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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust013
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00