最近刷 GitHub，发现了清华、人大、面壁智能等一起开源了一个项目。叫 EdgeClaw。

为什么我们迫切需要「断网小龙虾」？

痛点一：数据泄露风险——市面上主流的小龙虾 OpenClaw 虽然本地部署。但推理仍依赖云端大模型，所有消息、文件、工具调用结果都会被发送到云端 API 处理，密码、密钥等敏感信息已经经过第三方。

痛点二：离线不可用——在没有网络或网络受限的环境下业务中断导致效率下降甚至业务停摆。话说回来，

痛点三：部署复杂度高——普通使用者缺乏技术背景。很难自行配置安全路由、模型和硬件。

EdgeClaw 的定位与优势

EdgeClaw 基于 OpenClaw。却在此基础上加入了完整的隐私保护机制，并支持本地模型全链路处理，实现数据全程不离开机器，断网也能跑。

EdgeClaw 是 OpenClaw 的安全提高版。它保留了 OpenClaw 的全部功能：

• IM 接入、浏览器操作、文件读写
• Skills、子 Agent 程序等

并额外提供三大主要组件：

1. GuardClaw 隐私路由中间件：自动安全分级，实现数据分流。
2. 本地模型推荐：支持面壁全系列 MiniCPM 小钢炮模型，也兼容其他模型。
3. EdgeClaw Box 硬件方案：开箱即用，无需额外配置。

如何实现「数据不出门」？

GuardClaw 隐私中间件是主要创新。它会自动判断每条消息的敏感程度，并决定走云端还是本地。

三级自动分级机制

• S1——直接发给云端大模型处理。
• S2——先脱敏再转发云端。
• S3——完全由本地模型处理，绝不外传。

整个过程全自动。 无需使用者手动选择「这条走本地，那条走云端」。如果想彻底避免上云，也可以将所有任务强制走本地模型。等同于纯本地版 OpenClaw。

至于双引擎检测。快+准

• 规则引擎：正则匹配 + 关键词扫描，一眼识别密码、密钥、身份证号等明确模式，速度几乎无感。怎么说呢，
• 本地模型引擎：MiniCPM 语义理解。捕捉更微妙的隐私场景，例如「帮我看看工资单有没有问题」会被标记为 S3。

本地模型选型与部署示例

EgeClaw 推荐使用面壁自研的 MiniCPM 系列，从轻量级到高性能自由切换。装好 Ollama 后一条命令即可启动：

ollama run openbmb/minicpm4

*硬件要求相对友好：量化版在 8 GB 内存即可运行。更大参数型号只需相应提高内存即可*

再看全链路保护，每一步都不放过隐私检查点

A​I Agent 的执行流程远超“一问一答”，包括读文件、调工具、生成子任务、写入记忆等环节。EdgeClaw 在以下关键节点布置了 Hook，实现细粒度安全防护：

1. 消息到达 → 路由分流
2. 工具调用拦截 → 结果检查
3. C​onversation 记录 → 记忆同步
4. C​loud 出站消息扫描 & 子 Agent 隐私注入

*记忆隔离*: 云端模型只能看到脱敏后的对话历史。而完整记忆仅限本地模型访问，从根本上杜绝隐私通过泄露给云服务。

E​dgeClaw Box：开箱即用的硬件方案

A​part from open‑source software,面壁推出了配套硬件产品 E​dgeClaw Box

• S松果派、英伟达 DGX Spark、苹果 Mac Mini 等多网站适配；插上电就能用，无需技术背景。
• P多设备、多模型、一键加载海量通用 + 领域专属 Skills；不过，简单任务跑本地小模型零 Token，复杂任务才调云端大模型。
• D商业场景零泄密；其实，数据始终留在本地，提高合规性和信任度。

写在最终 —— 为什么 EdgeClaw 可以关注？

E​dgeClaw 由清华 THUNLP、中国人民大学、AI9Stars、面壁智能和 OpenBMB 联合开发，其主要理念是"不是让你在隐私安全和 AI 能力之间二选一。而是两个都要".

• No more worry about passwords or confidential files being sent to third‑party clouds.
• No more downtime when network is unstable—offline inference works seamlessly.Easily deployable for non‑technical users thanks to EdgeClaw Box.The same powerful features of OpenClaw plus a robust privacy layer.