GKD项目中的全局规则排除应用方法详解
2025-05-07 08:34:11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
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
303
2.65 K
Ascend Extension for PyTorch
Python
131
156
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
458
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++
610
197
React Native鸿蒙化仓库
JavaScript
230
307
暂无简介
Dart
593
129
🎉 (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
1.06 K
612
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
48
77
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
360
2.45 K
openGauss kernel ~ openGauss is an open source relational database management system
C++
155
206