AutoJs6 中通过 Shizuku 管理无障碍服务的注意事项与解决方案
背景介绍
在 Android 自动化工具 AutoJs6 的使用过程中,无障碍服务(Accessibility Service)是实现自动化操作的核心功能之一。开发者经常需要通过命令行或脚本方式来动态管理无障碍服务的开启与关闭。其中,Shizuku 作为一个强大的系统 API 调用工具,常被用于此类操作。
问题现象
当使用 Shizuku 执行以下命令开启 AutoJs6 的无障碍服务时:
shizuku('settings put secure enabled_accessibility_services org.autojs.autojs6/org.autojs.autojs.core.accessibility.AccessibilityServiceUsher')
会导致一个潜在问题:设备上其他已经开启的无障碍服务会被意外关闭,系统中仅保留 AutoJs6 的无障碍服务处于激活状态。
原因分析
这种现象的根本原因在于 Android 系统对无障碍服务的管理机制。enabled_accessibility_services 这个系统设置项存储的是所有已启用无障碍服务的列表,采用冒号(:)分隔的字符串格式。当直接使用 settings put 命令写入新值时,系统会完全覆盖原有内容,而不是追加新内容。
解决方案
方案一:追加模式(推荐)
更安全的做法是采用追加模式,保留原有的无障碍服务,同时添加新的服务。可以通过以下命令实现:
shizuku('settings put secure enabled_accessibility_services "$(settings get secure enabled_accessibility_services):org.autojs.autojs6/org.autojs.autojs.core.accessibility.AccessibilityServiceUsher"')
这个命令首先获取当前已启用的无障碍服务列表,然后在其后追加 AutoJs6 的服务路径,最后将合并后的字符串写回系统设置。
方案二:显式指定多个服务
如果需要同时控制多个无障碍服务的状态,可以显式指定所有需要启用的服务,用冒号分隔:
adb -s 172.30.0.60 shell settings put secure enabled_accessibility_services "org.autojs.autojs6/org.autojs.autojs.core.accessibility.AccessibilityServiceUsher:li.songe.gkd/li.songe.gkd.service.A11yService"
这种方式适合在明确知道需要哪些服务的情况下使用,可以精确控制最终的无障碍服务组合。
最佳实践建议
-
操作前备份:在执行无障碍服务修改前,建议先备份当前设置:
let currentServices = shizuku('settings get secure enabled_accessibility_services'); -
异常处理:添加适当的错误处理逻辑,确保在命令执行失败时能够恢复原有设置。
-
权限检查:确保 Shizuku 服务已正确授权,且 AutoJs6 已获得必要的系统权限。
-
多设备支持:如方案二所示,对于多设备环境,记得指定设备序列号。
技术原理深入
Android 系统的无障碍服务管理机制本质上是通过 Settings.Secure 数据库中的 enabled_accessibility_services 键值来控制的。这个键值存储的是所有已启用无障碍服务的组件名称(包名/服务类名)列表,各服务之间用冒号分隔。
当直接使用 settings put 命令写入新值时,系统不会进行任何合并操作,而是直接将新值完全替换旧值。这与 Linux 系统中许多配置文件的处理方式不同,开发者需要注意这种覆盖行为可能带来的副作用。
总结
在 AutoJs6 项目中使用 Shizuku 管理无障碍服务时,开发者应当充分理解 Android 系统对无障碍服务列表的管理机制。直接覆盖写入会导致其他无障碍服务被意外禁用,采用追加模式或显式指定所有需要服务的方案可以避免这个问题。正确的做法应该是在修改设置前先获取当前值,然后进行适当的合并操作,最后再写回系统,这样才能确保多个无障碍服务可以和谐共存。
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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
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- 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