新闻详情

新闻详情

首页 / 资讯中心 / 详情

不 root、不 hook、不上传聊天:Jev 聊天助手隐私与安全设计完整解析

发布时间:2026/11/12 6:39:24来源:尧图网络
不 root、不 hook、不上传聊天:Jev 聊天助手隐私与安全设计完整解析
不 root、不 hook、不上传聊天Jev 聊天助手隐私与安全设计完整解析【免费下载链接】jev-chat-jarvis装在手机上的对话副驾在微信 / QQ / X / 飞书里读懂对方、给出候选回复、一键填入输入框发不发由你。非侵入只读屏幕不 hook 不改包。项目地址: https://gitcode.com/gh_mirrors/je/jev-chat-jarvisJev 聊天助手是一款装在手机上的「对话副驾」在微信 / QQ / X / 飞书里读懂对方、给出候选回复、一键填入输入框。它的安全底线非常明确不 root、不 hook、不改包、不读数据库聊天内容不上传任何自建服务器——聊天内容只在你触发分析的那一刻发给你自己配置的模型接口。下面从数据流向逐层拆解它的隐私与安全设计帮你判断这样一款「读屏」工具到底靠不靠谱。设计总原则只读「屏幕上你有权看到的内容」Jev 不接入任何聊天软件的安装包、接口或账号体系它的信息来源只有一个系统无障碍服务暴露在屏幕上的界面节点——和读屏软件如 TalkBack的工作原理完全相同。不需要 root也不需要 Xposed / 模块不注入任何聊天软件进程不 hook、不改包不修改聊天 App 的安装包不调用其私有接口不读其本地数据库微信这类对普通无障碍服务混淆节点树的 App靠把无障碍服务类名注册为系统级名称来读取见 AndroidManifest.xml 中的服务声明与 probe_spec.md 的完整技术论证。一句话它只能看到你此刻用眼睛能看到的聊天读不到历史记录、文件、相册里它碰不到的东西。聊天记录不落盘、不进日志、没有中间服务器这是隐私设计里最关键的部分项目从三个层面做了保证分析时刻是唯一的一次网络请求项目没有任何自建服务器不收集、不落盘、不进日志聊天内容只在触发分析的那一刻直接发往你在设置里自己填写的接口判断 / 回复 / 视觉三卡分别可配见 Prefs.kt全程不经过任何中间方用你自己的 API Key 和额度项目不经手任何数据也不经手任何费用。日志里永远看不到聊天正文Android 应用默认会把运行信息打到 logcat很多「隐私泄露」就发生在这里。Jev 明确约定聊天文本绝不进入 logcat日志里只出现条数和长度。知识库层KbStore.kt 注释写明Chat text never reaches logcat — only counts and lengths采集层ChatCaptureService.kt 同样注明OCRd chat text never goes to logcat连 API Key 都只打印长度而不是值Prefs.kt只有密钥长度会被记录。关闭系统级备份防止私密数据外流AndroidManifest.xml 中设置了android:allowBackupfalse即 App 的私有数据不会进入 Android 自动备份避免笔记、联系人档案等本地数据随系统备份流转到其它地方。OCR 与截屏全部本机完成还有内置「刹车」飞书等 App 的消息正文是自绘控件屏幕节点树里没有文字此时 Jev 会截屏并做本地 OCR。这条路径同样做了隐私与节制设计离线识别不上传图片使用的是内置在 APK 里的 ML Kit 中文离线模型无 Google 服务也能用且从不下载任何模型、从不把图片传到云端MlKitOcr.kt截屏自带限频与退避两次截屏至少间隔 1 秒连续失败时按 1s → 2s → 4s … 最长 30 秒指数退避绝不变成「截屏机关枪」ScreenCapture.kt躲开自己截图前悬浮窗会先隐藏 120 毫秒再拍照识别结果不会被自己的界面污染受保护窗口拿不到带FLAG_SECURE标记的敏感界面系统层面就禁止截屏Jev 拿不到画面也不会绕过ScreenCapture.kt。本地数据默认关闭开启也只存本机Jev 内置了本地知识库笔记 / 联系人 / 聊天历史但默认值是保守的数据默认状态存储位置聊天历史默认关闭仅在 App 私有目录filesDir/kb绝不外传知识库笔记 / 联系人你手动创建同上写入走「临时文件 原子重命名」不怕写到一半崩溃API Key你手动填写App 私有 SharedPreferencesMODE_PRIVATE不可被其他应用读取「记录聊天历史只存本机」开关默认是关的关闭时任何聊天内容都不会写到磁盘Prefs.kt开启后也只存最近 N 条默认 30且自动去重屏幕上已显示过的部分设置页提供「清空知识库与历史」一键删除删得干干净净还可以用会话白名单限定只在指定会话里工作Prefs.kt进一步缩小「被读取」的范围。发送权永远在你手里安全不只是「数据别流出去」还包括「程序能替你做什么」。Jev 的写操作被压到最小唯一写动作是把候选回复填入聊天输入框ACTION_SET_TEXT失败则退到剪贴板粘贴任何情况下都不自动发送ChatCaptureService.kt转账、红包、收款一律不碰——项目设计文档probe_spec.md把它列为红线发送键永远由你自己点发不发、怎么改决定权始终在你。如何自己动手验证这些承诺项目是完全开源的MIT 协议你不必「相信我说」可以按路径自查想验证什么看哪里权限最小化、备份已关闭AndroidManifest.xml密钥与配置如何存储Prefs.kt截屏限频 / 退避 / 受保护窗口ScreenCapture.ktOCR 是否离线、模型是否内置MlKitOcr.kt聊天文本不进日志的约定KbStore.kt项目级红线只读不写、不上传probe_spec.md功能与限制说明README.md小结Jev 聊天助手的隐私设计可以概括为五条只读屏幕不碰数据源、聊天正文只在你触发分析时发往你自己的接口、日志里只有条数没有内容、本地数据默认关闭且一键可清、发送权永远在你手里。它不需要 root、不装任何模块、没有任何自建服务器——这些都能在源码里逐条对得上。如果你也在意「AI 助手到底会不会动我的聊天记录」这套设计值得作为参考样本。【免费下载链接】jev-chat-jarvis装在手机上的对话副驾在微信 / QQ / X / 飞书里读懂对方、给出候选回复、一键填入输入框发不发由你。非侵入只读屏幕不 hook 不改包。项目地址: https://gitcode.com/gh_mirrors/je/jev-chat-jarvis创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/11 13:52:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/10 19:42:40

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/12 9:50:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/12 9:25:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/11 15:37:39

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/10 17:14:10

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉