GKD项目中的全局规则排除应用方法详解
2025-05-07 10:04:05作者:董斯意
背景介绍
GKD是一款强大的自动化工具,它通过预设规则来自动执行某些操作。其中"全局规则"功能可以跨应用执行特定操作,比如跳过开屏广告。然而在实际使用中,某些应用场景下全局规则可能会产生误操作,比如在今日热榜应用中打开知乎链接时,会被误识别为开屏广告而自动返回。
问题分析
全局规则的设计初衷是提供一种通用解决方案,但缺乏对特定应用的排除机制。当用户需要某些应用不受全局规则影响时,就需要一种方法来定制规则行为。
解决方案
GKD提供了通过本地规则覆盖全局规则的机制,具体实现步骤如下:
-
获取全局规则配置:首先需要获取当前生效的全局规则配置,例如开屏广告规则的JSON结构。
-
创建本地规则副本:将全局规则复制到本地规则中,保持原有规则结构不变。
-
添加排除应用:在规则的
apps数组中,为需要排除的应用添加条目,并将enable属性设置为false。 -
应用本地规则:将修改后的规则保存为本地规则,并确保在GKD中启用。
-
禁用全局规则:最后需要禁用原有的全局规则,确保只有修改后的本地规则生效。
技术实现细节
以开屏广告规则为例,排除特定应用的配置示例如下:
{
"key": 0,
"name": "开屏广告",
"rules": [
// 原有规则内容保持不变
],
"apps": [
{"id": "com.zhihu.android", "enable": false},
{"id": "com.example.app", "enable": false}
// 其他需要排除的应用
]
}
注意事项
-
规则优先级:本地规则会覆盖全局规则,确保修改后的配置生效。
-
应用ID获取:需要准确知道要排除应用的包名(应用ID),可以通过应用信息或开发者工具获取。
-
规则同步:如果全局规则更新,需要手动同步更新本地规则。
-
性能影响:添加大量排除应用可能会轻微影响规则匹配效率。
最佳实践建议
-
只排除确实需要特殊处理的应用,避免过度定制化。
-
定期检查全局规则更新,及时调整本地规则。
-
对排除应用做好记录,便于后续维护。
-
可以先在小范围测试,确认效果后再广泛使用。
通过这种方法,用户可以在保留全局规则便利性的同时,针对特定应用场景进行定制化调整,实现更精准的自动化控制。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
421
3.22 K
Ascend Extension for PyTorch
Python
230
261
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
330
暂无简介
Dart
685
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869