最近在浏览GitHub时发现了一个有意思的项目——由清华THUNLP、中国人民大学、面壁智能等机构联合开源的EdgeClaw。
它本质上是OpenClaw的安全增强版本，但核心创新在于：通过本地隐私中间件和边缘推理能力，让数据完全不离开本地机器。
这对于需要处理敏感信息的企业和个人用户来说，解决了一个实际的痛点。
EdgeClaw vs OpenClaw：差异化定位
先简单说下关系。OpenClaw本身已经支持20+IM接入、浏览器操作、文件读写、50+Skills等完整的Agent功能栈。
但它的推理依赖云端大模型API调用——你的消息、文件、工具执行结果都会上传到云服务处理，这意味着敏感数据（密码、密钥、商业信息）实际上经过了第三方。
EdgeClaw在保留OpenClaw所有功能的基础上，核心增加了三层能力：
- GuardClaw隐私路由中间件：自动对消息进行敏感度分级，决定走本地还是云端处理
- 本地模型推理支持：集成面壁MiniCPM全系列轻量化模型，通过Ollama运行
- EdgeClaw Box硬件方案：预装配置的一体化硬件，开箱即用
核心机制：三级自动分级 + 双引擎检测
最有意思的是GuardClaw的工作逻辑。它对每条消息、每次工具调用、每段Agent输出都自动分为三级：
| 分级 | 定义 | 处理方式 |
|---|---|---|
| S1（安全） | 无敏感信息，公开可处理 | 直接发送云端大模型 |
| S2（敏感） | 包含部分敏感数据 | 脱敏后转发云端 |
| S3（私密） | 包含密码、财务、医疗等关键隐私 | 本地模型处理，绝不外传 |
分级检测采用双引擎并行方案：
- 规则引擎（毫秒级）：正则+关键词扫描，快速识别密码、密钥、身份证号等明确模式
- 本地模型引擎（1-2秒）：用MiniCPM做语义理解，处理微妙情况。比如"帮我看看工资单有没有问题"这类消息，虽然没有敏感词，但模型能理解其中的财务隐私属性，自动标为S3
整个过程全自动，用户无需手动切换。如果要求最严格的隐私政策，也可以配置全量走本地模型处理。
装好 Ollama 之后，一条命令就能跑起来：
ollama run openbmb/minicpm4.1
全链路保护设计
一个细节值得注意——AI Agent不是简单的一问一答，而是完整的执行流程（读文件→调工具→生成子任务→写入记忆）。
EdgeClaw在整个流程中设置了8个核心检查点：
- 消息到达时路由分流
- 工具调用拦截
- 结果检查
- 会话记录隔离
- 记忆同步保护
- 出站消息扫描
- 子Agent隐私注入
特别是记忆隔离机制——云端模型只能看到脱敏后的对话历史，完整记忆仅本地模型可访问，从源头上杜绝了隐私数据通过上下文窗口泄露的可能。
本地推理与硬件适配
EdgeClaw推荐使用面壁自研的MiniCPM系列模型（MiniCPM 4.1、MiniCPM-V等），通过Ollama框架运行。
硬件门槛不高，量化版通常8GB内存即可运行。
项目还提供了EdgeClaw Box硬件方案——预装配置好的一体化产品，已适配松果派、英伟达DGX Spark、苹果Mac Mini等，插电即用，无需部署经验。这个面向非技术用户的周边产品，让边缘计算方案的使用门槛大幅降低。
应用场景适配
从功能定位看，EdgeClaw适合以下场景：
- 企业内部AI助手：处理商业机密、客户数据，数据完全本地化
- 医疗/金融领域：合规性要求高，需要满足数据隐私法规
- 离线/低网络环境：可独立运行，无需持续云连接
- 成本优化：简单任务用本地小模型（零Token成本），复杂任务才调云端大模型
相似项目对标
市面上也有类似的隐私保护Agent框架，如Ollama + LM Studio的本地推理方案，但它们通常需要用户手动管理数据流向。
EdgeClaw的优势在于自动分级路由，让用户无需理解技术细节就能获得隐私保护。相比完全本地部署的方案，它又通过云边结合保留了大模型的推理能力。
总体评价
作为产品经理，我对EdgeClaw的产品思路比较认可——它没有在隐私和AI能力之间设置非此即彼的选择，而是通过技术手段让两者兼得。自动分级机制降低了用户的使用心智负担，云边结合的架构在实际应用中也更灵活。
唯一需要关注的是生态成熟度——MiniCPM模型族虽然轻量化做得不错，但在特定行业垂直任务的表现仍需观察。不过作为开源项目，这个方向值得跟进。如果你的应用场景涉及敏感数据处理，EdgeClaw提供了一个可行的技术路线。
