一句话看懂：开发者 Tw93 用 AI Agent 的 computer use 能力，把 300 多款 Mac 软件逐个下载、安装、卸载、扫残留，为清理工具 Mole 补规则、写测试。这件”笨功夫”揭示了 AI 落地的一条现实路径：让模型代替人做重复的脏活，再把结果沉淀成产品能力。
事件核心：发生了什么
据开发者 Tw93 在 X 上披露，他为提升 Mac 清理卸载工具 Mole 的残余清理能力，整理了国内外 300 多款 Mac 软件，累计下载量约 100 多 GB，分成 30 组。他把这些任务交给自家”最强 Extra High Fast 模型”，每批处理 10 个：由模型借助 computer use 能力前往对应官网下载、依次安装、检查安装目录、检查软件更新 bundle、检查自启动项，再执行卸载、查找残留文件、补充缺失的清理规则。
过程中不少软件会反复弹窗索要权限、诱导购买，部分操作甚至强制输入管理员密码。Tw93 表示 Agent 能自主完成大部分环节，少部分需要他”帮一手”；更有意思的是，模型还自行编写了自动化安装、卸载和检查残余的脚本，以减轻自身工作量。最终成果包括：13 类可复用的通用规则、90 多条精确清理路径、修正 30 多处原先误判为”该清”的位置，并补充了 100 多条单元测试。
为什么重要
这条分享的价值不在于”AI 又做了件新鲜事”，而在于展示了一个务实判断：当前大模型在需要动手操作、反复试错的工程任务上，已经能承担可观的执行量。Tw93 估算，若纯手工完成同样工作，耗时会是他借助 AI 的 10 倍左右。
它同时暴露了一个常被低估的现实——软件生态远比规范文档混乱。他原本以为跑完 100 个主流软件后规则就趋于饱和，因为主流开发规范和技术底层本可枚举；但越往后越发现，通用规则难以归纳的情况大量存在，甚至连 bundle ID 不符合反向域名约定的都有。目前公开信息显示，这类”非规范细节”只能靠逐个安装、逐个排查来积累，无法靠理论推导获得。
对用户/开发者/创作者的影响
对普通 Mac 用户而言，直接收益是清理工具能识别更多隐蔽残留。对开发者，这是一个可参考的 Agent 用法：把 computer use、自动化脚本和高频重复的验证任务结合，用真实环境数据反哺产品规则库，而非依赖纯人工枚举或静态配置文件。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对做工具类产品的团队，更值得注意的是一种成本结构变化——过去需要外包或投入大量人天的”笨重”测试工作，现在可以由模型批量执行，人力退居监督和补位。这也会拉高同类清理、系统优化工具在规则覆盖度和安全性上的竞争门槛。
值得关注的后续
一是 Tw93 表示会继续推进到 400、500、600 款甚至覆盖市场常用软件，规则库能否持续线性增长值得观察；二是这类依赖 computer use 的自动化流程，遇到强权限校验、反自动化设计的软件时成功率如何，是目前公开信息尚未完整的部分；三是”让 AI 干重复活、人只做监督”的模式，会不会被更多独立开发者复制到其他平台和品类。
来源：@HiTw93
