面壁智能發布 EdgeClaw 智能體框架，主打安全和省錢

作者 | OpenBMB

當前大火的 OpenClaw，讓越來越多開發者和個人用戶意識到個人智能體發揮的巨大作用。然而在實際使用過程中，有兩個問題被使用者廣泛提及：一是用戶個人數據會被 OpenClaw 上傳給云端大模型，造成一定程度的個人數據泄露；另一方面是 OpenClaw 執行過程中拼接的超長上下文帶來 token 浪費，造成了較高的使用成本。

3月19日，我們正式發布并開源由 THUNLP，中國人民大學，AI9Stars，面壁智能 與 OpenBMB 基于 OpenClaw 聯合開發的安全高效端云協同智能體框架 EdgeClaw，通過三級安全協同與性價比感知協同機制，解決 OpenClaw 使用過程中本地數據泄漏、token 花費成本高等問題。通過部署在 DGXSpark、MacMini 等桌面端設備上，給使用者帶來安全高效的本地龍蝦使用體驗。

? GitHub 鏈接 https://github.com/Openbmb/EdgeClaw

EdgeClaw：安全高效端云協同智能體

當下 AI Agent 架構中，端側長期被忽視——所有數據與任務一股腦涌向云端，隱私泄露與算力浪費由此而生。

EdgeClaw 通過三級安全協同機制實現本地數據加密與安全隔離，通過性價比感知協同機制靈活調用不同費用模型，實現簡單任務使用低價模型、復雜任務調用高階模型。安全協同和性價比感知協同運行在同一管線中，通過權重和兩階段短路策略協同工作。

EdgeClaw 主體功能實現以 OpenClaw 插件形式加載，配合端云協同的智能轉發能力，開發者無需修改業務邏輯，即可在 EdgeClaw 中實現“公開數據上云、敏感數據脫敏、私密數據落地”的無感端云協同隱私保護與性價比節省。

三級安全協同機制

EdgeClaw 的一個核心創新是自研三級安全協同機制：通過在 OpenClaw 執行流程中植入 Hook，EdgeClaw 能自動將每一條用戶消息、工具調用參數和 Agent 輸出按敏感程度分為三級：

• S1：默認模式（信息將在云端處理），可直接用云端模型處理。

• S2 脫敏模式（信息將在脫敏后處理），自動脫敏，將企業的敏感信息模糊化（如把「王小二」變成「員工 A」）后，再發往云端。

• S3：安全模式（信息將強制在本地處理），物理隔離，敏感數據完全留在本地，由預裝的 MiniCPM 系列模型離線處理。

對于隱私文件，EdgeClaw 識別為 S3 等級并由本地模型離線處理

在三級分類基礎上，EdgeClaw 使用了基于規則檢測器和本地 LLM 檢測器的雙檢測引擎，兩個引擎可組合疊加，通過 checkpoints 配置按場景靈活啟用。

與此同時，EdgeClaw 還維護了一套「雙軌記憶」機制——云端模型只能看到脫敏后的對話歷史，只有本地模型才能訪問包含完整信息的記憶內容，從根本上杜絕了隱私數據通過上下文窗口泄露給第三方云服務的風險。

性價比感知協同機制

在典型的 AI 編程助手工作流中，大部分請求是查文件、看代碼、簡單問答——用最貴的模型處理這些任務會造成大量浪費。性價比感知協同用本地小模型做 LLM-as-Judge，把請求按復雜度分級路由到不同價位的云端模型。

表 路由模型配置示例

實際測試中，以典型編程助手工作流為例，性價比感知協同機制可將 60–80% 的請求路由到更便宜的模型。

可組合路由管線

安全協同和性價比感知協同運行在同一管線中，通過權重和兩階段短路策略協同工作。管線設計遵循安全優先：安全路由器高權重先跑，有敏感數據就直接短路處理，不浪費時間再判斷復雜度。只有安全通過（S1）后，才啟動性價比感知協同優化成本。

未來規劃

EdgeClaw 將持續迭代，進化為支持更廣泛端側設備部署的軟件系統。未來的開發計劃包含如下四個部分：

• EdgeClaw Router。聚焦安全高效端云協同，結合更多端側硬件與模型，實現更靈活多樣的本地模型選擇。

• EdgeClaw Memory。優化 OpenClaw 記憶，實現面向任務的記憶機制，實現智能體真正配合用戶執行長期復雜任務的能力。

• EdgeClaw SkillHub。構建聚焦支持本地化任務的 Skill Hub，整合端側智能體服務關注的特定 Skill 并內置高頻使用 Skill。對于主流的基于 AI 模型實現的 Skill 實現端側模型替代，進一步提高使用效率。

• EdgeClaw UI。支持更加端側場景友好的前端 UI 設計，增加本地 GPU 使用率、本地 token 使用量等端側用戶關注的性能監控指標。

EdgeClaw 聚焦構建安全高效的端云協同智能體，未來將繼續保持開源。歡迎廣大開發者與行業伙伴一起參與貢獻，共同打造“多、快、好、省”的端側智能體解決方案。

會議推薦

OpenClaw 出圈，“養蝦”潮狂熱，開年 Agentic AI 這把火燒得不可謂不旺。在這一熱潮下，自托管 Agent 形態迅速普及：多入口對話、持久記憶、Skills 工具鏈帶來強大生產力。但這背后也暴露了工程化落地的真實難題——權限邊界與隔離運行、Skills 供應鏈安全、可觀測與可追溯、記憶分層與跨場景污染、以及如何把 Agent 納入團隊研發 / 運維流程并形成穩定收益。

針對這一系列挑戰，在 4 月 16-18 日即將舉辦的 QCon 北京站上，我們特別策劃了「OpenClaw 生態實踐」專題，將聚焦一線實踐與踩坑復盤，分享企業如何構建私有 Skills、制定安全護欄、搭建審計與回放機制、建立質量 / 效率指標體系，最終把自托管 Agent 從可用的 Demo 升級為可靠的生產系統。

今日薦文

你也「在看」嗎？