KernelVault 创意方案：把手机变成离线运行的隐私资产保险箱

island13142026-06-20 16:19

KernelVault：把 AI 装进手机，让隐私资料只在本机被看懂

Your private files, organized locally by AI.

从一个 Android 开发者视角，记录如何用 Jetpack Compose + SQLite / FTS + MNN 端侧模型，做一个"不联网、不上传、不默认改写原文件"的手机隐私资产整理工具。

1. 起因：为什么我要做这个

1.1 手机里最难找的，往往也是最不想上传的

每个人手机里都有一类资料：平时不怎么打开，但关键时刻一定会找。

电子发票、合同截图、证件照片、付款凭证、聊天记录、会议材料、下载文档、录音、压缩包。它们混在相册、下载目录、聊天软件缓存和系统文件夹里。真要找的时候，常见流程是：翻相册、搜文件名、回忆日期、打开聊天记录、再去文件管理器里碰运气。

更麻烦的是，这些资料通常不适合上传云端做识别。

云相册可以告诉你"这是一张票据"，云盘可以帮你 OCR，但前提是你愿意把这些敏感文件交给远端服务。对合同、证件、账单和聊天截图来说，这个心理成本很高。

所以我想做一个更克制的东西：让手机自己看懂这些资料，但资料不离开手机。

这就是 KernelVault 的起点。

1.2 KernelVault 的含义

KernelVault 这个名字里有两个词：

  • Kernel：本机内核、端侧处理、离线优先。
  • Vault：保险箱、风险审计、用户自己掌控。

它不是云相册，也不是传统文件管理器，更不是一键清理工具。它要做的是把手机里的资料整理成一座本地隐私资产库，让用户知道：

text 复制代码 
这是什么？
里面大概有什么？
是否需要留意？
这个结论从哪里来？

我给它固定了一个核心输出：

text 复制代码 
{tags, summary, privacy}

也就是：标签、摘要、风险等级。

1.3 我给这个项目画的三条红线

动手之前，我先定了三条红线。

红线一：不上传。 当前 Android Manifest 不声明 INTERNET 权限，识别、索引、搜索和备份都在本机完成。隐私产品如果第一步就要联网，它的可信度会天然打折。

红线二：不默认处置原文件。 KernelVault 不默认删除、移动或改写用户原始资料。保险箱首版只是风险标记和审计工作台，不伪装成系统级隔离沙盒。

红线三：不承诺全库秒级深度 AI。 端侧大模型有真实成本。全库图片和文档如果一上来都跑视觉模型，很容易拖慢手机、推高内存，甚至被系统后台策略中断。所以 KernelVault 采用"先快后准"：先快速整理进库，再对关键资料做本机 AI 精修。

基于这三条红线，技术路线逐渐清晰：

text 复制代码 
界面层       Kotlin + Jetpack Compose
资产读取     MediaStore / SAF
本地索引     SQLite + FTS + 本地向量索引
端侧模型     MNN 视觉模型 + MNN embedding
后台维护     WorkManager
结果表达     tags / summary / privacy
安全边界     无 INTERNET 权限 + 不默认改写原文件

2. 先看效果

白天版整体展示：

黑夜版整体展示：

功能总览版：

对用户

  • 找资料更自然：不用记文件名和目录，用关键词、标签、摘要就能找。
  • 隐私更可控：资料不上传，风险结果只在本机提醒。
  • 结果更可解释：每个资产都有标签、摘要、风险等级和识别来源。
  • 使用更安心：App 不默认删除、移动或改写原始文件。

App 首页先把产品边界讲清楚：只在本机工作，不上传。

应用场景：它到底解决什么问题

场景一：找回"去年买显卡的电子发票"

传统相册按时间排序，文件管理器按目录和文件名查找。但真实用户不一定记得文件名，也不一定记得那张发票保存在哪一天。

KernelVault 会先把授权范围内的资料纳入本地索引，再通过标签、摘要、FTS 和本地向量召回，让用户可以用更自然的关键词找资料。

典型查询可能是：

text 复制代码 
去年买显卡的电子发票
合同截图
身份证复印件
微信里的付款凭证
上次会议的 PDF
场景二：判断一张截图是否值得放进保险箱

很多截图文件名没有意义，但里面可能包含身份证号、订单号、手机号、地址、账号、金额或合同条款。

KernelVault 不替用户删除文件，而是把高风险和需留意资料集中到保险箱，让用户自己决定下一步怎么处理。

场景三：确认 AI 到底识别了什么

很多 AI 产品容易给出一个"看起来很聪明"的结果，但用户不知道它从哪里来。

所以详情页固定展示：

text 复制代码 
文件类型 / AI 标签 / 人工标签 / 摘要 / 风险等级 / 识别来源

用户能知道结论来自快速整理、本地模型识别、导入索引还是人工修正。用户也可以用人工标签、人工摘要和备注覆盖 AI 建议。

场景四：证明"只在本机"

隐私产品最怕只喊口号。KernelVault 在防线页集中展示媒体授权、后台维护、系统通知和本机处理证明，让用户知道 App 读了什么、正在做什么、哪些能力依赖本地模型。

3. 技术架构：先快后准的本机智能链路

我把 KernelVault 的架构拆成四层：
#mermaid-svg-GX2aLnWctJdq1EYL{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-GX2aLnWctJdq1EYL .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-GX2aLnWctJdq1EYL .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-GX2aLnWctJdq1EYL .error-icon{fill:#552222;}#mermaid-svg-GX2aLnWctJdq1EYL .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-GX2aLnWctJdq1EYL .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-GX2aLnWctJdq1EYL .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-GX2aLnWctJdq1EYL .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-GX2aLnWctJdq1EYL .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-GX2aLnWctJdq1EYL .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-GX2aLnWctJdq1EYL .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-GX2aLnWctJdq1EYL .marker{fill:#333333;stroke:#333333;}#mermaid-svg-GX2aLnWctJdq1EYL .marker.cross{stroke:#333333;}#mermaid-svg-GX2aLnWctJdq1EYL svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-GX2aLnWctJdq1EYL p{margin:0;}#mermaid-svg-GX2aLnWctJdq1EYL .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-GX2aLnWctJdq1EYL .cluster-label text{fill:#333;}#mermaid-svg-GX2aLnWctJdq1EYL .cluster-label span{color:#333;}#mermaid-svg-GX2aLnWctJdq1EYL .cluster-label span p{background-color:transparent;}#mermaid-svg-GX2aLnWctJdq1EYL .label text,#mermaid-svg-GX2aLnWctJdq1EYL span{fill:#333;color:#333;}#mermaid-svg-GX2aLnWctJdq1EYL .node rect,#mermaid-svg-GX2aLnWctJdq1EYL .node circle,#mermaid-svg-GX2aLnWctJdq1EYL .node ellipse,#mermaid-svg-GX2aLnWctJdq1EYL .node polygon,#mermaid-svg-GX2aLnWctJdq1EYL .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-GX2aLnWctJdq1EYL .rough-node .label text,#mermaid-svg-GX2aLnWctJdq1EYL .node .label text,#mermaid-svg-GX2aLnWctJdq1EYL .image-shape .label,#mermaid-svg-GX2aLnWctJdq1EYL .icon-shape .label{text-anchor:middle;}#mermaid-svg-GX2aLnWctJdq1EYL .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-GX2aLnWctJdq1EYL .rough-node .label,#mermaid-svg-GX2aLnWctJdq1EYL .node .label,#mermaid-svg-GX2aLnWctJdq1EYL .image-shape .label,#mermaid-svg-GX2aLnWctJdq1EYL .icon-shape .label{text-align:center;}#mermaid-svg-GX2aLnWctJdq1EYL .node.clickable{cursor:pointer;}#mermaid-svg-GX2aLnWctJdq1EYL .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-GX2aLnWctJdq1EYL .arrowheadPath{fill:#333333;}#mermaid-svg-GX2aLnWctJdq1EYL .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-GX2aLnWctJdq1EYL .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-GX2aLnWctJdq1EYL .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-GX2aLnWctJdq1EYL .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-GX2aLnWctJdq1EYL .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-GX2aLnWctJdq1EYL .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-GX2aLnWctJdq1EYL .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-GX2aLnWctJdq1EYL .cluster text{fill:#333;}#mermaid-svg-GX2aLnWctJdq1EYL .cluster span{color:#333;}#mermaid-svg-GX2aLnWctJdq1EYL div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-GX2aLnWctJdq1EYL .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-GX2aLnWctJdq1EYL rect.text{fill:none;stroke-width:0;}#mermaid-svg-GX2aLnWctJdq1EYL .icon-shape,#mermaid-svg-GX2aLnWctJdq1EYL .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-GX2aLnWctJdq1EYL .icon-shape p,#mermaid-svg-GX2aLnWctJdq1EYL .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-GX2aLnWctJdq1EYL .icon-shape .label rect,#mermaid-svg-GX2aLnWctJdq1EYL .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-GX2aLnWctJdq1EYL .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-GX2aLnWctJdq1EYL .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-GX2aLnWctJdq1EYL :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} MediaStore / SAF 授权资产
快速整理：类型、首轮标签、摘要、风险
SQLite：资产元数据与人工修正
FTS / 倒排 / 本地向量索引
资产库：浏览、筛选、搜索
保险箱：高风险与待处理
详情页：tags / summary / privacy
MNN 本机 AI 精修
WorkManager 后台维护
.kvault 加密备份

3.1 第一层：授权资产读取

KernelVault 通过 MediaStore 和 SAF 读取用户授权范围内的图片、视频、音频和文档。它不会假设自己天然拥有全部文件权限，也不会绕开系统授权。

3.2 第二层：快速整理

首轮整理优先速度和稳定性。它会先生成基础类型、首轮中文标签、摘要和风险等级，让用户尽快看到资产库结果。

这一步不追求"每个文件都跑完真实视觉大模型"，因为那会把全库整理变成高风险重任务。

3.3 第三层：本地索引与搜索

本地数据库保存资产元数据、标签、摘要、风险等级、人工修正和识别来源。

搜索层由几条链路共同组成：

  • SQLite 保存结构化资产信息。
  • FTS 支持关键词搜索。
  • 本地向量索引用于语义召回。
  • 人工标签和备注进入搜索文本，保证用户自己的整理结果优先可用。

3.4 第四层：本机 AI 精修

当用户打开某个资产详情页，可以对单个图片或文档触发 本机 AI 精修。

这个设计是整个项目最重要的取舍：大模型不是全库扫描的阻塞点，而是单个高价值资产的增强工具。

4. 模型选型：为什么用 MNN

端侧模型能力分成两类：

能力 模型方向 作用
视觉理解 Qwen-VL 系列 MNN 模型 对图片和截图生成中文语义标签、简短摘要和隐私线索
文本向量 bge-large-zh-MNN 等中文 embedding 模型 支持本地语义搜索和相似召回
快速兜底 启发式规则 + 文件元数据 + 文本抽取 模型不可用时仍能整理、搜索和展示可读摘要

选择 MNN 的原因很直接：

  1. 面向移动端推理，适合 Android 端侧部署。
  2. 可以通过 Native / JNI 调用，不需要把识别链路交给云服务。
  3. 同一套端侧思路可以承接视觉模型和 embedding 模型。
  4. 模型不可用时也能清晰降级，不影响快速整理和搜索。

5. 产品创新点

5.1 创新点一：把"隐私资产"作为手机资料的新组织方式

传统文件管理器关心目录，云相册关心照片，KernelVault 关心的是"这份资料是否有价值、是否敏感、是否需要被找回"。这个角度更贴近日常手机资料管理。

5.2 创新点二：本机 AI 不是噱头，而是产品边界

KernelVault 不把"本地 AI"写成宣传词，而是把它落实到权限、模型路径、识别来源、状态文案和失败降级上。模型可用时，用户可以在详情页看到本机 AI 精修结果；模型不可用时，App 也不会伪装成已经深度识别。

5.3 创新点三：标签、摘要和风险分开表达

很多整理工具会把所有信息塞进标签里，结果用户只看到一排含混的词。KernelVault 固定输出 {tags, summary, privacy}，让信息层次更清楚：

  • tags 解决"如何筛选和搜索"。
  • summary 解决"这个文件大概是什么"。
  • privacy 解决"是否需要留意"。

5.4 创新点四：保险箱不是删除器

隐私管理不等于替用户做危险操作。KernelVault 首版只维护本地索引、风险标记、人工修正和审计状态，不默认删除、移动或改写原文件。这个设计牺牲了一点"强控制感"，但换来更低的误伤风险。

5.5 创新点五：演示链路和真实能力保持一致

比赛或文章展示中，KernelVault 不承诺"全库秒级视觉识别"。更可信的展示链路是：

text 复制代码 
检查识别 -> 整理手机资料 -> 资产库 -> 详情页本机 AI 精修 -> 保险箱 -> 防线

这条链路既能展示端侧 AI，也符合普通手机的性能边界。

6. 技术难点与解决方案

这个项目最难的地方，不是把 UI 做出来，而是把"端侧 AI 能跑、能解释、还能不拖垮手机"同时做到。

难点一：全库视觉识别太慢，容易拖死前台。

  • 解决：改成"先快速整理进库，再对单个高价值资产做本机 AI 精修"，把大模型开销限制在局部。

难点二：真机端侧模型容易受内存和系统后台策略影响。

  • 解决：重型 MNN 视觉推理放进独立 :mnn 进程，超时可结束子进程，主进程继续保持 UI 和索引可用。

难点三：AI 结果如果只剩工程词，用户看不懂也不信。

  • 解决：统一输出 tags / summary / privacy，并保留人工标签、人工摘要和风险等级的覆盖权。

难点四：隐私产品一旦默认上传或默认处置，就会失去可信度。

  • 解决：不声明 INTERNET 权限，不默认删除、移动或改写原文件，把保险箱定义成审计台而不是清理器。

重头戏：端侧适配踩过的坑

坑一：全库视觉识别会把前台整理拖慢

一开始很容易有个冲动：既然要做 AI 整理，那每张图片、每个文档都跑一遍视觉模型。

真机上这条路很快会暴露问题：耗时长、内存压力大、系统可能清理进程，用户看到的是进度卡住，而不是"AI 很聪明"。

最终方案是：

text 复制代码 
整理手机资料：快速整理优先
详情页：单资产本机 AI 精修
后台维护：系统允许时分批补全
坑二：native 推理不能卡死主进程

端侧视觉模型一旦进入 native 层长时间不返回，Kotlin 侧取消 Future 只能放弃等待，不能真正中断 native 推理。

所以 KernelVault 把重型 MNN 视觉调用隔离到独立 :mnn 进程。主进程通过远程服务发起推理请求，并记录子进程 pid。超时后可以解绑、停止服务并结束子进程。

这样即便模型仍卡住，也不会让主进程 UI 和数据库被几 GB native heap 拖死。

坑三：AI 输出容易泄露工程词

早期整理结果里很容易出现 quick_index、native_fallback、image、document 这类工程词。它们对开发者有意义，但对用户没有意义。

现在展示层会把字段拆清楚：

text 复制代码 
文件类型：图片 / 文档 / 音频 / 视频
AI 标签：发票 / 合同 / 证件 / 聊天截图
识别来源：快速整理结果 / 本地模型识别结果 / 人工修正结果

也就是说，工程词可以留在内部索引里，但不能直接出现在用户界面上。

坑四：隐私工具不能替用户做危险决定

很多清理类 App 喜欢"自动删除""自动归档""自动挪走"。但 KernelVault 的首版边界是反过来的：只做本地索引、风险标记、人工修正和审计状态。

保险箱不是删除器。它提醒用户"这份资料可能敏感"，但不会默认改写原文件。

总结与思考

做完这个阶段后，我最大的体会是：端侧 AI 不是把模型塞进手机就结束了。真正困难的是产品边界和工程边界。

你要知道哪些事情应该交给模型，哪些事情必须用确定性规则；哪些任务可以后台慢慢补，哪些结果必须立刻给用户；哪些字段是内部调试信息，哪些内容可以直接展示给普通用户。

KernelVault 的答案是：**让 AI 帮用户看懂资料，但不要替用户失去控制权。**它不上传、不默认删除、不默认移动，只在本机建立索引、解释内容、提示风险。

结语：当 AI 从云端走向端侧，它真正有价值的地方不只是省掉网络请求，而是把数据控制权还给用户。KernelVault 希望证明：一个隐私工具也可以聪明，但它首先要可信。

参考资源

热门推荐
012026年6月AI行业全景：从百模大战到Agent元年，这30天发生了什么？022026年6月AI大模型全景报告：GPT-5.6、Claude Opus 4.8、Gemini 3.5，中美AI三足鼎立谁主沉浮？03【AI】2026 年具身智能模型和世界模型总结042026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf05GitHub 镜像站点06AI科技热点日报 | 2026年6月1日07AI一周事件 · 2026-06-03 至 2026-06-0908上线仅72小时被强制下架：Claude Fable 5 的短命09Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析102026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？