10 分钟用 AI 让电脑提速:清理、优化全搞定

电脑越用越烫、越用越卡，不一定是电脑老了

很可能是 AI 留下的垃圾在拖累它

最近我用 AI 把整台 Mac 系统性地清理、优化了一遍，体感变化很明显。把过程和提示词都分享出来，你可以直接拿去用。

用到的工具有三个：dim agent、Claude Code、Mole。三个都有客户端，dim 我用的是客户端，另外两个用的是 CLI。

其实主流 Agent 都能做这件事，换成 Codex、DSH、Zcode 也一样。

先说起因。

我本来在测 Argo 的搜索能力，结果发现 Zcode 用起来非常卡，但搜得比 DSH 快。DSH 用起来很顺，搜得却更慢。

我让 AI 分析了一下，做了些调整，两边性能都提升不少。Zcode 不卡了，但 DSH 的速度还是有差距。DSH速度变慢网上也有类似的讨论，我感觉是更新过后，增加了不少新的能力，再加上可能多更新了几次，以及有些插件的影响，导致它这个环境没有原来那么快。

问题是，忙完一圈，单个的 APP 体感是有提升，可电脑照样一直发热，整体体感几乎没变。

这时候我才想明白：只修单个 App 没用，得把整个系统环境梳理一遍。看下问题到底在哪里

AI 让每个人的能力都变强了。写脚本、做 PPT、搭网页，都是随手的事。

但它也留下一堆东西：各种原因下载到本地的模型、不规范的备份文件、到处都是的日志、插件和旧版本留下的残留。这些加起来，会占掉大量空间和资源。

传统清理软件认不出这类新垃圾，只会帮你清清浏览器缓存和常规的应用缓存。

所以你会看到很多人吐槽：Codex 用久了特别卡，XXX 用久了直接卡死。不管是哪家的 Agent，用得越久越容易出这种问题。

分享一个很多人没意识到的技巧：很多客户端的当中设置，其实是靠配置文件控制的。有些内容你都不需要自己去查找、设置，部分这类配置其实完全可以交给 AI

很多人都有这种情况。为了一个功能翻遍菜单都找不到开关，有些功能干脆就不在界面上。这种事直接交给 AI，非常的方便快捷。它能从配置文件里找到对应的开关，开启界面上没有的功能，也能关掉不需要的功能。当然，这种不同应用的设置差别比较大。有一些是通过某些快捷键就能开启它的调试功能。当然，这里只是简单对它进行配置，不涉及更改应用的能力。更多是说发现它有一些影响性能的问题，我们给它调试一下配置，让它恢复正常的工作状态

我很早就开始用 Agent 调常用 App 的设置，包括现在这种 Agent 使用过程中有什么问题，我都是让 AI 自己排查，让它阅读官方文档进行设置和优化，大部分问题都能够解决。

dim 最后让我找到了 Zcode 卡顿的元凶：插件。

之前测试时，我装了智谱新出的几个插件，但它们要开会员才能用。没开会员却把插件开着，它就会一直空转，失败率 100%，非常拖性能。

DSH 也有同样的问题。我给两边做了归因，很多卡顿都是这类插件造成的。DSH 优化完以后，之前一些用不了的插件功能还突然能用了。

所以关键是做系统性分析。它会把藏着的设置问题都翻出来，顺手把旧版本备份、缓存这些东西一起清掉。

只修某一个插件，很容易顾此失彼：插件本身好了，系统里的坑还在。很多问题其实是更新插件或升级版本时，旧的残留引起的。

顺便一提：Zcode 虽然性能一般，但实际搜索速度比 DSH 还快。没有完美的应用

重点说说 Mole。

Mole 是 Mac 上比较新的清理工具，能清理、卸载、分析、优化和监控你的 Mac。免费开源，有命令行版，也有原生 Mac App。

各种主流应用，包括 AI Agent 环境留下的垃圾和残留，它都能清得比较干净。目前主要支持 Mac，Windows 版还在实验阶段。

github.com/tw93/Mole

我之前零零散散清理过几次，所以这次 Mole 能清的东西看起来没那么多。如果你从来没清过，效果应该会明显很多。

还有个进阶用法：别只拿 Mole 来清理。可以直接问 AI「用 Mole 还能怎么进一步优化？」，让它配合这个工具继续分析和优化。

再说提示词。

一开始我是一项一项来：先清垃圾，再一个个调客户端配置。后来觉得太慢，不如直接对整个系统环境做一次系统性优化。

中间我加了一段审核优化的提示词。它原本是我一直用到 GPT-6 Astra 的审查提示词，这次用 Opus 5.5 升级了一版。效果很好，我平时也用它优化 Argo 等各种项目。

完整版如下，可以直接复制：

配合Mole这个工具进行进一步的分析、优化。

开始前，先说明你还缺哪些信息。能自行获取的先主动获取：运用搜索技能检索本地和云端信息，包括运行环境与系统版本、依赖与版本、项目结构、关键配置、已有测试和主要使用方式，以及官方文档、版本更新说明、已知问题和社区中的成熟做法。优先查本地；本地没有，或可能与当前版本不一致时，再查云端。再梳理历史记录，包括提交记录、过往的改进与回退、错误日志和运行日志，弄清楚哪些问题反复出现、哪些优化已经尝试过及其效果。无法获取的再列出来问我。

在不影响能力的情况下，以最小的修改，大幅提升它的日常性能，降低多余的资源占用，让整体体验有质的提升，同时保持原生体验。以重新定义问题为导向，运用第一性原理、MECE 原则与量化思维，驱动开发与测试的系统性优化。

先实测找出目前使用中最大的性能瓶颈，在保持高质量输出效果的前提下给出优化思路。再列出还有哪些比较低级的 bug。仔细核查一下，看看还有没有一行修改就能消灭一类 bug 的地方，以及工程实践或设计上的巧思。反复出现的错误优先追溯共同根因；已经尝试过却无效或被回退的方案，不再重复，除非能说明这次的不同之处。遇到问题时，先检索是否为已知问题或已有成熟解法，引用资料时以官方来源为准，并确认与当前使用的版本一致。

分析我的需求，给出 2 至 3 个方案以及推荐的理由，确认后再继续。

实施时保持优雅的工程质量和良好的可维护性。完成后调用专业的技能进行评估，实测不同环境、不同对话、不同场景下功能是否正常，以及对未知使用需求的普适性，并用优化前后的数据对比说明效果；没有实测到的部分如实说明。

改进之前先进行备份，方便随时回档。

最后再送一句我最常用的元提示词。从早期一直用到 GPT-6 Astra 都很好用，各种模型都适用。

用法很简单：写完具体需求，在后面加上这一句。分析问题、优化已有项目都很好用，这是基础版，其实上面已经给出了更完整的版本，不过丰俭由人嘛，简单版本也有简单版本的优势：

以重新定义问题为导向，运用第一性原理与MECE原则、量化思维，驱动开发与测试的系统性优化。

我最常把它和 /code-review 这个 skill 搭配，用来做审核：

/code-review 梳理一下这个 XXX 的 skill，保持优雅的工程质量、良好的可维护性和极佳的用户体验。以重新定义问题为导向，运用第一性原理与MECE原则、量化思维，驱动开发与测试的系统性优化。

这个 skill 原本出自 Cursor，后来改名，成了 grok-build 的内置 skill：

github.com/cursor/plugins/blob/main/thermos/skills/thermo-nuclear-code-quality-review/SKILL.md

AI 时代的电脑卡顿，往往不是某一个 App 的问题，多半是环境堆积出来的。让 AI 从系统层面清理、优化一遍，比一个个修有效得多。

动手前记得先备份。