 如发现安全问题,请按照 SECURITY.md 中的说明私下报告。
  • 请遵守 CODE_OF_CONDUCT.md 中的各项要求。

项目文档

许可证

本项目采用 MIT 许可证 开源。

联系方式

邮箱:cocojojo5213@gmail.com


cocojojo5213 构建

版本历史

v2.3.62026/04/16
v2.3.52026/03/07
v2.3.42026/03/07
v2.3.32026/03/06
v2.3.12026/03/06
v2.2.92026/02/21
v2.2.7.22026/02/05
v2.2.7.12026/02/05
v2.2.72026/02/05
v2.2.62026/01/31
v2.2.52026/01/30
v2.2.42026/01/30
v2.2.32026/01/28
v2.2.22026/01/27
v1.7.72026/01/27
v2.2.12026/01/27
v2.2.02026/01/27
v2.1.12026/01/26
v2.1.02026/01/25
v2.0.52026/01/25

常见问题

相似工具推荐

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85.3k|★★☆☆☆|今天
图像数据工具视频

funNLP

funNLP 是一个专为中文自然语言处理(NLP)打造的超级资源库,被誉为"NLP 民工的乐园”。它并非单一的软件工具,而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点,funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具,还独特地收录了丰富的垂直领域资源,如法律、医疗、金融行业的专用词库与数据集,甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性,从基础的字典词典到前沿的 BERT、GPT-2 模型代码,再到高质量的标注数据和竞赛方案,应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师,还是从事人工智能研究的学者,都能在这里找到急需的“武器弹药”。对于开发者而言,它能大幅减少寻找数据和复现模型的时间;对于研究者,它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神,极大地降低了中文自然语言处理的开发与研究成本,是中文 AI 社区不可或缺的宝藏仓库。

79.9k|★☆☆☆☆|1周前
语言模型数据工具其他

cs-video-courses

cs-video-courses 是一个精心整理的计算机科学视频课程清单,旨在为自学者提供系统化的学习路径。它汇集了全球知名高校(如加州大学伯克利分校、新南威尔士大学等)的完整课程录像,涵盖从编程基础、数据结构与算法,到操作系统、分布式系统、数据库等核心领域,并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源,cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容,仅收录真正的大学层级课程,排除了碎片化的简短教程或商业广告,确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员,以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽,不仅包含传统的软件工程与网络安全,还细分了生成式 AI、大语言模型、计算生物学等新兴学科,并直接链接至官方视频播放列表,让用户能一站式获取高质量的教育资源,免费享受世界顶尖大学的课堂体验。

79.8k|★☆☆☆☆|1周前
其他图像数据工具

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|2周前
Agent图像开发框架

PaddleOCR

PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。

75.9k|★★★☆☆|今天
语言模型图像开发框架

awesome-machine-learning

awesome-machine-learning 是一份精心整理的机器学习资源清单,汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点,这份清单按编程语言(如 Python、C++、Go 等)和应用场景(如计算机视觉、自然语言处理、深度学习等)进行了系统化分类,帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库,还是资深工程师对比不同语言的技术选型,都能从中获得极具价值的参考。此外,清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源,构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准:明确标记已停止维护或长期未更新的项目,确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”,awesome-machine-learning 以开源协作的方式持续更新,旨在降低技术探索门槛,让每一位从业者都能高效地站在巨人的肩膀上创新。

72.1k|★☆☆☆☆|2周前
开发框架其他