Cleaner Mac con AI: cosa un modello dovrebbe e non dovrebbe decidere

"AI Mac cleaner" si risolve in due prodotti diversi. Uno è un'app di pulizia con un modello da qualche parte al suo interno, venduta sull'intelligenza dei suoi suggerimenti. L'altro è uno strumento per recuperare il disco che Claude Code, Cursor, Ollama e le loro cache hanno silenziosamente occupato nell'ultimo anno. Il secondo è ciò che la maggior parte delle persone che digitano quella frase nel 2026 vuole davvero. Il primo vale la pena affrontarlo per primo, perché la risposta decide quanto fidarsi di qualsiasi cosa nel secondo gruppo.

Parte uno: cosa sta decidendo davvero il modello

Un cleaner che pubblicizza l'AI sta facendo un'affermazione su un passo di una pipeline che ne ha almeno quattro:

1. Enumerare. Percorrere il disco e misurarlo. Lavoro a forma di du, senza alcun giudizio dentro.
2. Attribuire. Decidere quale app o toolchain possiede ogni percorso.
3. Classificare e spiegare. Decidere quali dodici su quattromila candidati meritano attenzione, e dire in una frase cos'è ciascuno.
4. Decidere e cancellare. Decidere cosa è sicuro rimuovere, poi rimuoverlo.

I passi 2 e 3 sono genuinamente sfumati, e un modello lì aiuta davvero. Il passo 4 è un tipo di problema diverso, e un modello è lo strumento sbagliato per affrontarlo. Quasi ogni discussione sui cleaner AI è in realtà una discussione su quale passo intende il fornitore.

Dove un modello guadagna il suo posto

L'attribuzione è il caso difficile onesto. Supponi di trovare ~/Library/Application Support/Foo Labs che contiene 3 GB senza alcuna app chiamata Foo Labs sul disco. Le prove sono deboli e sparse: frammenti di bundle identifier dentro i plist della cartella stessa, un prefisso corrispondente in ~/Library/HTTPStorages, un bundle .savedState sotto ~/Library/Saved Application State, una ricevuta di installazione in /var/db/receipts. L'uguaglianza dei nomi fallisce subito, perché il fornitore scrive "Foo Labs" in un posto e com.foolabs.editor in un altro, e un catalogo scritto a mano copre le prime poche centinaia di app poi crolla. Questa è esattamente la forma in cui un modello batte una regola: molti segnali deboli, nessuno decisivo, una lunga coda che nessuno finirà mai di catalogare.

La classificazione ha la stessa forma: una scansione che restituisce 4.000 percorsi e 60 GB è un secondo problema, non un risultato. La spiegazione è ancora più facile, dato che trasformare ~/Library/Caches/com.apple.nsurlsessiond in una frase semplice è traduzione. Uno strumento che usa un modello per questi tre lavori, e lo dice, pubblicizza una funzione reale.

Perché l'ultimo cancello deve essere deterministico

La decisione di cancellazione richiede tre proprietà che un modello non può fornire.

Determinismo. Stesso disco, stessa versione, stessa risposta, ogni volta. La temperatura zero non compra questo, perché il prompt porta con sé i contenuti della tua macchina: installi un'app in più, l'elenco dei file cambia, e i token su cui si regge la decisione cambiano con esso. Una regola di sicurezza che vale sul tuo Mac ma non su quello del tuo collega non è una regola di sicurezza.

Verificabilità prima del fatto. Una lista di protezione è un insieme di prefissi di percorso, leggibile per intero in un minuto e confrontabile tra due release. Pesi più un prompt non possono essere letti come una lista di cosa verrà rifiutato, quindi niente ti mostra il confine prima che tu lo attraversi.

Verificabilità dopo il fatto. Quando una regola deterministica cancella la cosa sbagliata ottieni un bug riproducibile: ecco il percorso, ecco la riga che l'ha permesso, ecco il test che ora fallisce. Quando lo fa un modello, l'artefatto è una trascrizione, la correzione è una modifica al prompt, e l'effetto di quella modifica su ogni altro caso non è misurato.

Anche le modalità di fallimento sono asimmetriche. Una classificazione sbagliata costa uno scroll; una cancellazione sbagliata di ~/.claude/projects costa ogni trascrizione che hai. Quindi la cornice non è "AI buona, AI cattiva", è una divisione a metà della pipeline: probabilistica dove sbagliare costa attenzione, deterministica dove sbagliare costa dati.

Da che parte sta Mole

Mole non spedisce alcun modello e non esegue alcuna inferenza. Se un percorso può mai diventare candidato alla cancellazione è deciso da un array fisso di prefissi relativi bloccati compilato nell'app, con voci come .ollama/models, .lmstudio/models, .cache/huggingface, .cache/torch, .claude/projects, .codex/sessions, .grok/sessions e Library/Caches/com.apple.e5rt.e5bundlecache. La metà modificabile dall'utente è un semplice file di testo che puoi leggere con cat ~/.config/mole/whitelist. Il gratuito Mole CLI è open source sotto GPL-3.0 e applica la stessa lista, quindi il codice che la applica è pubblico.

Quell'ultima voce è l'argomento in miniatura. com.apple.e5rt.e5bundlecache sta in ~/Library/Caches e la parola nel suo nome è "cache", quindi ogni euristica sulla terra la classifica come eliminabile. Contiene modelli compilati per l'Apple Neural Engine, e svuotarla mentre un'app ha modelli caricati rompe le chiamate di riconoscimento finché la macchina non si riavvia. È protetta perché qualcuno ha incontrato quel fallimento e ha scritto la riga.

Quindi il test pratico per qualsiasi strumento qui è una domanda: quale dei quattro passi esegue il modello? Enumerazione, attribuzione, classificazione e spiegazione sono risposte credibili. "Decide cosa è sicuro cancellare" è una risposta a cui rispondere chiedendo di vedere la lista, e se non c'è lista non c'è niente da verificare.

Parte due: strumenti per fare pulizia dopo gli strumenti AI

Questa è la domanda che intende la maggior parte delle persone. L'impronta si divide in quattro tipi di dati con quattro regole diverse, e confonderli è dove avvengono gli incidenti:

• Cache e log degli strumenti. ~/Library/Caches/claude-cli-nodejs, le cache Electron di Cursor, directory di telemetria e debug sotto ~/.claude. Rigenerabili e noiose.
• Trascrizioni e stato dei progetti. ~/.claude/projects, ~/.codex/sessions, ~/.grok/sessions. Spesso la sorpresa più grande in una scansione, e insostituibili.
• Vecchie versioni CLI. Le CLI degli agent che si autoaggiornano lasciano indietro le release precedenti. Su Codex questo misura circa 300 MB per release, quindi cinque release accumulate raggiungono 1,2 GB con una sola attiva.
• Pesi dei modelli. ~/.ollama/models, ~/.cache/huggingface/hub, la directory dei modelli di LM Studio. Di gran lunga i più grandi, posseduti dallo strumento che li ha scaricati.

Misura prima di scegliere uno strumento:

du -sh ~/.claude ~/.codex ~/.ollama/models ~/.cache/huggingface 2>/dev/null | sort -h

Mole, per una scansione revisionata che già conosce questi percorsi

Lo strumento Clean scansiona prima e mostra un risultato che rivedi prima che qualsiasi cosa si muova. Ogni riga candidata porta il suo percorso esatto, proprietario e dimensione, e qualsiasi cosa su cui lo scanner non è sicuro arriva deselezionata così il clic predefinito è l'azione più piccola. Le rimozioni vanno nel Cestino invece di essere scollegate, e ogni operazione viene aggiunta a ~/Library/Logs/mole/operations.log dove TRASHED e DELETED sono parole diverse.

Due comportamenti contano specificamente per gli strumenti AI. Le directory delle vecchie versioni CLI degli agent vengono offerte, ma la release attiva non diventa mai candidata: il target del launcher viene risolto e fissato per primo, così la versione che stai usando è esclusa per costruzione invece che per una supposizione sul numero di versione. E la disinstallazione ragiona sulla proprietà invece che sul confronto per nome, quindi rimuovere un'app di un fornitore non offre il genitore condiviso Application Support che un'app sorella ancora installata possiede.

Per eseguire il lavoro: apri Clean, lascia finire la scansione, espandi i gruppi che sembrano grandi, deseleziona ciò che vuoi tenere, poi pulisci e verifica lo spazio liberato. La scansione è gratuita e ogni strumento a pagamento gira due volte gratis, così l'intera revisione è verificabile prima di decidere se 19 dollari valgono la spesa.

Mole CLI, quando preferisci restare nel terminale

Un prodotto separato e gratuito, open source sotto GPL-3.0, installato con brew install mole. Anteprima sempre prima:

mo clean --dry-run
mo purge --dry-run

mo clean gestisce cache e log, mo purge mira ai vecchi artefatti di build dei progetti, e ogni comando distruttivo accetta --dry-run così leggi la lista esatta dei percorsi prima. Condivide la lista di protezione e il log delle operazioni con l'app Mac. Una differenza prima di togliere il flag: la pulizia cache da CLI rimuove i file permanentemente, mentre disinstallazione e rimozione residui vanno ancora nel Cestino.

cc-cleaner, l'opzione da terminale open source costruita per questo problema

cc-cleaner ha licenza MIT, richiede Python 3.10 o successivo, installabile con pipx install cc-cleaner. Include 22 cleaner tra cui Claude Code, npm, uv, cargo, Docker, Playwright, cache del browser, e un gruppo AI/ML per modelli che copre Hugging Face, PyTorch, Whisper e Ollama. cc-cleaner status stampa una tabella di dimensioni, cc-cleaner clean apre un selettore interattivo, -n è una simulazione a secco.

Il suo modello di rischio è esplicito: gli elementi Safe si puliscono di default mentre gli elementi Moderate e Dangerous richiedono --force, e il suo README mette "trascrizioni di conversazioni, store condivisi" nel livello Moderate. Il codice sorgente racconta il resto. Il suo cleaner Ollama rimuove l'intera ~/.ollama/models come una singola directory, il suo cleaner Hugging Face fa lo stesso con ~/.cache/huggingface/hub e datasets, e il suo cleaner Claude offre le trascrizioni *.jsonl sotto ~/.claude/projects. La cancellazione usa shutil.rmtree e Path.unlink, quindi niente finisce nel Cestino. Il suo livello di sicurezza è un insieme congelato di percorsi di sistema vietati più un requisito che ogni target stia sotto la tua home directory: una lista deterministica scritta da un umano, esattamente come dovrebbe essere. La differenza è dove sta la linea, non il rigore. cc-cleaner mette store di modelli e trascrizioni dietro un flag; Mole li rifiuta.

DevCleaner, se vuoi un'app nella barra dei menu per lo stesso terreno

DevCleaner è un'utility per la barra dei menu per macOS 14+, attualmente alla 1.9.0, che copre 23 ecosistemi da Xcode DerivedData e Gradle a npm e Docker, con scanner dedicati per Claude, ChatGPT, Cursor, Ollama e LM Studio. Gli elementi Safe vengono cancellati di default, gli elementi Warning sono "una tua scelta", gli elementi Danger non sono mai preselezionati, e mantiene una deny-list rigida per credenziali e file di sessione più un avviso prima di toccare le cache di un'app in esecuzione. La pulizia base è gratuita e Pro si vende come acquisto una tantum o abbonamento annuale; verifica le cifre attuali sulla pagina del fornitore. Il suo sito non dice se le rimozioni vanno nel Cestino, ed è la cosa che vale la pena chiedere prima di un primo avvio.

MacPaw distribuisce anche una CLI di CleanMyMac come beta pubblica, tramite un cask Homebrew, mirata agli stessi artefatti. È proprietaria, il suo repository è un issue tracker invece che codice sorgente, e il suo comportamento è esplicitamente ancora in cambiamento, quindi leggi cosa mostra il suo passo di conferma piuttosto che qualsiasi descrizione pubblicata.

Puntare un agent sul tuo stesso disco

L'ultima via è saltare gli strumenti di pulizia e chiedere a Claude Code o un agent simile di pulire il disco direttamente, opzionalmente tramite una delle skill di pulizia pubblicate. Il suo vantaggio è reale e nient'altro qui ce l'ha: un agent può ragionare su una struttura che nessuno ha catalogato, che sia un framework uscito il mese scorso, una toolchain privata, o una home directory organizzata come solo tu la organizzi.

La valutazione deve essere altrettanto chiara. I comandi shell vengono generati al momento dell'inferenza contro il tuo filesystem reale, quindi ciò che gira non è mai stato revisionato da nessuno prima che girasse. Non c'è una simulazione a secco a meno che tu non la richieda. Il raggio d'azione è la tua home directory, e un rm -rf composto da una variabile che risulta vuota è una modalità di fallimento con una lunga storia. La parte uno si applica con la rete di sicurezza rimossa: la decisione è probabilistica e collegata direttamente all'ultimo cancello.

Quattro protezioni non costano quasi nulla:

• Fallo guidare uno strumento con un flag di anteprima invece di comporre le rimozioni da solo. Una skill pubblica per Claude Code avvolge la CLI mo e rende mo clean --dry-run obbligatorio prima di mo clean, stampa l'output completo della simulazione, e richiede una conferma digitata. L'agent sceglie il target, uno strumento deterministico esegue la cancellazione.
• Non pre-approvare mai rm nelle tue impostazioni dei permessi. Approva ogni comando di rimozione individualmente, e leggi il percorso invece del riassunto.
• Rendi il Cestino il default. trash da Homebrew, o mv dentro ~/.Trash, trasforma ogni errore in uno recuperabile.
• Delimita l'insieme di lavoro. Puntalo a una sola directory, e chiedi du -sh prima e df -h dopo così il recupero dichiarato è misurato invece che stimato.

Gli store di modelli appartengono allo strumento che li ha scaricati

Nessun cleaner generico dovrebbe essere il tuo strumento qui, inclusi quelli sopra. Ollama e Hugging Face mantengono entrambi store con indirizzamento per contenuto dove i modelli condividono blob, quindi solo lo strumento proprietario sa quale blob è ancora referenziato. Usa ollama ls e ollama rm <model>, e hf cache ls con hf cache rm model/<repo> --dry-run. Perché cancellare i file blob a mano orfanizza un modello è coperto in rimuovere i residui degli strumenti AI.

Come si confrontano

Il confine, detto chiaramente

Mole non è una risposta al malware, non è un backup, e non è un sostituto di un uninstaller del fornitore per software che installa driver, componenti VPN o estensioni di sistema. Non cancella pesi di modelli né cronologia delle chat AI, quindi se il tuo problema da 200 GB è interamente una libreria di modelli, ti mostra la forma di quella libreria in Analyze e passa il lavoro a Ollama o LM Studio. È un confine deliberato, non un vuoto da colmare in seguito.

Sceglierne uno

200 GB di output di build e una dozzina di toolchain. Il volume sta nelle cache, nei vecchi node_modules, in DerivedData e Docker, non in nulla di specifico per AI. Comincia con una scansione revisionata o mo clean --dry-run, poi lavora attraverso svuotare le cache di sviluppo per gli store che necessitano del proprio comando di pulizia dedicato. cc-cleaner è un buon secondo passaggio se leggi prima i suoi livelli di rischio.

Una grande libreria di modelli locali. Salta del tutto i cleaner generici per i pesi. ollama ls, hf cache ls e la vista My Models di LM Studio sono gli unici strumenti che possono liberare un blob condiviso in sicurezza. Usa una mappa del disco per trovare lo store e lo strumento proprietario per modificarlo.

Hai appena notato Cursor o Claude Code che divorano disco. Il caso più gestibile: cache e log si rigenerano, le vecchie versioni CLI sono puro spreco, e le trascrizioni sono l'unica cosa da non toccare. Qualsiasi strumento revisionato qui lo gestisce, e la versione passo passo è in fare pulizia dopo gli strumenti AI per programmare.

Domande frequenti

Un Mac cleaner potenziato dall'AI cancella in modo più sicuro di uno normale?

Non sulla base delle prove disponibili. Un modello può battere una regola nel decidere quale app possiede una cartella orfana e nel classificare cosa merita attenzione, perché sono problemi sfumati con molti segnali deboli. Decidere se un percorso è sicuro da cancellare richiede determinismo e una lista verificabile, nessuno dei quali un modello fornisce. Chiedi a un fornitore quale passo della pipeline esegue il suo modello, e tratta "decide cosa è sicuro cancellare" come uno spunto per chiedere di vedere la lista.

È sicuro lasciare che Claude Code pulisca il mio Mac?

È l'opzione più flessibile e la meno delimitata. I comandi vengono generati al momento dell'inferenza e girano contro la tua home directory, senza anteprima a meno che tu non la richieda. Se lo fai, fai in modo che l'agent guidi uno strumento che ha un flag di simulazione a secco invece di comporre rm -rf da solo, non pre-approvare mai rm nelle tue impostazioni dei permessi, manda le rimozioni nel Cestino, e confinalo a una directory alla volta.

Un Mac cleaner cancellerà i miei modelli Ollama o la mia cronologia di Claude Code?

Dipende interamente dallo strumento, ed è per questo che è la domanda da fare prima. Mole blocca ~/.ollama/models, ~/.lmstudio/models, ~/.cache/huggingface, ~/.claude/projects, ~/.codex/sessions e ~/.grok/sessions al cancello di cancellazione a qualsiasi età, quindi non diventano mai candidati. cc-cleaner classifica le directory dei modelli e le trascrizioni di Claude Code come rischio Moderate e le rimuove se passi --force. Leggi i livelli di rischio di uno strumento prima del primo avvio piuttosto che dopo.

Cosa sta davvero occupando lo spazio dopo un anno di strumenti AI per programmare?

Di solito vecchie versioni CLI e trascrizioni piuttosto che le cache che la gente si aspetta. Una CLI di agent che si autoaggiorna può lasciare indietro diverse centinaia di megabyte per release, e su Codex cinque release accumulate raggiungono circa 1,2 GB con una sola attiva. Le trascrizioni sotto ~/.claude/projects si accumulano silenziosamente e sono l'elemento più probabile a sorprenderti in una scansione, ed è anche per questo che dovrebbero essere escluse da una scansione invece che incluse.

Approfondimenti correlati

• Fare pulizia dei modelli Ollama e LM Studio su Mac per i meccanismi degli store di modelli con indirizzamento per contenuto.
• Svuotare le cache di sviluppo senza rompere le build per gli store dei package manager e i node_modules sparsi.
• Fare pulizia dopo gli strumenti AI per programmare per la versione passo passo, percorso per percorso.